論文の概要: Don't Overthink, Don't Underthink: Toward Adaptive Reasoning in Agentic AI

• arxiv url: http://arxiv.org/abs/2608.26442v1
• Date: Wed, 26 Aug 2026 22:45:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.197461
• Title: Don't Overthink, Don't Underthink: Toward Adaptive Reasoning in Agentic AI
• Title（参考訳）: エージェントAIのアダプティブ推論を目指して
• Abstract要約: 次世代のエージェントAIの最大の課題は、言語モデルがどの程度の推論を行うべきかではなく、進化するタスク要求に応じて推論を割り当てるべきかである。 我々は,過度な推論と過度な推論を誤配置推論の繰り返し失敗モードとして特徴付け,MATH-500とGAIA公開検証ベンチマークで評価する。
• 参考スコア（独自算出の注目度）: 0.15039745292757667
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in Large Language Models (LLMs) have shown that increased inference-time reasoning can improve performance on complex tasks. However, many existing approaches rely on fixed or preallocated reasoning controls, such as fixed token budgets, pre-execution difficulty estimates, or activation-space interventions, and are often evaluated on standalone reasoning benchmarks rather than full agentic workflows. These assumptions may not hold in agentic AI systems, where reasoning requirements evolve dynamically through planning, tool use, memory retrieval, and agent-to-agent interactions. Consequently, reasoning can become either excessive or insufficient, resulting in unnecessary computation, increased latency, planning drift, excessive tool use, or incomplete solutions. We argue that a major challenge for next-generation agentic AI is not merely how much reasoning a language model should perform, but how it should allocate reasoning according to evolving task demands. We characterize over-reasoning and under-reasoning as recurring failure modes of misallocated reasoning and evaluate them on MATH-500 and the GAIA public validation benchmark. Using tool-decision latency, token consumption, token-limit exhaustion, and answer correctness, our results suggest that cases classified as over-reasoning are associated with higher computational cost without proportional accuracy gains, whereas cases classified as under-reasoning are consistently associated with incorrect or incomplete solutions. These findings motivate future research on adaptive reasoning mechanisms for agentic AI.
• Abstract（参考訳）: 大規模言語モデル(LLM)の最近の進歩は、推論時間推論の増加が複雑なタスクの性能を向上させることを示している。 しかし、既存の多くのアプローチは、固定トークン予算、事前実行難度推定、アクティベーション空間の介入など、固定または予め割り当てられた推論制御に依存しており、完全なエージェントワークフローではなくスタンドアロンの推論ベンチマークで評価されることが多い。 これらの仮定は、計画、ツールの使用、メモリ検索、エージェントとエージェントのインタラクションを通じて推論要求が動的に進化するエージェントAIシステムでは成立しない可能性がある。 その結果、推論は過剰あるいは不十分になり、不必要な計算、遅延の増加、計画のドリフト、過剰なツールの使用、あるいは不完全なソリューションをもたらす可能性がある。 次世代のエージェントAIにとっての大きな課題は、言語モデルがどの程度の推論を行うべきかではなく、進化するタスク要求に応じて推論を割り当てるべきなのかである、と私たちは主張する。 我々は,過度な推論と過度な推論を誤配置推論の繰り返し失敗モードとして特徴付け,MATH-500とGAIA公開検証ベンチマークで評価する。 ツール決定遅延,トークン消費,トークン限界消耗,解答正当性を用いて,過剰推論に分類されるケースは,比例精度の上昇を伴わずに高い計算コストに関連付けられているのに対し,過度推論に分類されるケースは不完全あるいは不完全解に一貫して関連していることを示す。 これらの知見は,エージェントAIの適応推論機構の今後の研究を動機付けている。

