論文の概要: LiTS: A Modular Framework for LLM Tree Search

• arxiv url: http://arxiv.org/abs/2603.00631v1
• Date: Sat, 28 Feb 2026 12:54:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.301152
• Title: LiTS: A Modular Framework for LLM Tree Search
• Title（参考訳）: LiTS: LLMツリー検索のためのモジュールフレームワーク
• Authors: Xinzhe Li, Yaguang Tao,
• Abstract要約: LiTSは、木探索によるLLM推論のためのモジュール化されたPythonフレームワークである。 ツリー検索を3つの再利用可能なコンポーネントに分解する。 デコレータベースのレジストリにより、ドメインの専門家が新しいドメインに拡張できる。
• 参考スコア（独自算出の注目度）: 3.48949373776636
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LiTS is a modular Python framework for LLM reasoning via tree search. It decomposes tree search into three reusable components (Policy, Transition, and RewardModel) that plug into algorithms like MCTS and BFS. A decorator-based registry enables domain experts to extend to new domains by registering components, and algorithmic researchers to implement custom search algorithms. We demonstrate composability on MATH500 (language reasoning), Crosswords (environment planning), and MapEval (tool use), showing that components and algorithms are orthogonal: components are reusable across algorithms within each task type, and algorithms work across all components and domains. We also report a mode-collapse finding: in infinite action spaces, LLM policy diversity (not reward quality) is the bottleneck for effective tree search. A demonstration video is available at https://youtu.be/nRGX43YrR3I. The package is released under the Apache 2.0 license at https://github.com/xinzhel/lits-llm, including installation instructions and runnable examples that enable users to reproduce the demonstrated workflows.
• Abstract（参考訳）: LiTSは、木探索によるLLM推論のためのモジュール化されたPythonフレームワークである。 ツリー検索を、MCTSやBFSといったアルゴリズムにプラグインする3つの再利用可能なコンポーネント(Policy、Transition、RewardModel)に分解する。 デコレータベースのレジストリにより、ドメインの専門家はコンポーネントを登録することで新しいドメインに拡張でき、アルゴリズム研究者はカスタム検索アルゴリズムを実装することができる。 我々は、MATH500(言語推論)、クロスワード(環境計画)、MapEval(ツール使用)のコンポーザビリティを実証し、コンポーネントとアルゴリズムが直交していることを示す。 無限アクション空間では、LLMポリシーの多様性(報奨品質ではない)が効果的な木探索のボトルネックとなる。 デモビデオはhttps://youtu.be/nRGX43YrR3Iで公開されている。 このパッケージは、https://github.com/xinzhel/lits-llmでApache 2.0ライセンス下でリリースされており、インストール手順や、デモされたワークフローを再現できる実行可能な例が含まれている。

関連論文リスト

• Don't Get Lost in the Trees: Streamlining LLM Reasoning by Overcoming Tree Search Exploration Pitfalls [83.89771461061903]
  検証者による木探索アルゴリズムの最近の進歩は、大規模言語モデル(LLM)の推論能力を大幅に向上させた。 検証者による木探索アルゴリズムの最近の進歩は、大規模言語モデル(LLM)の推論能力を大幅に向上させた。 意味論的に等価なコンテンツを持つ冗長な状態による$textitover-Exploration$と、検証器のスコアリングにおける高いばらつきに起因する$textitunder-Exploration$である。 各種木探索アルゴリズムに適合するフレキシブルなプラグアンドプレイシステムであるFETCHを提案する。
  論文  参考訳（メタデータ） (2025-02-16T16:12:01Z)
• Tree-of-Traversals: A Zero-Shot Reasoning Algorithm for Augmenting Black-box Language Models with Knowledge Graphs [72.89652710634051]
  知識グラフ(KG)は、信頼性があり、構造化され、ドメイン固有であり、最新の外部知識を提供することで、Large Language Models(LLM)を補完する。 そこで本研究では,ゼロショット推論アルゴリズムであるTree-of-Traversalsを導入する。
  論文  参考訳（メタデータ） (2024-07-31T06:01:24Z)
• LiteSearch: Efficacious Tree Search for LLM [70.29796112457662]
  本研究では,動的ノード選択とノードレベルの探索予算を備えた新しいガイド付き木探索アルゴリズムを提案する。 GSM8KおよびTabMWPデータセットを用いて行った実験により,本手法はベースライン法に比べて計算コストが大幅に低いことを示した。
  論文  参考訳（メタデータ） (2024-06-29T05:14:04Z)
• Autonomous Tree-search Ability of Large Language Models [58.68735916408101]
  大規模言語モデルは、高度なプロンプト技術で顕著な推論能力に優れています。 近年の研究では、LLMがより困難な推論タスクを解くために受動的木探索を行えるように、検索ロジックを定義するために外部プログラムを活用することが提案されている。 我々は,LLMの自律木探索能力という新しい概念を提案し,正しい解を求める探索軌跡を含む応答を自動生成する。
  論文  参考訳（メタデータ） (2023-10-14T14:14:38Z)
• Alphazero-like Tree-Search can Guide Large Language Model Decoding and Training [37.79247073276239]
  ToT(Tree-of-Thought)やRAP(Reasoning via Planning)といった最近の研究は、LLMの推論能力を強化することを目的としている。 LLMのためのAlphaZeroライクな木探索学習フレームワーク(TS-LLM)を提案する。 学習価値関数を用いた木探索がLLM復号を導出する方法を示す。
  論文  参考訳（メタデータ） (2023-09-29T12:20:19Z)
• Meta-Learning with MAML on Trees [2.6650151787980336]
  本研究は,階層的タスク関係を利用して,モデルメタ学習モデルであるMAMLを拡張した。 提案アルゴリズムであるTreeMAMLは,各タスクにいくつかのステップでモデルを適応させるが,適応は階層木構造に従う。 ここでは,タスク構造が階層的である場合,TreeMAMLはMAMLよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2021-03-08T11:58:48Z)
• PyGlove: Symbolic Programming for Automated Machine Learning [88.15565138144042]
  シンボリックプログラミングに基づくAutoMLの新しいプログラミング方法を紹介します。 このパラダイムでは、MLプログラムは変更可能であるため、他のプログラムで簡単に操作できます。 PyGloveユーザーは、静的プログラムを検索空間に簡単に変換し、検索空間と検索アルゴリズムをすばやく繰り返し、複雑な検索フローを作成できることを示しています。
  論文  参考訳（メタデータ） (2021-01-21T19:05:44Z)
• Parameterizing Branch-and-Bound Search Trees to Learn Branching Policies [76.83991682238666]
  Branch and Bound (B&B) は、Mixed-Integer Linear Programming Problem (MILP) の解法として一般的に用いられる木探索法である。 本稿では,新しい模倣学習フレームワークを提案し,分岐を表現するための新しい入力機能とアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-12T17:43:23Z)

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。