Fugu-MT 論文翻訳(概要): Recursive Agentic Reasoning

論文の概要: Recursive Agentic Reasoning

arxiv url: http://arxiv.org/abs/2608.23956v1
Date: Tue, 25 Aug 2026 01:34:08 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-26 14:09:34.727513
Title: Recursive Agentic Reasoning
Title（参考訳）: Recursive Agentic Reasoning
Abstract要約: 反復精製、分解、繰り返しサンプリングといったテスト時間推論手法は、しばしば分離して評価される。エージェントの推論トレース上の再帰演算子として,これらの手法の統一ビューを導入する。同一のプロンプト、トークン予算、グレーディングコードを持つ共有ハーネスの下で、3つの演算子全てをシングルパスチェーン・オブ・ソートベースラインに対して評価する。
参考スコア（独自算出の注目度）: 4.7490116928645065
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Test-time reasoning methods such as iterative refinement, decomposition, and repeated sampling are often evaluated in isolation, making their gains difficult to compare across models, benchmarks, and evaluation pipelines. We introduce a unified view of these methods as recursion operators over an agent's reasoning trace: GROW, which deepens a single reasoning path; PRUNE, which decomposes and recomposes the problem; and BRANCH, which samples alternative reasoning paths and selects among them. We evaluate all three operators against a single-pass chain-of-thought baseline under a shared harness with identical prompts, token budgets, and grading code. Across five benchmarks and three frontier models, comprising 14 model-benchmark settings, 49,327 graded items, and 151,876 model calls, BRANCH improves accuracy in all 14 settings by an average of 5.98 percentage points and is the best-performing operator in 12. In contrast, GROW yields a mean gain of 2.18 points and degrades performance in two settings, while PRUNE improves accuracy by 0.94 points on average. Analysis shows that BRANCH's advantage arises not only from exploring multiple reasoning paths, but also from recovering from truncation: its gains strongly correlate with the baseline rate of empty, budget-exhausted outputs (r = 0.72). These results weaken the hypothesis that different problems require routing among test-time reasoning operators; at this level of abstraction, repeated branching is consistently dominant. Finally, we show that unpaired evaluation and treating scoring-pipeline failures as model errors can materially change, and even reverse, comparative conclusions, motivating paired scoring as a standard protocol for test-time-compute evaluation.
Abstract（参考訳）: 反復的洗練、分解、繰り返しサンプリングといったテスト時の推論手法は、しばしば分離して評価されるため、モデル、ベンチマーク、評価パイプライン間で比較するのが困難である。本稿では,エージェントの推論トレース上の再帰演算子として,単一推論経路を深くするGROW,問題を分解・再構成するPRUNE,代替推論経路を抽出して選択するBRANCHを紹介する。同一のプロンプト、トークン予算、グレーディングコードを持つ共有ハーネスの下で、3つの演算子全てをシングルパスチェーン・オブ・ソートベースラインに対して評価する。 14のモデルベンチマーク設定、49,327のグレードアイテム、151,876のモデルコールを含む5つのベンチマークと3つのフロンティアモデルにおいて、BRANCHは平均5.98ポイントの精度向上を実現し、12のベストパフォーマンスオペレータである。対照的に、GROWは平均2.18ポイントを獲得し、2つの設定で性能を低下させ、PRUNEは平均0.94ポイントの精度を向上する。分析によれば、BRANCHの利点は、複数の推論経路を探索するだけでなく、切り離しから回復することからも生じ、その利得は、空で予算を消費する出力(r = 0.72)の基準レートと強く相関している。これらの結果は、異なる問題がテスト時間推論演算子間のルーティングを必要とするという仮説を弱める。最後に,テスト時間計算評価の標準プロトコルとしてペアリングスコアリングをモチベーションすることで,モデル誤差として評価と評価の欠如が現実的に変化し,比較結果が逆になる可能性を示した。

