論文の概要: Never Stop Thinking: Continuous-Time Language Agents
- arxiv url: http://arxiv.org/abs/2609.17416v1
- Date: Sat, 11 Jul 2026 14:42:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.540191
- Title: Never Stop Thinking: Continuous-Time Language Agents
- Title（参考訳）: 考えるのをやめる - 継続的言語エージェント
- Abstract要約: そこで本研究では,軽量な割り込み再生オーケストレータの下で,修正されていないテキストモデルから連続時間認知が出現することを示す。
継続的思考がエージェントの達成を向上するかどうかを測定するために、ReactiveBenchを導入します。
- 参考スコア（独自算出の注目度）: 0.33451037881913753
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Voice agents built on LLMs follow a rigid listen-think-speak loop that inserts seconds of dead air before every reply. We show that continuous-time cognition (thinking while listening and thinking while speaking) emerges from an unmodified text model under a lightweight interrupt-and-resume orchestrator, cutting live-pipeline latency by 19% overall and by half in the regime the mechanism targets. To measure whether continuous-time thinking improves what agents accomplish, we introduce ReactiveBench: 120 interactive scenarios scored against pre-registered binary requirements, plus a verifiable streaming track scored by exact correctness. ReactiveBench exposes a pitfall with broad consequences: LLM judges reward visible reasoning; a large judged "advantage" of continuous-time thinking reverses sign under an independent judge, and judge-trained models objectively complete fewer requirements when they think. A five-stage training study then locates the right signal at three levels. Its source: verifiable objectives turn thinking from harmful to helpful. Its structure: whatever a uniform reward omits, optimization trades away; brevity everywhere erodes multi-hop tool chaining. Its optimizer: preference optimization can only trade conflicting sub-goals against each other, while on-policy RL over a type-shaped reward improves every correctness axis at once, raising streaming completion from 48% to 73+/-5% across seeds and replicating at larger scale and on a second model. Orchestration makes continuous-time interaction possible; a verifiable signal, correctly sourced, shaped, and optimized, makes it good.
- Abstract（参考訳）: LLM上に構築された音声エージェントは、応答毎に数秒のデッドエアを挿入する、厳格な聞き取りループに従っている。
提案手法では,無修正のテキストモデルから,軽量な中断・記憶オーケストレータの下での連続的な認知(聞き取りと思考)が出現し,ライブパイプラインのレイテンシを全体として19%削減し,その機構が対象とするシステム内で半分削減することを示す。
継続的思考がエージェントの達成を向上するかどうかを測定するために、ReactiveBenchを紹介します。
LLM は報酬の可視的推論を判断する 継続的思考の大規模な "アドバンテージ" は独立した判断の下でサインされ、判断訓練されたモデルは思考時に客観的に少ない要求を満足する 。
5段階のトレーニングでは、正しい信号を3つのレベルに配置する。
根拠:検証可能な目的は、思考を有害なものから役に立つものへと変える。
その構造: 均一な報酬の省略、最適化のトレードオフ、そして至るところでマルチホップツールの連鎖が損なわれている。
その最適化方法: 選好最適化は競合するサブゴールと競合するサブゴールとしか交換できないが、型型の報酬に対するオンラインRLは一度にすべての正当性軸を改善し、ストリーミング完了をシード全体で48%から73+/-5%に引き上げ、より大規模かつ第2のモデルで複製する。
整合性のある信号は、正しくソース化され、形が整い、最適化され、良好なものである。
