論文の概要: PoTRE: Test-Time Reasoning inspired by Cognitive Heterogeneity
- arxiv url: http://arxiv.org/abs/2607.20268v1
- Date: Wed, 22 Jul 2026 15:20:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-23 18:51:38.131109
- Title: PoTRE: Test-Time Reasoning inspired by Cognitive Heterogeneity
- Title（参考訳）: PoTRE: 認知的不均一性に触発されたテスト時間推論
- Abstract要約: PoTRE(Poly-Topological Reasoning Ensembles)は、推論を4つのエージェントに分解する異種フレームワークである。
我々は、ARC-AGI-2、HLE(Humanity's Last Exam)、PRBench Financeの3つのフロンティアベンチマークでPoTREを評価した。
PoTREはHLEで49.92%の最先端の精度を達成し、以前の最高得点を上回った。
- 参考スコア（独自算出の注目度）: 0.24554686192257422
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While Large Language Models (LLMs) excel at many tasks, they frequently struggle with complex reasoning that requires long-horizon planning and iterative error correction. Furthermore, standard single-stream prompting proves brittle when models encounter novel abstractions or rigorous domain constraints. We introduce PoTRE (Poly-Topological Reasoning Ensembles), a heterogeneous framework that decouples inference into four agents: (1) Adversarial Refinement Agent, (2) Hierarchical strategic Planning Agent, (3) Spectrum Search Agent, and (4) Direct Chain Agent. A final Task-Adaptive Aggregation Layer dynamically reconciles these perspectives -- via final candidate selection, semantic synthesis, or neuro-symbolic verification -- to produce a robust global solution. We evaluate PoTRE on three frontier benchmarks: ARC-AGI-2, Humanity's Last Exam (HLE), and PRBench Finance. PoTRE achieves state-of-the-art accuracy of 49.92% on HLE, surpassing the previous best official score. We demonstrate that this architectural heterogeneity achieves improved reasoning performance using similar or fewer inference tokens compared to heavily scaled homogeneous baselines.
- Abstract（参考訳）: 大きな言語モデル(LLM)は多くのタスクで優れていますが、長い水平計画と反復的な誤り訂正を必要とする複雑な推論にしばしば苦労します。
さらに、標準の単一ストリームプロンプトは、モデルが新しい抽象化や厳密なドメイン制約に直面すると不安定であることを示す。
本稿では,(1)敵対的再分極エージェント,(2)階層的戦略計画エージェント,(3)スペクトル探索エージェント,(4)直接連鎖エージェントの4つのエージェントに推論を分解する異種フレームワークであるPoTRE(Poly-Topological Reasoning Ensembles)を紹介する。
最後のTask-Adaptive Aggregation Layerは、最終的な候補の選択、セマンティック合成、あるいはニューロシンボリック検証を通じて、これらの視点を動的に調整し、堅牢なグローバルソリューションを生成する。
我々は、ARC-AGI-2、HLE(Humanity's Last Exam)、PRBench Financeの3つのフロンティアベンチマークでPoTREを評価した。
PoTREはHLEで49.92%の最先端の精度を達成し、以前の最高得点を上回った。
このアーキテクチャの不均一性は、非常にスケールした同質なベースラインと比較して、類似または少ない推論トークンを用いて推論性能を向上させることを実証する。
関連論文リスト
- Context, Reasoning, and Hierarchy: A Cost-Performance Study of Compound LLM Agent Design in an Adversarial POMDP [3.774094352572544]
プログラム状態抽象化は、使用されるトークン当たりの最大のリターンを提供する。
階層をまたいだ議論ツールの配布は、階層のみに対するパフォーマンスを低下させる。
議論のない階層分解は、ほとんどのモデルにとって最高の絶対的な性能を達成する。
論文 参考訳（メタデータ） (2026-05-15T17:23:08Z) - Council Mode: Mitigating Hallucination and Bias in LLMs via Multi-Agent Consensus [11.49727358706339]
