Fugu-MT 論文翻訳(概要): Lomekwi: Resource-Bounded Tool Discovery in LLM Agents

論文の概要: Lomekwi: Resource-Bounded Tool Discovery in LLM Agents

arxiv url: http://arxiv.org/abs/2607.16961v1
Date: Sat, 18 Jul 2026 20:40:13 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-21 18:48:37.311489
Title: Lomekwi: Resource-Bounded Tool Discovery in LLM Agents
Title（参考訳）: Lomekwi: LLMエージェントのリソース境界ツール発見
Abstract要約: ツールの使用を好奇心、認識、効率に分解する。このフレームワークは、Voyagerのような既存の発見タスクにも適用可能であることを示す。
参考スコア（独自算出の注目度）: 2.06749085915751
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Existing tool-use benchmarks report a single success rate for complex, multistep tasks. Inspired by ideas from cognitive science, we distinguish tool use from tool discovery and decompose the latter into curiosity (the model's ability to discover the parts needed to build the tool), recognition (the model's ability to discover the process of creating the tool), and efficiency (the model's use of the tool after creation). We show that this framework can be applied to existing discovery tasks, such as Voyager. In addition, we provide evidence that recognition inversely scales with model size, and we introduce and analyze a class of combinatorial games that demonstrates this. We further observe inverse scaling in a separate environment designed to emulate real-world tasks.
Abstract（参考訳）: 既存のツール使用ベンチマークでは、複雑なマルチステップタスクの単一成功率が報告されている。認知科学のアイデアに触発されて、ツールの使用とツールの発見とを区別し、後者を好奇心(ツールを構築するために必要な部品を発見するモデルの能力)、認識(ツールを作成するプロセスを発見するモデルの能力)、効率(作成後のツールの使用)に分解する。このフレームワークは、Voyagerのような既存の発見タスクにも適用可能であることを示す。さらに,認識がモデルサイズと逆スケールする証拠を提示し,これを実証する組合せゲームの種類を紹介し,分析する。さらに、現実世界のタスクをエミュレートするように設計された別の環境で、逆スケーリングを観察する。

