論文の概要: The Library Theorem: How External Organization Governs Agentic Reasoning Capacity

• arxiv url: http://arxiv.org/abs/2603.21272v1
• Date: Sun, 22 Mar 2026 15:02:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.32055
• Title: The Library Theorem: How External Organization Governs Agentic Reasoning Capacity
• Title（参考訳）: 図書館理論:外部機関がエージェント推論能力をどのように獲得するか
• Abstract要約: I/O ページとして変換器のコンテキストウィンドウを形式化する。 インデックス付き外部メモリを持つツール拡張エージェントは、シーケンシャルスキャンに制限されたエージェントよりも指数関数的に検索コストが低いことを証明した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Externalized reasoning is already exploited by transformer-based agents through chain-of-thought, but structured retrieval -- indexing over one's own reasoning state -- remains underexplored. We formalize the transformer context window as an I/O page and prove that tool-augmented agents with indexed external memory achieve exponentially lower retrieval cost than agents restricted to sequential scanning: $O(\log_b N)$ versus $Ω(N)$ page reads per query, and $O(T \log_b T)$ versus $Θ(T^2)$ cumulative cost over $T$ reasoning steps -- a gap that widens as deliberation deepens. We test these predictions on a controlled lookup benchmark across three content types -- random hashes, ordered integers, and encyclopedia entries -- varying store size from 50 to 5,000 items, and replicate key conditions across two model generations (GPT-4o-mini and GPT-5.4). On abstract content, the indexed agent achieves median 1 page read regardless of store size, confirming the $O(1)$ prediction. Sorted pages without an index fail to close the gap: the weaker model cannot sustain binary search at scale, and the stronger model achieves near-optimal $\log_2 N$ search but still loses to the index by $5\times$. On familiar content (encyclopedia entries), a competing failure mode emerges: the model recognizes the domain, bypasses the retrieval protocol, and generates answers from parametric memory, producing catastrophic token expenditure even when the index is sound. This parametric memory competition dissociates the two cognitive operations that indexing combines: understanding content (where language models excel) and following navigational protocols (where they fail when understanding tempts them to shortcut). The result argues for a separation of concerns: use language models for index construction, where semantic understanding helps, and deterministic algorithms for index traversal, where it hurts.
• Abstract（参考訳）: 外部推論は、既にトランスフォーマーベースのエージェントによって、チェーン・オブ・シントを通じて活用されているが、構造化された検索 -- 自分自身の推論状態のインデックス化 -- は、未調査のままである。 我々は、TransformerコンテキストウィンドウをI/Oページとして形式化し、インデックス付き外部メモリを持つツール拡張エージェントが、シーケンシャルスキャンに制限されたエージェントよりも指数関数的に低い検索コストを達成することを証明した。 $O(\log_b N)$ vs $Ω(N)$ page read per query, and $O(T \log_b T)$ versus $O(T^2)$ cumulative cost over $T$ reasoning steps -- a gap that widens as deliberation deepening -- これらの予測は、3つのコンテンツタイプ – ランダムハッシュ、順序付き整数、百科事典エントリ -- の制御されたルックアップベンチマークで検証する。 抽象コンテンツについて、インデックスされたエージェントは、ストアサイズに関係なく中央値の1ページの読み込みを達成し、$O(1)$予測を確認する。 インデックスのないソートされたページはギャップを埋めることができない: より弱いモデルは、スケールでバイナリ検索を維持することができず、強いモデルは、ほぼ最適の$\log_2 N$検索を達成するが、それでも5\times$でインデックスに負ける。 モデルはドメインを認識し、検索プロトコルをバイパスし、パラメトリックメモリから回答を生成し、インデックスがサウンドであっても破滅的なトークンの支出を生成する。 このパラメトリックメモリコンペティションは、インデクシングがコンテント(言語モデルが優れている)を理解することと、ナビゲーションプロトコル(理解すればショートカットする誘惑に失敗する)という2つの認知操作を解き放つ。 セマンティック理解が役立つインデックス構築に言語モデルを使用し、インデックストラバーサルに決定論的アルゴリズムを適用すれば、それが傷つく。

