論文の概要: Continuous Interaction Diffusion: A Diffusion-Native Runtime for Asynchronous Tool-Augmented Reasoning

• arxiv url: http://arxiv.org/abs/2608.10438v1
• Date: Tue, 11 Aug 2026 03:35:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.89229
• Title: Continuous Interaction Diffusion: A Diffusion-Native Runtime for Asynchronous Tool-Augmented Reasoning
• Title（参考訳）: 継続的相互作用拡散: 非同期ツール強化推論のための拡散ネイティブランタイム
• Abstract要約: 大規模言語モデルは、最新の情報にアクセスし、計算を行い、外の世界と対話するために、ますます外部ツールに依存している。 自動回帰モデルの場合、ツールの使用は生成プロセスに自然に適合する。 モデルの推論が安定化する前にツールの決定を強制し、個別の呼び出しが終わるまで有用な観察を遅らせ、冗長な洗練とツール実行を導入する。 モデルインタラクションをデノイングに統合する拡散実行型アーキテクチャであるContinuous Interaction Diffusion (CID)を紹介する。
• 参考スコア（独自算出の注目度）: 10.650418762477475
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models increasingly rely on external tools to access up-to-date information, perform computation, and interact with the outside world. For autoregressive models, tool use naturally fits the generation process: the model emits a tool call, waits for the result, and then continues generating. Diffusion language models (dLLMs), however, reason by repeatedly refining many parts of their output in parallel, making this stop-and-resume interaction pattern unnecessarily restrictive. It can force tool decisions before the model's reasoning has stabilized, delay useful observations until a discrete call finishes, and introduce redundant refinement and tool execution, potentially hurting both task accuracy and inference efficiency. We introduce Continuous Interaction Diffusion (CID), a diffusion-native model--runtime architecture that integrates tool interaction into iterative denoising. CID separates a model-read-only fact channel, a thought channel represented by a Typed Cognitive Tensor, and a display channel. Information needs can emerge before a textual or JSON call is fully serialized, allowing perceptual bindings to launch external reads while denoising continues. Returned results are projected into the evolving thought state and can revise earlier cognition and display regions. Persistent bindings reuse static results without repeated external execution and refresh changing sources when needed. CID is designed to expose evidence earlier, overlap tool latency with model computation, reduce duplicate external work, and preserve useful computation after new evidence arrives. We formalize the architecture, runtime, and training objectives, and define an evaluation protocol for task quality and end-to-end efficiency. This first paper focuses on read-only tools and makes no empirical performance claims.
• Abstract（参考訳）: 大規模言語モデルは、最新の情報にアクセスし、計算を行い、外の世界と対話するために、ますます外部ツールに依存している。 自動回帰モデルの場合、ツールの使用は生成プロセスに自然に適合する。 しかし、拡散言語モデル (dLLMs) は、その出力の多くの部分を並列に繰り返し精製することで、この停止と再帰の相互作用パターンは必然的に制限される。 モデルの推論が安定化する前にツールの決定を強制し、離散的な呼び出しが終わるまで有用な観察を遅らせ、冗長な改善とツール実行を導入し、タスクの正確性と推論効率の両方を損なう可能性がある。 ツールインタラクションを反復的認知に統合する,拡散ネイティブなモデルランタイムアーキテクチャであるContinuous Interaction Diffusion (CID)を紹介する。 CIDは、モデル読み取りのみのファクトチャネルと、Typed Cognitive Tensorで表される思考チャネルと、表示チャネルとを分離する。 テキスト呼び出しやJSON呼び出しが完全にシリアライズされる前に、情報が要求される可能性がある。 返却された結果は進化する思考状態に投影され、早期の認知領域と表示領域を修正できる。 永続的バインディングは、外部実行を繰り返し行わずに静的な結果を再利用し、必要に応じてソースをリフレッシュする。 CIDは、エビデンスを先に公開し、ツール遅延をモデル計算と重複させ、外部処理の重複を低減し、新たなエビデンスが到着した後に有用な計算を保存するように設計されている。 アーキテクチャ、ランタイム、トレーニングの目的を形式化し、タスク品質とエンドツーエンド効率の評価プロトコルを定義します。 本稿では,リードオンリーのツールに焦点をあて,実証的な性能評価は行わない。

