論文の概要: GATS: Graph-Augmented Tree Search with Layered World Models for Efficient Agent Planning

• arxiv url: http://arxiv.org/abs/2607.08894v1
• Date: Thu, 09 Jul 2026 19:34:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 14:47:12.733473
• Title: GATS: Graph-Augmented Tree Search with Layered World Models for Efficient Agent Planning
• Title（参考訳）: GATS:効率的なエージェント計画のための階層的世界モデルを用いたグラフ拡張木探索
• Abstract要約: textbfGATS (Graph-Augmented Tree Search) は、UCB1ベースの系統木探索と階層世界モデルを組み合わせた計画フレームワークである。 この結果から,学習した世界モデルによる体系的探索は,エージェント計画のためのLLM誘導探索よりも大幅に優れていることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Model (LLM) agents have shown promise in multi-step planning tasks, but existing approaches like LATS (Language Agent Tree Search) and ReAct rely heavily on LLM inference during planning, leading to high computational costs and stochastic behavior. We present \textbf{GATS} (Graph-Augmented Tree Search), a planning framework that combines systematic UCB1-based tree search with a layered world model to eliminate LLM calls during inference while achieving superior planning performance. Our three-layer world model integrates: (L1) exact symbolic action matching, (L2) statistics learned from execution logs, and (L3) LLM-based prediction for unknown actions. On synthetic planning tasks with branching paths and dead-ends, GATS achieves \textbf{100\% success rate} compared to 92 % for LATS and 64\% for ReAct. On a comprehensive stress test spanning 12 challenging scenarios -- including coding workflows, web navigation, and long-horizon tasks -- GATS maintains \textbf{100\% success} while LATS drops to 88.9 % and ReAct to 23.9%. GATS requires \textbf{zero LLM calls per task} during planning (vs. 37 per task for LATS) and produces deterministic plans with zero variance across runs. Our results demonstrate that systematic search with learned world models can substantially outperform LLM-guided exploration for agent planning.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、多段階計画タスクにおいて有望であるが、LATS(Language Agent Tree Search)やReActのような既存のアプローチは、計画中のLLM推論に大きく依存しており、高い計算コストと確率的振る舞いをもたらす。 本稿では,UCB1をベースとした木探索を階層化ワールドモデルと組み合わせた計画フレームワークであるtextbf{GATS}(Graph-Augmented Tree Search)について述べる。 我々の3層世界モデルは, (L1) 正確なシンボリック・アクションマッチング, (L2) 実行ログから得られた統計, (L3) 未知のアクションのLLMに基づく予測を統合している。 分岐経路とデッドエンドの合成計画タスクにおいて,GATSはLATSが92パーセント,ReActが64パーセントに対して,‘textbf{100\%成功率’を達成した。 コーディングワークフロー、Webナビゲーション、長期タスクを含む12の困難なシナリオにまたがる包括的なストレステストでは、GATSは \textbf{100\% success}を維持し、LATSは88.9%、ReActは23.9%に低下した。 GATS は計画中に \textbf{zero LLM call per task} を必要とする(LATS ではタスク当たり 37 )。 その結果、学習した世界モデルによる体系的な探索は、エージェント計画のためのLLM誘導探索よりも大幅に優れていることが示された。

関連論文リスト

• Does The Way You Plan Matter? An Empirical Study of Planning Representations for LLM Web Agents [43.297647791392144]
  エージェント性能における計画表現の影響を評価するフレームワークであるPlanAheadを紹介する。 まず、WebArenaタスクを3つの難易度に分類し、人間のアノテーションなしで一貫した難易度付けを可能にする。 次に,4つの異なる計画表現を,難易度に分類して体系的に評価する。
  論文  参考訳（メタデータ） (2026-05-28T13:39:49Z)
• PLAN-TUNING: Post-Training Language Models to Learn Step-by-Step Planning for Complex Problem Solving [66.42260489147617]
  大規模言語モデルから合成タスク分解を蒸留するフレームワークであるPLAN-TUNINGを紹介する。 複雑な推論を改善するために、教師付きおよび強化学習の目的を通したプランチューン細管モデル。 本分析は,計画軌道が複雑な推論能力をいかに改善するかを示す。
  論文  参考訳（メタデータ） (2025-07-10T07:30:44Z)
• 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)
• ConceptAgent: LLM-Driven Precondition Grounding and Tree Search for Robust Task Planning and Execution [33.252158560173655]
  ConceptAgentは、非構造化環境でのタスク実行用に設計された自然言語駆動のロボットプラットフォームである。 本研究では,1)不可能な行動の防止と回復を目的とした述語接地,2)自己反射を用いたLLM誘導モンテカルロ木探索の具体化など,欠点を抑えるために設計されたイノベーションを提案する。
  論文  参考訳（メタデータ） (2024-10-08T15:05:40Z)
• Exploring and Benchmarking the Planning Capabilities of Large Language Models [57.23454975238014]
  この研究は、大規模言語モデル(LLM)の計画能力を改善するための基礎を築いた。 我々は、古典的な計画ベンチマークと自然言語シナリオの両方を含む包括的なベンチマークスイートを構築した。 本研究は,LLM計画の強化を目的としたマルチショットインコンテキスト学習について検討し,文脈長の増大と計画性能の向上の関係について検討する。
  論文  参考訳（メタデータ） (2024-06-18T22:57:06Z)
• NATURAL PLAN: Benchmarking LLMs on Natural Language Planning [109.73382347588417]
  本稿では,3つのタスク – トリップ計画,ミーティング計画,カレンダースケジューリング – を含む,自然言語の現実的な計画ベンチマークであるNATURAL PLANを紹介する。 我々は、Google Flights、Google Maps、Google Calendarなどのツールからの出力を、モデルに対するコンテキストとして提供することによって、タスクに関する完全な情報を備えたLCMの計画能力に焦点をあてる。
  論文  参考訳（メタデータ） (2024-06-06T21:27:35Z)
• ADaPT: As-Needed Decomposition and Planning with Language Models [131.063805299796]
  As-Needed Decomposition and Planning for Complex Tasks (ADaPT)について紹介する。 ADaPTは、Large Language Modelsがそれらを実行できない場合、複雑なサブタスクを明示的に計画し、分解する。 以上の結果から,ADaPTは強いベースラインを確立した。
  論文  参考訳（メタデータ） (2023-11-08T17:59:15Z)
• 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)
• TaskLAMA: Probing the Complex Task Understanding of Language Models [13.336015994186955]
  構造化複雑タスク分解(Structured Complex Task Decomposition, SCTD)は、複雑な現実世界のタスクを、タスク達成に寄与する個々のステップ上の有向非巡回グラフに分解する問題である。 我々は,Large Language Models (LLMs) から抽出した知識を用いて,SCTDの精度を検証した。 実験の結果,LLMは複雑なタスクを個々のステップに効果的に分解できることがわかった。
  論文  参考訳（メタデータ） (2023-08-29T13:36:45Z)

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。