論文の概要: Programming over Thinking: Efficient and Robust Multi-Constraint Planning

• arxiv url: http://arxiv.org/abs/2601.09097v1
• Date: Wed, 14 Jan 2026 02:58:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.233241
• Title: Programming over Thinking: Efficient and Robust Multi-Constraint Planning
• Title（参考訳）: 思考よりもプログラミング: 効率的でロバストなマルチ制約計画
• Authors: Derrick Goh Xin Deik, Quanyu Long, Zhengyuan Liu, Nancy F. Chen, Wenya Wang,
• Abstract要約: SCOPEは、クエリ固有の推論をジェネリックコード実行から切り離すフレームワークである。 SCOPEは、コストとレイテンシを下げながら最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 54.77940831026738
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multi-constraint planning involves identifying, evaluating, and refining candidate plans while satisfying multiple, potentially conflicting constraints. Existing large language model (LLM) approaches face fundamental limitations in this domain. Pure reasoning paradigms, which rely on long natural language chains, are prone to inconsistency, error accumulation, and prohibitive cost as constraints compound. Conversely, LLMs combined with coding- or solver-based strategies lack flexibility: they often generate problem-specific code from scratch or depend on fixed solvers, failing to capture generalizable logic across diverse problems. To address these challenges, we introduce the Scalable COde Planning Engine (SCOPE), a framework that disentangles query-specific reasoning from generic code execution. By separating reasoning from execution, SCOPE produces solver functions that are consistent, deterministic, and reusable across queries while requiring only minimal changes to input parameters. SCOPE achieves state-of-the-art performance while lowering cost and latency. For example, with GPT-4o, it reaches 93.1% success on TravelPlanner, a 61.6% gain over the best baseline (CoT) while cutting inference cost by 1.4x and time by ~4.67x. Code is available at https://github.com/DerrickGXD/SCOPE.
• Abstract（参考訳）: マルチ制約計画では、複数の潜在的に矛盾する制約を満たす一方で、候補計画を特定し、評価し、精査する。 既存の大規模言語モデル(LLM)アプローチはこの領域の基本的な制限に直面している。 長い自然言語の連鎖に依存する純粋推論パラダイムは、制約が複雑になるにつれて不整合、エラーの蓄積、禁止コストの傾向にある。 逆に、LLMとコーディングまたはソルバベースの戦略は柔軟性に欠けており、多くの場合、スクラッチから問題固有のコードを生成するか、固定されたソルバに依存する。 これらの課題に対処するために,汎用コード実行からクエリ固有の推論を分離するフレームワークである Scalable COde Planning Engine (SCOPE) を紹介した。 SCOPEは、推論を実行から切り離すことで、クエリ間で一貫性、決定論的、再利用可能なソルバ関数を生成し、入力パラメータに最小限の変更しか必要としない。 SCOPEは、コストとレイテンシを下げながら最先端のパフォーマンスを達成する。 例えば、GPT-4oではトラベルプランナーで93.1%成功し、ベストベースライン(CoT)を61.6%上回り、推論コストは1.4倍、タイムは4.67倍になった。 コードはhttps://github.com/DerrickGXD/SCOPEで入手できる。

関連論文リスト

• G-CSEA: A Graph-Based Conflict Set Extraction Algorithm for Identifying Infeasibility in Pseudo-Boolean Models [0.5773629510985792]
  一般的な診断手法は、未認識不実現サブセット(IIS)の計算である。 二変数上の不等式関係を持つ擬似ブール制約を用いて定式化されたモデルを考える。 提案手法は制約伝搬中に含意グラフを構築し,コンフリクトを検出すると,両決定枝にまたがるすべての制約をトレースする。
  論文  参考訳（メタデータ） (2025-09-16T16:09:30Z)
• Efficient LLM Collaboration via Planning [56.081879390960204]
  小規模で大規模なモデルでは、プランナーと実行担当者として交代で行動し、タスクを協調的に解決するために、多段階のカスケードでプランを交換する。 私たちはCOPEが大規模プロプライエタリモデルに匹敵するパフォーマンスを実現し,推論APIのコストを大幅に削減できることを実証した。
  論文  参考訳（メタデータ） (2025-06-13T08:35:50Z)
• Syzygy of Thoughts: Improving LLM CoT with the Minimal Free Resolution [59.39066657300045]
  CoT(Chain-of-Thought)は、問題を逐次ステップに分解することで、大きな言語モデル(LLM)の推論を促進する。 思考のシジー(Syzygy of Thoughts, SoT)は,CoTを補助的,相互関連的な推論経路を導入して拡張する新しいフレームワークである。 SoTはより深い論理的依存関係をキャプチャし、より堅牢で構造化された問題解決を可能にする。
  論文  参考訳（メタデータ） (2025-04-13T13:35:41Z)
• Mitigating Cross-Modal Distraction and Ensuring Geometric Feasibility via Affordance-Guided and Self-Consistent MLLMs for Task Planning in Instruction-Following Manipulation [5.903105418868711]
  食品準備シナリオに基づいた新しいベンチマークである textbfQuARC (Quantity, Analysis, Relative positioning, Collision) を導入する。 現在のMLLMの2つの大きな制限に対処する。 提案手法はベンチマークで76.7%の成功率を実現し,ViLaベースラインを著しく上回った。
  論文  参考訳（メタデータ） (2025-03-17T11:01:02Z)
• PlanGEN: A Multi-Agent Framework for Generating Planning and Reasoning Trajectories for Complex Problem Solving [89.60370366013142]
  制約,検証,選択という3つの重要な要素を持つモデルに依存しない,スケーラブルなエージェントフレームワークであるPlanGENを提案する。 具体的には、推論時間アルゴリズムの性能を向上させるために、制約誘導反復検証を提案する。
  論文  参考訳（メタデータ） (2025-02-22T06:21:56Z)
• 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)
• Planning Anything with Rigor: General-Purpose Zero-Shot Planning with LLM-based Formalized Programming [13.246017517159043]
  大規模言語モデル(LLM)は近年,計画問題の解決に強い可能性を示している。 LLpreview は LLM を利用して,計画上の問題から重要な情報を抽出し,それらをスクラッチから最適化するフレームワークである。 GPToとClaude 3.5 Sonnetの9つのタスクに対して,LLが平均83.7%,86.8%の最適速度で達成できることを実証した。
  論文  参考訳（メタデータ） (2024-10-15T23:20:54Z)
• 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。