関連論文リスト

• Looped Language Models Improve Compositional Tool Calling [16.36140240070991]
  ループ型言語モデルは推論ベンチマークで有望な結果を示しているが、エージェントツールの使用の可能性はほとんど解明されていない。 モデルでは,複数のAPIコールをコーディネートし,中間状態を保ち,ツール間のインタラクションの依存関係を保存する必要がある。 この結果から,ループ型言語モデルは,構成ツールの使用に対して,信頼性の高い計画,調整,実行を必要とするエージェントシステムにとって有望なアーキテクチャであることが示唆された。
  論文  参考訳（メタデータ） (2026-08-17T18:17:54Z)
• ATLAS: Agentic or Latent Visual Reasoning? One Word is Enough for Both [55.182037225013836]
  ATLASは、単一の独立した「ワード」を機能トークンと呼び、エージェント操作と潜在視覚推論ユニットの両方として機能するフレームワークである。 ATLASは、明確な解釈可能性を維持しながら、挑戦的なベンチマークで優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-05-14T17:59:55Z)
• In-Context Reinforcement Learning for Tool Use in Large Language Models [68.66653829365187]
  大規模言語モデル(LLM)は強力な推論能力を示すが、複雑なタスクにおける性能は内部知識によって制約されることが多い。 In-Context Reinforcement Learning (ICRL) を提案する。 ICRLは最先端のパフォーマンスを実現し、従来のSFTベースのパイプラインに代わるスケーラブルでデータ効率の高い代替手段としての有効性を示す。
  論文  参考訳（メタデータ） (2026-03-09T08:06:18Z)
• UniT: Unified Multimodal Chain-of-Thought Test-time Scaling [85.590774707406]
  統一モデルは単一のアーキテクチャ内でマルチモーダル理解と生成の両方を扱うことができるが、通常は出力を反復的に書き換えることなく単一のパスで操作する。 マルチモーダルなテストタイムスケーリングのためのフレームワークであるUniTを導入し、単一の統一モデルで複数のラウンドをまたいだ推論、検証、精査を可能にします。
  論文  参考訳（メタデータ） (2026-02-12T18:59:49Z)
• Self-Consistency as a Free Lunch: Reducing Hallucinations in Vision-Language Models via Self-Reflection [71.8243083897721]
  視覚言語モデルは、しばしば詳細を幻覚させ、既存のオブジェクトを生成するか、出力信頼性を損なう不正確な属性を生成する。 本稿では、長文応答と短文応答の自己整合性を利用して、学習のための選好ペアを生成する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-27T10:37:11Z)
• Whoever Started the Interference Should End It: Guiding Data-Free Model Merging via Task Vectors [27.848233831749216]
  textbfWUDI-Merging(textbfWhoever started the interference shotextbfUld entextbfD textbfIt)は、追加データや再スケーリング係数なしで干渉を排除するモデルマージ手法である。 視覚と言語ベンチマークの総合的な経験的評価は、我々の方法の優位性を示している。
  論文  参考訳（メタデータ） (2025-03-11T07:01:35Z)
• Self-Improvement in Language Models: The Sharpening Mechanism [70.9248553790022]
  我々は、レンズを通して自己改善の能力について、新たな視点を提供する。 言語モデルは、正しい応答を生成する場合よりも、応答品質の検証が優れているという観察に感銘を受けて、後学習において、モデル自体を検証対象として、自己改善を形式化する。 SFTとRLHFに基づく自己改善アルゴリズムの2つの自然ファミリーを解析する。
  論文  参考訳（メタデータ） (2024-12-02T20:24:17Z)
• COrAL: Order-Agnostic Language Modeling for Efficient Iterative Refinement [80.18490952057125]
  反復改良は、複雑なタスクにおける大規模言語モデル(LLM)の能力を高める効果的なパラダイムとして登場した。 我々はこれらの課題を克服するために、コンテキストワイズ順序非依存言語モデリング(COrAL)を提案する。 当社のアプローチでは、管理可能なコンテキストウィンドウ内で複数のトークン依存関係をモデル化しています。
  論文  参考訳（メタデータ） (2024-10-12T23:56:19Z)

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。