関連論文リスト

SciToolAgent-Evo: An Ontology-Aware Self-Evolving Agent for Open-World Scientific Tool Acquisition [53.36281538053445]
SciToolAgent-Evoは,オープンワールドの科学ツール獲得のためのオントロジーを意識した自己進化エージェントである。スキル、経験、およびオンロジ化されたツールグラフの進化した記憶によって駆動され、蓄積中の対照的な軌跡から一般化可能な知識を抽出する。新たなツールが取得されると、その科学的知識はオンラインで完了し、既知のグラフにシームレスに統合される。
論文参考訳（メタデータ） (2026-07-30T08:47:11Z)
SING: Synthetic Intention Graph for Scalable Active Tool Discovery in LLM Agents [64.59100414726556]
大規模言語モデル(LLM)エージェントは、コンテキスト、ツール、マルチターン実行を管理するハーネスに依存している。 Retrieval-augmented Tool selectionは、自然な代替手段を提供するが、既存のワンショット検索方法は、独立したツール記述とエージェントの真のタスク意図との整合に失敗する。我々は、ユーザ意図、ツール機能、ツールコラボレーションパターンをリンクするインテントツーオールグラフを構築する、意図認識型のアクティブツール発見フレームワークであるSINGを提案する。
論文参考訳（メタデータ） (2026-06-15T11:37:37Z)
Creative Robot Tool Use by Counterfactual Reasoning [12.0843035300871]
本稿では,タスクに適したツールを適切な目的以上の用途に正しく識別する,クリエイティブなロボットツール用因果推論フレームワークを提案する。因果発見問題を,VLMに基づく特徴提案と対実ツール生成の2つの相補的な構成要素に分解する。動的モデルでタスクを再構築することにより、我々のアプローチは問題の物理学におけるツールの使用を基礎にしている。
論文参考訳（メタデータ） (2026-05-06T20:10:28Z)
PORTool: Tool-Use LLM Training with Rewarded Tree [11.154654446183455]
本稿では,ツール利用のLLMにおいて,正しい解答を得られる様々な軌跡を探索する強化学習法を提案する。異なる軌跡をまたいだ共有ステップは同じ報酬を受け取り、同じフォークの下の異なるステップは異なる報酬を受け取る。実験では17のツールを使用してユーザクエリに対処し、時間に敏感なトピックと時間に変化しないトピックの両方をカバーする。
論文参考訳（メタデータ） (2025-10-29T23:28:53Z)
ToolLibGen: Scalable Automatic Tool Creation and Aggregation for LLM Reasoning [80.10274552177096]
外部ツールを備えたLarge Language Models (LLM) は、複雑な推論タスクにおけるパフォーマンスの向上を実証している。このツールに強化された推論が広く採用されるのは、ドメイン固有のツールが不足しているためである。構造化ツールライブラリに非構造化ツールのコレクションを自動的に組み込むための体系的なアプローチを提案する。
論文参考訳（メタデータ） (2025-10-09T04:11:16Z)
ToolACE-DEV: Self-Improving Tool Learning via Decomposition and EVolution [77.86222359025011]
ツール学習のための自己改善フレームワークであるToolACE-DEVを提案する。まず、ツール学習の目的を、基本的なツール作成とツール利用能力を高めるサブタスクに分解する。次に、軽量モデルによる自己改善を可能にする自己進化パラダイムを導入し、高度なLCMへの依存を減らす。
論文参考訳（メタデータ） (2025-05-12T12:48:30Z)
LLM With Tools: A Survey [0.0]
本稿では,LCMに外部ツールの使用を教える領域における方法論,問題点,展開について述べる。ユーザ命令を実行可能なプランにマッピングする一連の関数によってガイドされるツール統合のための標準化パラダイムを導入する。調査の結果,ツール起動タイミング,選択精度,堅牢な推論プロセスの必要性など,さまざまな課題が明らかになった。
論文参考訳（メタデータ） (2024-09-24T14:08:11Z)
Towards Completeness-Oriented Tool Retrieval for Large Language Models [60.733557487886635]
現実世界のシステムは多種多様なツールを組み込んでおり、全てのツールを大規模言語モデルに入力することは不可能である。既存のツール検索手法は主にユーザクエリとツール記述間のセマンティックマッチングに焦点を当てている。我々は,ユーザクエリとツール記述のセマンティックな類似性だけでなく,ツールの協調的情報も考慮した,新しいモデル診断型協調学習型ツール検索手法であるCOLTを提案する。
論文参考訳（メタデータ） (2024-05-25T06:41:23Z)
Learning Generalizable Tool-use Skills through Trajectory Generation [13.879860388944214]
4つの異なる変形可能なオブジェクト操作タスクで1つのモデルをトレーニングします。モデルは様々な新しいツールに一般化され、ベースラインを大幅に上回る。トレーニングされたポリシーを、目に見えないツールを使って現実世界でテストし、人間に匹敵するパフォーマンスを実現します。
論文参考訳（メタデータ） (2023-09-29T21:32:42Z)
Tool Learning with Foundation Models [158.8640687353623]
基礎モデルの出現により、AIシステムは、人間としてのツールの使用に等しく適応できる可能性がある。その大きな可能性にもかかわらず、この分野における重要な課題、機会、そして将来の取り組みに関する包括的な理解はいまだに欠けている。
論文参考訳（メタデータ） (2023-04-17T15:16:10Z)
TANGO: Commonsense Generalization in Predicting Tool Interactions for Mobile Manipulators [15.61285199988595]
タスク固有のツール相互作用を予測するための新しいニューラルモデルであるTANGOを紹介します。 TANGOは、グラフニューラルネットワークを使用して、オブジェクトとそれらの間のシンボリックな関係からなる世界状態をエンコードする。知識ベースから学習した組込みによる環境表現の強化により,新しい環境に効果的に一般化できることを示す。
論文参考訳（メタデータ） (2021-05-05T18:11:57Z)

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。