関連論文リスト
- Flash-BoN: Instant Drafts for Inference-Time Scaling in Diffusion Models [91.19049123903137]
テキストから画像への推論時間のスケーリングは、単純なBest-of-N$サンプリングからガイド付き検索方法まで進歩している。
これらのアプローチは、いつ、どの程度の頻度でデノベーションを行うかに焦点が当てられているが、生成自体のコストを固定として扱うのがほとんどである。
ウォールクロック評価では、単純なBoNが既にいくつかのガイド付き検索手法に適合または優れていたことを示す。
論文 参考訳（メタデータ） (2026-07-05T19:02:32Z) - Learning When to Think While Listening in Large Audio-Language Models [21.451503274426596]
LALM(Large Audio-Language Models)のための学習可能な待ち行列制御形式を導入する。
人間の会話の漸進的な性質に触発され、コントローラーは、いつ待つか、いつ答えるかという部分的なオーディオ証拠に基づいて決定する。
その結果,6リワードDAPOコントローラの行重み付け精度は67.6%から70.3%に向上し,終端から終端までの長さを14%削減した。
論文 参考訳（メタデータ） (2026-05-26T15:43:11Z) - StreamPro: From Reactive Perception to Proactive Decision-Making in Streaming Video [53.82672457255517]
プロアクティブなストリーミングビデオ理解には、ビデオストリームを継続的に処理し、応答すべきタイミングを決定するモデルが必要である。
既存のベンチマークは、明確な証拠が現れた後にのみ応答がトリガーされる"シー・ザ・アンサー"パラダイムに大きく従っている。
StreamProは、パーセプション理解、テンポラル推論、プロアクティブエージェンシーの3つの相補的な視点からストリーミングモデルを評価する新しいベンチマークである。
論文 参考訳（メタデータ） (2026-05-11T05:01:15Z) - Correct Answers from Sound Reasoning: Verifiable Process Supervision for Language Models [94.68358825189738]
本稿では,予測精度と推論品質を協調的に最適化する検証済み領域の学習後フレームワークを提案する。
我々は,エンジン信号に対して推論ステップを確定的に検証できる制御テストベッドであるチェスのVPSを評価する。
VPSは、推論品質を著しく向上させながら精度を保ち、勝利率エラーを最大30%削減し、一貫性をほぼ飽和状態に回復する。
論文 参考訳（メタデータ） (2026-04-03T15:19:46Z) - Balancing Faithfulness and Performance in Reasoning via Multi-Listener Soft Execution [79.98699884805636]
Reasoning Execution by Multiple Listeners (REMUL) は多人数の強化学習手法である。
REMULは、推論が他の当事者に従えるかがより忠実になるという仮説に基づいている。
スピーカーは、リスナーにとって明らかな推論を生み出すことで報われます。
論文 参考訳（メタデータ） (2026-02-18T02:55:55Z) - CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。
エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。
CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
論文 参考訳（メタデータ） (2025-12-22T16:34:21Z) - ReLook: Vision-Grounded RL with a Multimodal LLM Critic for Agentic Web Coding [35.30369059154906]
ReLookはエージェント的で視覚的な強化学習フレームワークである。
エージェントが堅牢な生成-診断-リファインループをクローズする権限を与える。
ヴィジュアライズされたフロントエンドコード生成において、一貫して強力なベースラインを上回ります。
論文 参考訳（メタデータ） (2025-10-13T15:05:50Z) - Can Speech LLMs Think while Listening? [34.188674303810394]
CoT(Chain-of- Thought)はテキストベース音声モデルの推論能力を大幅に向上させることが示されている。
そこで本研究では,テキスト空間における推論により,音声のLLMの精度が平均2.4倍向上することを示す。
ユーザクエリが終了する前に,モデルが推論を開始できるようにすることで,推論から追加のレイテンシを低減する手法を提案する。
論文 参考訳（メタデータ） (2025-10-08T19:50:58Z) - Rethinking Thinking Tokens: LLMs as Improvement Operators [80.12087211785949]
推論トレーニングは、LLMに長い思考の連鎖(長いCoT)を生み出す動機を与え、自己チェックによるソリューション戦略を探索することを可能にする。
これにより、精度が高くなりますが、コンテキストの長さ、トークン/計算コスト、応答レイテンシが膨らみます。
現在のモデルはメタ認知を活用して、このParetoフロンティアで他の組み合わせを提供できるのでしょうか?
i) 多様なドラフトを並列に生成し、(ii) それらを有界なテキストワークスペースに蒸留し、(iii) このワークスペース上に条件付き精製する。
論文 参考訳（メタデータ） (2025-10-01T17:08:59Z)
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。