大規模言語モデル(LLM)は、様々な自然言語処理タスクにまたがる優れた機能を実現している。
LLMはしばしば幻覚に悩まされ、もっともらしいが事実的に誤った内容を生み出す。
本稿では,新しいマルチエージェント・コンセンサス・フレームワークであるカウンシル・モードを提案する。
我々は、このアーキテクチャをオープンソースのAIワークスペースで実装し、評価する。
論文 参考訳（メタデータ） (2026-04-03T09:40:43Z) - Reasoning-Driven Multimodal LLM for Domain Generalization [72.00754603114187]
DomainBed-Reasoning データセットを用いた領域一般化における推論の役割について検討する。
MTCT(Multi-Task Cross-Training)とSARR(Self-Aligned Reasoning Regularization)の2つのコンポーネントからなるフレームワークであるRD-MLDGを提案する。
標準のDomainBedデータセットの実験は、RD-MLDGが補完的な最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2026-02-27T08:10:06Z) - Search-R2: Enhancing Search-Integrated Reasoning via Actor-Refiner Collaboration [49.9937230730202]
本稿では,新たなアクター・リファイナ・コラボレーション・フレームワークであるSearch-R2を提案する。
提案手法は,生成過程をアクターに分解し,最初の推論軌道を生成する。
本稿では,検索-R2がモデルスケール全体にわたって強力なRAGとRLベースのベースラインを一貫して上回ることを示す。
論文 参考訳（メタデータ） (2026-02-03T15:32:09Z) - An Analysis of Architectural Impact on LLM-based Abstract Visual Reasoning: A Systematic Benchmark on RAVEN-FAIR [0.0]
GPT-4.1-Miniは全アーキテクチャで最高精度を達成した。
それぞれのモデルは、アーキテクチャ設計に対して異なる感度パターンを示し、推論の有効性がモデル固有のものであることを強調した。
論文 参考訳（メタデータ） (2025-11-14T22:50:22Z) - Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。
Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。
SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
論文 参考訳（メタデータ） (2025-09-25T14:05:55Z) - DecoupleSearch: Decouple Planning and Search via Hierarchical Reward Modeling [56.45844907505722]
二重値モデルを用いて計画と探索プロセスを分離するフレームワークであるDecoupleSearchを提案する。
提案手法は,各ノードが計画と探索のステップを表す推論木を構築する。
推論中、階層的ビームサーチは、計画と探索候補を二重値モデルで反復的に洗練する。
論文 参考訳（メタデータ） (2025-09-07T13:45:09Z) - Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。
既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。
近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。
KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
論文 参考訳（メタデータ） (2025-06-11T12:03:52Z) - Why Do Multi-Agent LLM Systems Fail? [87.90075668488434]
MAST-Dataは7つの人気のあるMASフレームワークで収集された1600以上の注釈付きトレースの包括的なデータセットである。
我々はMAST(Multi-Agent System Failure Taxonomy)を初めて構築する。
MASTとMAST-Dataを利用して、モデル(GPT4、Claude 3、Qwen2.5、CodeLlama)とタスク(コーディング、数学、汎用エージェント)の障害パターンを分析します。
論文 参考訳（メタデータ） (2025-03-17T19:04:38Z) - A NotSo Simple Way to Beat Simple Bench [0.0]
本稿では,大規模言語モデル(LLM)における推論能力向上のための新しい枠組みを提案する。
モデル精度とロバスト性を改善するために,グローバルな整合性チェックと組み合わせたマルチステッププロンプト戦略を提案する。
クロードは論理的整合性を維持するのに優れ, GPT-4oは探索的創造性を示すが, 曖昧なプロンプトに苦しむ。
論文 参考訳（メタデータ） (2024-12-12T16:04:31Z) - Textualized Agent-Style Reasoning for Complex Tasks by Multiple Round LLM Generation [49.27250832754313]
我々は、llmベースの自律エージェントフレームワークであるAgentCOTを紹介する。
それぞれのステップで、AgentCOTはアクションを選択し、それを実行して、証拠を裏付ける中間結果を得る。
エージェントCOTの性能を高めるための2つの新しい戦略を導入する。
論文 参考訳（メタデータ） (2024-09-19T02:20:06Z)
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。