関連論文リスト

CARRE: Counterfactual Action Retrieval and Reason Evaluation for Explainable Churn Prescription [5.823033362443801]
CARREは,検索強化候補生成,費用対効果評価,大規模言語モデル(LLM)推論を組み合わせた3段階のフレームワークである。 IBM Telco Customer Churnデータセットでは、CARREは通常のSHAPベースラインよりも79.8%高い平均モデル予測リスク削減を実現している。
論文参考訳（メタデータ） (2026-09-09T06:08:02Z)
PerceptionRubrics: Calibrating Multimodal Evaluation to Human Perception [75.70273182182397]
PerceptionRubricsはルーブリックベースの評価フレームワークである。飽和ベンチマークスコアと現実世界の脆さのギャップに対処する。 1,038枚のインフォメーションセンス画像と1万個以上のインスタンス固有のルーリックをペアリングする。
論文参考訳（メタデータ） (2026-06-26T17:59:15Z)
When to Retrieve During Reasoning: Adaptive Retrieval for Large Reasoning Models [13.891522069967507]
本稿では、推論対応検索フレームワークReaLM-Retrieveを紹介する。ステップレベルの不確実性検出は、トークンや文レベルではなく、推論ステップで知識ギャップを識別する。検索介入政策は、外部証拠が進行中の推論に最大限の利益をもたらすことを学習する。
論文参考訳（メタデータ） (2026-04-29T13:15:44Z)
ContraPrompt: Contrastive Prompt Optimization via Dyadic Reasoning Trace Analysis [0.6372261626436676]
ContraPromptは、モデルが失敗してもフィードバックで再試行を成功させる場合、その差が最適化信号を構成するという観測に基づいて構築される。従来のコントラスト法とは異なり、完全な中間的推論過程を比較する。 ContraPromptは11日にGEPAを41で破り、同じ予算で1で敗れた。
論文参考訳（メタデータ） (2026-04-20T08:17:15Z)
On the Role of Reasoning Patterns in the Generalization Discrepancy of Long Chain-of-Thought Supervised Fine-Tuning [63.41902113656453]
長いチェーン・オブ・ソート(CoT)軌道上でのSFT(Supervised Fine-Tuning)は、大きな推論モデルを構築する上で重要なフェーズとなっている。 2つの競合モデルによって生成された2つの検証されたCoT軌道源を用いて比較研究を行う。 textttDeepSeek-R1-0528データ上のSFTは、トレーニング損失を著しく低減するが、一般化性能は著しく低下する。
論文参考訳（メタデータ） (2026-04-02T07:00:54Z)
On Randomness in Agentic Evals [6.177270420667714]
エージェントシステムは、エージェントがタスクを解決するために環境と対話するベンチマークで評価される。ほとんどの論文では、タスク毎にひとつの実行から計算されたpass@1スコアが報告されている。単一ランパス@1推定値は、どのランが選択されたかによって2.2から6.0ポイント異なる。
論文参考訳（メタデータ） (2026-02-06T19:49:13Z)
Solver-in-the-Loop: MDP-Based Benchmarks for Self-Correction and Behavioral Rationality in Operations Research [19.31559944205485]
運用調査実践者は反復的なプロセスを通じて、不可能なモデルを日常的にデバッグする。評価ループにtextbfsolver を配置するベンチマークを2つ導入する。ドメイン固有のRLVRトレーニングによって、8BモデルがフロンティアAPIを越えられることが分かりました。
論文参考訳（メタデータ） (2026-01-28T20:02:44Z)
Efficient Thought Space Exploration through Strategic Intervention [54.35208611253168]
本稿では,この知見を2つの相乗的コンポーネントを通して操作するHint-Practice Reasoning(HPR)フレームワークを提案する。フレームワークの中核となる革新は、動的に介入点を識別する分散不整合低減(DIR)である。算術的および常識的推論ベンチマークによる実験は、HPRの最先端の効率-精度トレードオフを実証している。
論文参考訳（メタデータ） (2025-11-13T07:26:01Z)
DeepPrune: Parallel Scaling without Inter-trace Redundancy [53.62015294143274]
並列推論トレースの80%以上は、実質的な無駄な計算を代表して、同じ最終回答をもたらす。動的プルーニングによる効率的な並列スケーリングを実現する新しいフレームワークであるDeepPruneを提案する。我々の研究は並列推論のための新しい標準を確立し、高性能推論をより効率的にする。
論文参考訳（メタデータ） (2025-10-09T17:24:54Z)
Do Repetitions Matter? Strengthening Reliability in LLM Evaluations [0.374750127323442]
LLMのリーダーボードはシングルランに依存することが多いが、信頼できる結論を得るために何回繰り返しが必要なのかは不明だ。我々は、AI4Mathベンチマークで8つの最先端モデルを再評価し、設定ごとに3つの独立した実行を実行しました。
論文参考訳（メタデータ） (2025-09-28T21:45:20Z)
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)
SEAL: Steerable Reasoning Calibration of Large Language Models for Free [58.931194824519935]
大規模言語モデル(LLM)は、拡張チェーン・オブ・ソート(CoT)推論機構を通じて複雑な推論タスクに魅力的な機能を示した。最近の研究では、CoT推論トレースにかなりの冗長性が示されており、これはモデル性能に悪影響を及ぼす。我々は,CoTプロセスをシームレスに校正し,高い効率性を示しながら精度を向上する,トレーニング不要なアプローチであるSEALを紹介した。
論文参考訳（メタデータ） (2025-04-07T02:42:07Z)

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。