論文の概要: ReCAP: Recursive Context-Aware Reasoning and Planning for Large Language Model Agents

• arxiv url: http://arxiv.org/abs/2510.23822v1
• Date: Mon, 27 Oct 2025 20:03:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.504253
• Title: ReCAP: Recursive Context-Aware Reasoning and Planning for Large Language Model Agents
• Title（参考訳）: ReCAP: 大規模言語モデルエージェントのための再帰的コンテキスト認識推論と計画
• Authors: Zhenyu Zhang, Tianyi Chen, Weiran Xu, Alex Pentland, Jiaxin Pei,
• Abstract要約: ReCAP(Recursive Context-Aware Reasoning and Planning)は,大規模言語モデル(LLM)における推論と計画のためのコンテキストを共有する階層型フレームワークである。 ReCAPは、プラン-アヘッド分解、親プランの構造化された再注入、メモリ効率の高い実行という3つの重要なメカニズムを組み合わせる。 実験により、ReCAPは様々なロングホライゾン推論ベンチマークにおけるサブゴールアライメントと成功率を大幅に改善することが示された。
• 参考スコア（独自算出の注目度）: 61.51091799997476
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-horizon tasks requiring multi-step reasoning and dynamic re-planning remain challenging for large language models (LLMs). Sequential prompting methods are prone to context drift, loss of goal information, and recurrent failure cycles, while hierarchical prompting methods often weaken cross-level continuity or incur substantial runtime overhead. We introduce ReCAP (Recursive Context-Aware Reasoning and Planning), a hierarchical framework with shared context for reasoning and planning in LLMs. ReCAP combines three key mechanisms: (i) plan-ahead decomposition, in which the model generates a full subtask list, executes the first item, and refines the remainder; (ii) structured re-injection of parent plans, maintaining consistent multi-level context during recursive return; and (iii) memory-efficient execution, bounding the active prompt so costs scale linearly with task depth. Together these mechanisms align high-level goals with low-level actions, reduce redundant prompting, and preserve coherent context updates across recursion. Experiments demonstrate that ReCAP substantially improves subgoal alignment and success rates on various long-horizon reasoning benchmarks, achieving a 32% gain on synchronous Robotouille and a 29% improvement on asynchronous Robotouille under the strict pass@1 protocol.
• Abstract（参考訳）: 大規模言語モデル(LLM)では,多段階推論と動的再計画を必要とする長期的タスクが依然として困難である。 逐次的プロンプト手法は、コンテキストドリフト、ゴール情報の喪失、繰り返し発生する障害サイクルに傾向があり、階層的プロンプト手法は、しばしばクロスレベルな連続性を弱めたり、実行時のオーバーヘッドをかなり高める。 LLMにおける推論と計画のためのコンテキストを共有する階層的なフレームワークであるReCAP(Recursive Context-Aware Reasoning and Planning)を紹介する。 ReCAPには3つの重要なメカニズムが組み合わさっている。 i) モデルが完全なサブタスクリストを生成し、最初の項目を実行し、残りの項目を洗練するプラン・アヘッド分解 二 再帰的帰納期間中に一貫した多段階的文脈を維持して、親計画の構造化された再注入 (iii) アクティブプロンプトをバウンディングすることでメモリ効率が向上し、タスクの深さと線形にスケールする。 これらのメカニズムが組み合わさって、ハイレベルな目標を低レベルなアクションと整合させ、冗長なプロンプトを減らし、再帰をまたいだコヒーレントなコンテキスト更新を維持する。 実験の結果、ReCAPは様々な長距離推論ベンチマークのサブゴールアライメントと成功率を大幅に改善し、同期型Robotouilleでは32%、厳格なpass@1プロトコルでは非同期型Robotouilleでは29%向上した。

関連論文リスト

• COMPASS: Enhancing Agent Long-Horizon Reasoning with Evolving Context [17.575806280348797]
  小さなエラーはステップにまたがって複雑で、最先端のモデルでさえしばしばコヒーレンスを幻覚または失う。 本稿では,戦術的実行,戦略的監視,文脈的組織を3つの特殊コンポーネントに分離する軽量階層型フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-09T20:14:26Z)
• PARL-MT: Learning to Call Functions in Multi-Turn Conversation with Progress Awareness [57.020401590532686]
  マルチターン関数呼び出しのためのLLMトレーニングに進捗認識を明示的に組み込むフレームワークであるPARL-MTを導入する。 PARL-MTは既存の手法よりも優れており、堅牢で効率的なマルチターン関数呼び出しの実現における進捗認識の有効性を強調している。
  論文  参考訳（メタデータ） (2025-09-27T09:32:27Z)
• HyperTree Planning: Enhancing LLM Reasoning via Hierarchical Thinking [109.09735490692202]
  提案するHyperTree Planning(HTP)は,高木構造プランニングアウトラインを構成する新しい推論パラダイムである。 実験ではHTPの有効性を実証し、Gemini-1.5-ProによるTravelPlannerベンチマークで最先端の精度を実現し、o1-previewよりも3.6倍の性能向上を実現した。
  論文  参考訳（メタデータ） (2025-05-05T02:38:58Z)
• Embodied Long Horizon Manipulation with Closed-loop Code Generation and Incremental Few-shot Adaptation [12.077740860502878]
  身体的ロングホライゾン操作では、ロボットシステムが視覚や自然言語などのマルチモーダル入力を処理し、それらを実行可能なアクションに変換する必要がある。 近年,大規模言語モデル (LLM) を自然言語を用いてタスクをサブタスクに分解し,事前訓練した低レベルコントローラを誘導する高レベルプランナとしての利用が検討されている。 我々のフレームワークは,LoHoRavens,CALVIN,Franka Kitchen,および乱雑な現実世界設定をまたいだ,30以上の多様かつ不明瞭なロングホライゾンタスクに対して,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-03-27T20:32:58Z)
• Generalization of Compositional Tasks with Logical Specification via Implicit Planning [14.46490764849977]
  本稿では,タスク一般化の効率性と最適性を向上する階層的RLフレームワークを提案する。 高いレベルでは、作曲タスクの一般化に特化して設計された暗黙のプランナーを示す。 潜時遷移モデルを学び、グラフニューラルネットワーク(GNN)を用いて潜時空間で計画を実行する。
  論文  参考訳（メタデータ） (2024-10-13T00:57:10Z)
• Unlocking Reasoning Potential in Large Langauge Models by Scaling Code-form Planning [94.76546523689113]
  CodePlanは、テキストコード形式の計画を生成し、追跡するフレームワークで、高いレベルの構造化された推論プロセスの概要を擬似コードで示します。 CodePlanは、洗練された推論タスク固有のリッチなセマンティクスと制御フローを効果的にキャプチャする。 反応を直接生成するのに比べて25.1%の相対的な改善が達成されている。
  論文  参考訳（メタデータ） (2024-09-19T04:13:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。