関連論文リスト

• misi: a Metric Inverted Sample Index [0.0]
  mii は一般距離空間上の近似近傍探索のための逆インデックスである。 それぞれのオブジェクトは、$k_b$の最も近いサンプルポイントで表現され、サンプル上のプラグ可能なインナーインデックスによって見つかる。 クエリはidf-weighted shared-neighborの投票によって回答され、続いて$C$の候補の正確な検証が行われる。
  論文  参考訳（メタデータ） (2026-08-27T17:48:22Z)
• Conversational Query Engine for Mixed-Modality Heterogeneous Enterprise Data Sources [0.816316992802876]
  既存のAI対応インターフェースは、ユーザに適切なツールの選択を強制する。 我々は、自然言語分析を異種クエリ処理問題として扱う生産型対話型BIシステムCOGNIを提案する。
  論文  参考訳（メタデータ） (2026-06-15T17:02:22Z)
• Lightweight Query Routing for Adaptive RAG: A Baseline Study on RAGRouter-Bench [0.0]
  ベンチマーク RAG-Bench citepwang2026ragrouterbench を用いた軽量分類器に基づくルーティングの体系的評価を行った。 SVMを使用したTF-IDFは、$mathbf0.928$のマクロ平均F1と$mathbf93.2%$の精度を実現し、$mathbf28.1%のトークンセーブをシミュレートします。
  論文  参考訳（メタデータ） (2026-04-03T20:58:00Z)
• IndexCache: Accelerating Sparse Attention via Cross-Layer Index Reuse [68.18308357205586]
  Longcontext Agenticは、大規模言語モデルの定義ユースケースとして登場した。 Sparseは、この課題を効果的に解決し、DeepSeek Sparse Attention(DSA)は、代表的なプロダクショングレードソリューションである。 我々は、レイヤを独自のインデクサを実行するフルレイヤの小さなセットと、最も近いフルレイヤのトップkインデックスを単純に再利用する共有レイヤの大多数に分割することで、層間の冗長性を利用するIndexCacheを紹介します。
  論文  参考訳（メタデータ） (2026-03-12T17:27:21Z)
• $G^2$-Reader: Dual Evolving Graphs for Multimodal Document QA [53.491241153213565]
  G2$-Readerはマルチモーダルな質問応答のためのデュアルグラフシステムである。 Qwen3-VL-32B-Instructによる$G2$-Readerの平均精度は66.21%に達し、強力なベースラインとスタンドアローンのGPT-5(53.08%)を上回った。 5つのマルチモーダルドメインにわたるVisDoMBenchでは、Qwen3-VL-32B-Instructを使った$G2$-Readerが平均精度66.21%に達し、強力なベースラインとスタンドアロンのGPT-5(53.08%)を上回っている。
  論文  参考訳（メタデータ） (2026-01-29T17:52:54Z)
• Dynamic Large Concept Models: Latent Reasoning in an Adaptive Semantic Space [56.37266873329401]
  大規模言語モデル (LLM) は、高度に一様でない情報密度を示す言語にもかかわらず、全てのトークンに一様計算を適用する。 我々は,潜在表現から意味境界を学習し,トークンから推論がより効率的である圧縮概念空間へ移行する階層型言語モデリングフレームワークである$textbfDynamic Large Concept Models (DLCM)$を提案する。
  論文  参考訳（メタデータ） (2025-12-31T04:19:33Z)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• Don't Get Lost in the Trees: Streamlining LLM Reasoning by Overcoming Tree Search Exploration Pitfalls [83.89771461061903]
  検証者による木探索アルゴリズムの最近の進歩は、大規模言語モデル(LLM)の推論能力を大幅に向上させた。 検証者による木探索アルゴリズムの最近の進歩は、大規模言語モデル(LLM)の推論能力を大幅に向上させた。 意味論的に等価なコンテンツを持つ冗長な状態による$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)
• FLARE: Faithful Logic-Aided Reasoning and Exploration [47.46564769245296]
  タスク分解を用いて問題空間をトラバースする新しい手法を提案する。 我々はLarge Language Modelsを使ってソリューションを計画し、クエリを事実に軟式化し、論理プログラミングコードを使って述語する。 提案手法は,生成したコードに対する推論プロセスの忠実度を計算し,外部の解法に頼らずにマルチホップ探索のステップを解析する。
  論文  参考訳（メタデータ） (2024-10-14T19:39:11Z)
• DSI++: Updating Transformer Memory with New Documents [95.70264288158766]
  DSI++は、DSIが新たなドキュメントをインクリメンタルにインデクシングするための継続的な学習課題である。 新たな文書の連続的な索引付けは,それまでの索引付け文書をかなり忘れてしまうことを示す。 文書の擬似クエリをサンプルとして生成メモリを導入し、連続的なインデックス付け中に補足することで、検索タスクの忘れを防止する。
  論文  参考訳（メタデータ） (2022-12-19T18:59:34Z)

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。