論文の概要: SPIN: Structural LLM Planning via Iterative Navigation for Industrial Tasks

• arxiv url: http://arxiv.org/abs/2605.14051v1
• Date: Wed, 13 May 2026 19:12:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.474857
• Title: SPIN: Structural LLM Planning via Iterative Navigation for Industrial Tasks
• Title（参考訳）: SPIN:産業用反復航法による構造LLM計画
• Authors: Yusuke Ozaki, Dhaval Patel,
• Abstract要約: 我々は、検証された指向非巡回グラフ(DAG)計画とプレフィックスベースの実行制御を組み合わせた計画ラッパーであるtextttSPIN を提案する。 textttSPIN は texttt_validate_plan_text を通じて厳格な DAG 契約を強制し、修理のプロンプトを行う。 AssetOpsBenchでは261のシナリオで、 textttSPIN は 1061 から 623 までのタスクを削減し、emphAccompliated を 0.638 から 0.706 に改善し、ツールコールを 11.81 から 0.706 に削減する。
• 参考スコア（独自算出の注目度）: 1.496156904825668
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Industrial LLM agent systems often separate planning from execution, yet LLM planners frequently produce structurally invalid or unnecessarily long workflows, leading to brittle failures and avoidable tool and API cost. We propose \texttt{SPIN}, a planning wrapper that combines validated Directed Acyclic Graph (DAG) planning with prefix based execution control. \texttt{SPIN} enforces a strict DAG contract through \texttt{\_validate\_plan\_text} and repair prompting, producing executable plans before downstream execution, and then evaluates DAG prefixes incrementally to stop when the current prefix is sufficient to answer the query. On AssetOpsBench, across 261 scenarios, \texttt{SPIN} reduces executed tasks from 1061 to 623 and improves \emph{Accomplished} from 0.638 to 0.706, while reducing tool calls from 11.81 to 6.82 per run. On MCP Bench, the same wrapper improves planning, grounding, and dependency related scores for both GPT OSS1 and Llama 4 Maverick.
• Abstract（参考訳）: 産業用LLMエージェントシステムは、しばしば実行から計画を分離するが、LLMプランナは、構造的に無効または不要に長いワークフローをしばしば生成し、不安定な障害と回避可能なツールとAPIコストをもたらす。 本稿では,DAG計画とプレフィックスベースの実行制御を組み合わせた計画ラッパーである‘texttt{SPIN}’を提案する。 \texttt{SPIN} は \textt{\_validate\_plan\_text} を通じて厳格なDAG契約を強制し、プロンプトを実行し、ダウンストリーム実行前に実行可能なプランを生成し、現在のプレフィックスがクエリに応答するのに十分なときにDAGプレフィックスを漸進的に評価する。 AssetOpsBenchでは261のシナリオで、実行されるタスクを1061から623に削減し、Shaemph{Accomplished}を0.638から0.706に改善し、ツールコールを11.81から6.82に削減した。 MCP Benchでは、同じラッパーが、GPT OSS1とLlama 4 Maverickの両方の計画、グラウンド、依存性関連のスコアを改善している。

関連論文リスト

• PlanCompiler: A Deterministic Compilation Architecture for Structured Multi-Step LLM Pipelines [0.0]
  PlanCompilerは、構造化パイプライン用のコンパイルアーキテクチャで、タイプされたノードレジストリレジストリによる実行からプランニングを分離する。 PlanCompilerはプリミティブの固定レジストリ上で型付きプランを生成し、そのプランを明示的な構造的制約と型制約に対して検証し、検証済みプランのみを実行可能なPythonにコンパイルする。
  論文  参考訳（メタデータ） (2026-04-08T00:54:41Z)
• Programming over Thinking: Efficient and Robust Multi-Constraint Planning [54.77940831026738]
  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。
  論文  参考訳（メタデータ） (2026-01-14T02:58:07Z)
• Beyond Entangled Planning: Task-Decoupled Planning for Long-Horizon Agents [28.061156787350395]
  Task-Decoupled Planning (TDP)は、絡み合った推論をタスク・デカップリングに置き換えるトレーニング不要のフレームワークである。 TDPは、ワークフローを中断することなく、推論とアクティブなサブタスクへのリプレーニングを限定する。 TravelPlanner、ScienceWorld、HotpotQAの結果は、TDPがトークン消費を最大82%削減しながら、強力なベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2026-01-12T14:30:10Z)
• Decompose, Plan in Parallel, and Merge: A Novel Paradigm for Large Language Models based Planning with Multiple Constraints [31.631832677979826]
  本稿では,並列計画パラダイムを提案し,並列におけるサブタスク計画とマージを最終計画(DPPM)に分割する。 具体的には、制約に基づいて複雑なタスクをサブタスクに分解し、各サブタスクのサブプランを並列に生成し、それらをグローバルプランにマージする。 実験の結果,DPPMは旅行計画タスクにおいて既存の手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2025-06-03T09:33:13Z)
• Building a Stable Planner: An Extended Finite State Machine Based Planning Module for Mobile GUI Agent [13.259836345131525]
  タスク実行において視覚言語モデル(VLM)を誘導する実行計画を生成するための,プラグアンドプレイ計画モジュールであるSPlannerを提案する。 SPlannerは、Qwen2.5-VL-72BをVLMとして組み合わせた場合、63.8%のタスク成功率を達成した。
  論文  参考訳（メタデータ） (2025-05-20T09:45:55Z)
• Plan-over-Graph: Towards Parallelable LLM Agent Schedule [53.834646147919436]
  大規模言語モデル(LLM)はタスク計画の推論において例外的な能力を示した。 本稿では,まず実生活のテキストタスクを実行可能なサブタスクに分解し,抽象的なタスクグラフを構築する,新しいパラダイムであるプランオーバーグラフを提案する。 モデルはこのタスクグラフを入力として理解し、並列実行計画を生成する。
  論文  参考訳（メタデータ） (2025-02-20T13:47:51Z)
• 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)
• Tree-Planner: Efficient Close-loop Task Planning with Large Language Models [63.06270302774049]
  Tree-Plannerは、大きな言語モデルでタスクプランニングを3つの異なるフェーズに再構成する。 Tree-Plannerは高い効率を維持しながら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） (2023-10-12T17:59:50Z)
• A Feedback Scheme to Reorder a Multi-Agent Execution Schedule by Persistently Optimizing a Switchable Action Dependency Graph [65.70656676650391]
  複数の自動誘導車両 (AGV) が共通作業空間をナビゲートし, 様々な作業を行う。 一つのアプローチは、Action Dependency Graph (ADG)を構築し、そのルートに沿って進むとAGVの順序を符号化する。 ワークスペースが人間やサードパーティロボットのような動的障害によって共有されている場合、AGVは大きな遅延を経験することができる。 本稿では,各AGVの経路完了時間を最小限に抑えるために,非循環ADGを繰り返し修正するオンライン手法を提案する。
  論文  参考訳（メタデータ） (2020-10-11T14:39:50Z)

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。