Fugu-MT 論文翻訳(概要): Model-First Reasoning LLM Agents: Reducing Hallucinations through Explicit Problem Modeling

論文の概要: Model-First Reasoning LLM Agents: Reducing Hallucinations through Explicit Problem Modeling

arxiv url: http://arxiv.org/abs/2512.14474v1
Date: Tue, 16 Dec 2025 15:07:36 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-17 16:49:26.755762
Title: Model-First Reasoning LLM Agents: Reducing Hallucinations through Explicit Problem Modeling
Title（参考訳）: モデルファースト推論LDMエージェント:明示的問題モデリングによる幻覚の低減
Authors: Annu Rana, Gaurav Kumar,
Abstract要約: 大規模言語モデル(LLM)は複雑な多段階計画タスクに悩まされることが多い。 Chain-of-ThoughtやReActといった既存の戦略は、暗黙的な状態追跡に依存しており、明示的な問題表現がない。モデル第一推論(MFR: Model-First Reasoning)は、LLMが最初に問題の明示的なモデルを構築した2相パラダイムである。
参考スコア（独自算出の注目度）: 3.537921035534423
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Large Language Models (LLMs) often struggle with complex multi-step planning tasks, showing high rates of constraint violations and inconsistent solutions. Existing strategies such as Chain-of-Thought and ReAct rely on implicit state tracking and lack an explicit problem representation. Inspired by classical AI planning, we propose Model-First Reasoning (MFR), a two-phase paradigm in which the LLM first constructs an explicit model of the problem, defining entities, state variables, actions, and constraints, before generating a solution plan. Across multiple planning domains, including medical scheduling, route planning, resource allocation, logic puzzles, and procedural synthesis, MFR reduces constraint violations and improves solution quality compared to Chain-of-Thought and ReAct. Ablation studies show that the explicit modeling phase is critical for these gains. Our results suggest that many LLM planning failures stem from representational deficiencies rather than reasoning limitations, highlighting explicit modeling as a key component for robust and interpretable AI agents. All prompts, evaluation procedures, and task datasets are documented to facilitate reproducibility.
Abstract（参考訳）: 大規模言語モデル(LLM)は複雑な多段階計画タスクに苦しむことが多く、高い制約違反率や一貫性のないソリューションを示す。 Chain-of-ThoughtやReActといった既存の戦略は、暗黙的な状態追跡に依存しており、明示的な問題表現がない。従来のAI計画にインスパイアされたモデルファースト推論(MFR)は、LLMがまず問題の明示的なモデルを構築し、エンティティ、状態変数、アクション、制約を定義し、ソリューションプランを生成するための2段階のパラダイムである。医療スケジューリング、ルート計画、リソース割り当て、論理パズル、手続き的合成を含む複数の計画領域において、MFRは制約違反を減らし、Chain-of-ThoughtやReActと比べてソリューション品質を改善する。アブレーション研究は、これらの利得に対して明示的なモデリングフェーズが重要であることを示している。以上の結果から,LLM計画失敗の多くは,制約を推論するよりも表現的欠陥が原因であることが示唆され,堅牢で解釈可能なAIエージェントの重要コンポーネントとして明示的モデリングが強調された。再現性を促進するために、すべてのプロンプト、評価手順、タスクデータセットが文書化されている。

関連論文リスト

Think Then Embed: Generative Context Improves Multimodal Embedding [51.76690812535934]
本稿では,ユニバーサル・マルチモーダル・エンベディング (UME) のためのThink-Then-Embed (TTE) フレームワークを提案する。強力なMLLM推論器を利用することで、MMEB-V2ベンチマークで最先端のパフォーマンスを達成し、大規模な社内データセットでトレーニングされたプロプライエタリモデルを上回った。
論文参考訳（メタデータ） (2025-10-06T16:53:56Z)
Who Sees What? Structured Thought-Action Sequences for Epistemic Reasoning in LLMs [1.090218572228214]
本研究では,LLMをベースとしたReActフレームワークの性能向上のための構造化例の可能性について検討した。本稿では、最適ゴールパス(G型)、情報ノードパス(E型)、ステップバイステップの最適決定シーケンス(L型)の3つのカテゴリの例を生成する、構造化された解処理パイプラインを提案する。 L型の例は、明確化要求と全体的なアクションステップをわずかに削減するが、一貫性のある改善は得られない。
論文参考訳（メタデータ） (2025-08-20T09:36:53Z)
CausalPlan: Empowering Efficient LLM Multi-Agent Collaboration Through Causality-Driven Planning [25.322580535468013]
CausalPlanは、明示的な構造因果推論を大規模言語モデル(LLM)計画プロセスに統合するフレームワークである。我々は,5つのマルチエージェント調整タスクと4つのLLMの異なるサイズで,Overcooked-AIベンチマークでCausalPlanを評価した。その結果、CausalPlanは不適切なアクションを一貫して削減し、AI-AIとヒューマン-AI設定の両方でのコラボレーションを改善していることがわかった。
論文参考訳（メタデータ） (2025-08-19T10:37:20Z)
PLAN-TUNING: Post-Training Language Models to Learn Step-by-Step Planning for Complex Problem Solving [66.42260489147617]
大規模言語モデルから合成タスク分解を蒸留するフレームワークであるPLAN-TUNINGを紹介する。複雑な推論を改善するために、教師付きおよび強化学習の目的を通したプランチューン細管モデル。本分析は,計画軌道が複雑な推論能力をいかに改善するかを示す。
論文参考訳（メタデータ） (2025-07-10T07:30:44Z)
CRISP: Complex Reasoning with Interpretable Step-based Plans [15.656686375199921]
数学的推論とコード生成のための高レベルプランのデータセットであるCRISP(Complex Reasoning with Interpretable Step-based Plans)を紹介する。 CRISP上で小さなモデルを微調整することで、より大規模なモデルよりも高品質なプランを少数ショットプロンプトで作成できることを実証する。
論文参考訳（メタデータ） (2025-07-09T11:40:24Z)
Interactive and Expressive Code-Augmented Planning with Large Language Models [62.799579304821826]
大きな言語モデル(LLM)は、常識的推論と対話的な意思決定において強力な能力を示す。近年,制御フローなどのコード・アジャセント技術を用いてLCM出力を構造化し,計画性能を向上させる技術が提案されている。完全コード表現で動的なLEM計画手法であるREPL-Planを提案する。
論文参考訳（メタデータ） (2024-11-21T04:23:17Z)
Deliberate Reasoning in Language Models as Structure-Aware Planning with an Accurate World Model [14.480267340831542]
高精度世界モデル(SWAP)による構造認識計画 SWAPは構造化知識表現と学習計画を統合する。 SWAPは,数理推論,論理推論,コーディングタスクなど,多種多様な推論集約型ベンチマークで評価される。
論文参考訳（メタデータ） (2024-10-04T04:23:36Z)
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)
Guiding Language Model Reasoning with Planning Tokens [122.43639723387516]
大規模言語モデル(LLM)は、最近、複雑な推論タスクを実行する能力に対して、かなりの関心を集めている。より構造的なチェーン・オブ・シークレット・ステップの創出を促す階層的な生成手法を提案する。提案手法では、トレーニング可能なパラメータ(0.001%)の無視可能な増加が必要であり、完全な微調整か、よりパラメータ効率の良いスキームで適用することができる。
論文参考訳（メタデータ） (2023-10-09T13:29:37Z)

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。