関連論文リスト

• Thinking Hard, Not Smart: Reasoning Models Fail to Ration Test-Time Compute Across Questions [59.21329728895449]
  この設定を研究するための試験スタイル評価フレームワークを導入する。 モデルは、さまざまな困難と価値に関する質問に対して、戦略的に共通の予算を割り当てることに失敗している。 これらの知見は, 従来の調査単位の評価では得られない, 個別の能力として, グローバルな予算配分を確立した。
  論文  参考訳（メタデータ） (2026-08-08T07:04:28Z)
• Nice Fold or Hero Call: Learning Budget-Efficient Thinking for Adaptive Reasoning [9.687158786222994]
  大規模な推論モデル(LRM)は、拡張推論によって問題解決を改善するが、しばしばテスト時間計算を誤って配置する。 我々は,投資コストに配慮した報酬の下で,GRPOと行動開始を組み合わせた2段階の枠組みであるBudget-Efficient Thinking (BET)を提案する。 BETは、全体的なパフォーマンス改善を達成しながら、推論トークンを平均で55%削減する。
  論文  参考訳（メタデータ） (2026-05-12T06:51:31Z)
• AgentV-RL: Scaling Reward Modeling with Agentic Verifier [63.55502685076245]
  試験時間スケーリング(TTS)によるLCM推論を強化する検証器が実証されている。 本稿では,報酬モデリングを多ターンツール拡張型検討プロセスに変換するフレームワークであるエージェント検証を提案する。 Agentic Verifier は並列およびシーケンシャルTS の両方で一貫した性能向上が得られることを示す。
  論文  参考訳（メタデータ） (2026-04-17T12:27:36Z)
• When Should a Robot Think? Resource-Aware Reasoning via Reinforcement Learning for Embodied Robotic Decision-Making [68.12864562049957]
  身体ロボットシステムは、高レベルの推論をサポートするために、大規模言語モデル(LLM)ベースのエージェントにますます依存している。 エージェントはいつ、いつ、いつ行動すべきか? 本稿では,エンボディエージェントのリソース・アウェア・オーケストレーションのための階層的なフレームワークであるRARRL(Resource-Aware Reasoning via Reinforcement Learning)を提案する。
  論文  参考訳（メタデータ） (2026-03-17T15:38:50Z)
• Act, Think or Abstain: Complexity-Aware Adaptive Inference for Vision-Language-Action Models [7.802379200026965]
  認識状態の複雑さに基づいてVLA実行を動的にルーティングする適応型フレームワークを提案する。 我々のアプローチは、VLAの視覚言語バックボーンを、パラメトリックおよび非パラメトリック推定器のアンサンブルに潜伏埋め込みを投影することにより、アクティブな検出ツールに変換する。
  論文  参考訳（メタデータ） (2026-03-05T13:14:41Z)
• Precedent-Informed Reasoning: Mitigating Overthinking in Large Reasoning Models via Test-Time Precedent Learning [37.40951956513094]
  大規模言語モデル(LLM)における推論は、しばしば、冗長な自己探索と検証を伴う非効率な長い連鎖トレースに悩まされる。 過去の事例を利用して検索空間を制約し、試行錯誤を減らすという人間の推論パターンに着想を得て、先行インフォームド推論(PIR)を提案する。 PIRは、LEMの推論パラダイムを、徹底的な自己探索から、前例からの指導的学習に転換する。
  論文  参考訳（メタデータ） (2026-02-16T04:17:46Z)
• Conformal Thinking: Risk Control for Reasoning on a Compute Budget [60.65072883773352]
  大規模言語モデル(LLM)の推論により、トークンの予算が増加するにつれて、データセットレベルの精度が向上する。 我々は、予算設定問題をリスクコントロールとして再設定し、計算を最小化しながらエラー率を制限する。 我々のフレームワークは、モデルが自信のあるときに推論を停止する上位しきい値と、未解決のインスタンスを事前に停止させる新しい下位しきい値を導入する。
  論文  参考訳（メタデータ） (2026-02-03T18:17:22Z)
• GSM-Agent: Understanding Agentic Reasoning Using Controllable Environments [56.007498767771075]
  GSM-Agentは複雑な環境でエージェント推論を評価するための新しいベンチマークである。 我々は,環境文書の埋め込みをノードにクラスタ化することでエージェント推論パターンを分析し,各ツールコールを最も近いノードにマッピングする。 本稿では,LLMのエージェント推論性能を向上させるためのツール拡張テストタイムスケーリング手法を提案する。
  論文  参考訳（メタデータ） (2025-09-26T07:24:37Z)
• The Cost of Dynamic Reasoning: Demystifying AI Agents and Test-Time Scaling from an AI Infrastructure Perspective [3.0868637098088403]
  大規模言語モデル(LLM)ベースのAIエージェントは最近、動的推論を採用することで、印象的な汎用性を示した。 本稿では,AIエージェントを包括的に分析し,リソース使用量,遅延動作,エネルギー消費,テストタイムスケーリング戦略を定量化する。 その結果,エージェントは計算量の増加によって精度が向上する一方で,急速に低下するリターン,レイテンシのばらつきの拡大,持続不可能なインフラストラクチャコストに悩まされていることがわかった。
  論文  参考訳（メタデータ） (2025-06-04T14:37:54Z)
• Interactive Agents to Overcome Ambiguity in Software Engineering [61.40183840499932]
  AIエージェントは、あいまいで不明確なユーザー指示に基づいて、タスクを自動化するためにますますデプロイされている。 不安定な仮定をし、明確な質問をしないことは、最適以下の結果につながる可能性がある。 対話型コード生成設定において,LLMエージェントが不明瞭な命令を処理する能力について,プロプライエタリモデルとオープンウェイトモデルを評価して検討する。
  論文  参考訳（メタデータ） (2025-02-18T17:12:26Z)

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。