論文の概要: Planning in the LLM Era: Building for Reliability and Efficiency

• arxiv url: http://arxiv.org/abs/2605.21902v1
• Date: Thu, 21 May 2026 02:24:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.056532
• Title: Planning in the LLM Era: Building for Reliability and Efficiency
• Title（参考訳）: LLM時代の計画:信頼性と効率性の構築
• Authors: Michael Katz, Harsha Kokel, Kavitha Srinivas, Shirin Sohrabi,
• Abstract要約: 計画立案に大規模な言語モデルを利用した初期の試みは、単発プラン生成に依存していた。 最近の研究は、ソリューション構築時にそれらを使用することに移行している。 本稿は、このシフトが、計画分野のより広範な認識を反映している、と論じる。
• 参考スコア（独自算出の注目度）: 25.727744224604553
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Growing attention to intelligent agents has put a spotlight on one of their central capabilities: planning. Early attempts to leverage large language models (LLMs) for planning relied on single-shot plan generation, followed by hybrid approaches that coupled LLMs with limited external search. These methods, unsound and incomplete by their very nature, often require substantial resources without yielding better solutions on unseen problems. As the limitations of LLMs become clearer, recent work has shifted toward using them at solution construction time -- generating symbolic solvers for a family of problems that can be verified and then used efficiently at inference time. This trend reflects the growing need for agents that are both reliable and resource-efficient. It also offers a path towards generating maintainable planners with minimal dependence on language models at inference time. In this paper, we argue that this shift reflects a broader realignment of the planning field in the LLM era. We examine three major categories of planner-generation methods, discuss their current limitations, and outline research steps towards a more reliable and efficient LLM-based generation of planners.
• Abstract（参考訳）: インテリジェントエージェントへの注目が高まり、彼らの中心的な能力の1つ、プランニングに注目が集まっている。 計画立案に大規模な言語モデル(LLM)を利用した初期の試みは単発プラン生成に依存していたが、その後はLLMと限られた外部探索を組み合わせたハイブリッドアプローチが続いた。 これらの手法は、その性質上不完全であり、しばしば、目に見えない問題に対するより良い解を得ることなく、かなりの資源を必要とする。 LLMの限界がより明確になるにつれて、最近の研究はソリューション構築時にそれらを使用することへと移行している。 この傾向は、信頼性とリソース効率の両方を兼ね備えたエージェントの必要性の高まりを反映している。 また、推論時の言語モデルへの依存を最小限に抑えながら、メンテナンス可能なプランナを生成するための道を提供する。 本稿では,この変化がLLM時代の計画分野のより広範な認識を反映していると論じる。 本稿では,プランナー生成手法の3つの主要なカテゴリについて検討し,その限界について論じるとともに,より信頼性が高く効率的なプランナー生成に向けた研究の歩みを概説する。

関連論文リスト

• DUPLEX: Agentic Dual-System Planning via LLM-Driven Information Extraction [11.920443665332629]
  大規模言語モデル(LLM)は、ロボットタスク計画のためのセマンティックな柔軟性を提供する。 幻覚や論理的不整合への感受性は、長い水平領域における信頼性を制限している。 本稿では,LLMをスキーマ誘導情報抽出に厳密に閉じ込めるデュアルシステムニューロシンボリックアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-03-25T03:57:44Z)
• Learning to Plan Before Answering: Self-Teaching LLMs to Learn Abstract Plans for Problem Solving [41.974457807896236]
  大規模言語モデル(LLM)のための新しい自己学習アルゴリズムを提案する。 LEPA(Learning to Plan before Answering)は、LEMに予測計画を定式化させ、問題解決のための抽象メタ知識として機能させる。 モデル最適化の間、LLMは洗練された計画と対応するソリューションの両方を予測するために訓練される。
  論文  参考訳（メタデータ） (2025-04-28T06:32:58Z)
• A Survey on Large Language Models for Automated Planning [15.767084100431115]
  自動計画における大規模言語モデルの利用に関する既存の研究を批判的に調査する。 これらの制限のため、LCMは独立したプランナーとして機能するには適していないが、他のアプローチと組み合わせることで、計画アプリケーションを強化する大きな機会を提供する。
  論文  参考訳（メタデータ） (2025-02-18T02:11:03Z)
• LLMs Can Plan Only If We Tell Them [16.593590353705697]
  大規模言語モデル (LLM) は自然言語処理や推論において重要な機能を示している。 本稿では,LLMが人間と競合する長期計画を独立に生成できるかどうかを考察する。
  論文  参考訳（メタデータ） (2025-01-23T10:46:14Z)
• Q*: Improving Multi-step Reasoning for LLMs with Deliberative Planning [53.6472920229013]
  大規模言語モデル(LLM)は多くの自然言語タスクにおいて印象的な能力を示している。 LLMは多段階推論を行う際にエラー、幻覚、矛盾する文を生成する傾向がある。 本稿では,LLMの復号化過程を検討計画で導くためのフレームワークであるQ*を紹介する。
  論文  参考訳（メタデータ） (2024-06-20T13:08:09Z)
• From Words to Actions: Unveiling the Theoretical Underpinnings of LLM-Driven Autonomous Systems [59.40480894948944]
  大規模言語モデル (LLM) は、物理世界の意思決定問題を解くことができる。 このモデルの下で、LLM Plannerは、プロンプトを介して言語ベースのサブゴールを反復的に生成することにより、部分的に観測可能なマルコフ決定プロセス(POMDP)をナビゲートする。 我々は,事前学習したLLMプランナーが,文脈内学習を通じてベイズ的集計模倣学習(BAIL)を効果的に行うことを証明した。
  論文  参考訳（メタデータ） (2024-05-30T09:42:54Z)
• Understanding the planning of LLM agents: A survey [98.82513390811148]
  本調査では, LLMをベースとしたエージェント計画の体系的考察を行い, 計画能力の向上を目的とした最近の成果について報告する。 各方向について総合的な分析を行い、研究分野におけるさらなる課題について論じる。
  論文  参考訳（メタデータ） (2024-02-05T04:25:24Z)
• Dynamic Planning with a LLM [15.430182858130884]
  大言語モデル(LLM)はゼロショット設定で多くのNLPタスクを解くことができるが、具体化エージェントを含むアプリケーションは依然として問題である。 LLM動的プランナー(LLM-DP)は,LLMが従来のプランナーと手動で作業し,具体的課題を解決する,神経象徴的な枠組みである。
  論文  参考訳（メタデータ） (2023-08-11T21:17:13Z)
• AdaPlanner: Adaptive Planning from Feedback with Language Models [56.367020818139665]
  大規模言語モデル(LLM)は、最近、シーケンシャルな意思決定タスクの自律的エージェントとして機能する可能性を実証している。 本研究では,LLMエージェントが環境フィードバックに応じて自己生成計画を適応的に改善することのできるクローズドループアプローチであるAdaPlannerを提案する。 幻覚を緩和するために,様々なタスク,環境,エージェント機能にまたがる計画生成を容易にするコードスタイルのLCMプロンプト構造を開発した。
  論文  参考訳（メタデータ） (2023-05-26T05:52:27Z)

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。