論文の概要: SAGE: Symbolic Action-Gating and Editing for LLM Task Planners
- arxiv url: http://arxiv.org/abs/2609.34268v1
- Date: Mon, 28 Sep 2026 04:17:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 22:19:24.830457
- Title: SAGE: Symbolic Action-Gating and Editing for LLM Task Planners
- Title（参考訳）: SAGE: LLMタスクプランナのためのシンボリックアクションゲーティングと編集
- Abstract要約: SAGE(Symbolic Action-Gating and Editing)は,2つの軽量メカニズムから構築された単一LLMプランナである。
ドメインに依存しないシンボルゲートは、実行時安全モニタとしてタイプされた理由により、事前条件違反行為をブロックする。
ローカルな編集は失敗したサブゴールの接尾辞のみを再生し、完了し、未修正の作業をそのまま維持する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models (LLMs) are now the default cognitive core of embodied household agents, yet the plans they emit are rarely checked against a grounded model of the environment before execution, and the task-success they report is often measured on benchmarks so saturated that no method can be separated from another. We present SAGE (Symbolic Action-Gating and Editing), a single-LLM planner built from two lightweight mechanisms: a domain-agnostic symbolic gate (~250 lines of Python, zero tokens, $O(|π|)$) that blocks precondition-violating actions with typed reasons as a runtime safety monitor, and a local edit that regenerates only the failed sub-goal's suffix, keeping completed and untouched work intact; a hybrid seed+live memory store supports cold-start coverage. We evaluate under a leak-free protocol (leave-one-out retrieval) over five open-weight models and a 75-task AI2-THOR benchmark. On the standard benchmark goal-completeness saturates (52% of instances trivially solved) and SAGE ties strong hierarchical baselines. On a harder, method-agnostic multi-goal composition, SAGE's completeness lead re-emerges large (+0.06 to +0.23 across four models). Under injected mid-execution failures, SAGE recovers as reliably as whole-plan replanners at 2.4-3.3x fewer LLM calls. As a verify-before-execute gate, the symbolic monitor blocks unsafe actions before actuation and raises simulator-reported step-success for every planner tested (up to +0.11), a signal the verifier never sees (non-circular). Because the gate calls no model (0.008 ms/plan), it is a safety layer that runs essentially free on the edge: SAGE planning reproduces its quality on a Jetson AGX Orin, where small-model verification helps most. We release the benchmark, the leak-free protocol, the recovery and safety-gate harnesses, and a verifier-portability study (auto-induced on ALFWorld, 0.89 held-out).
- Abstract（参考訳）: 大規模言語モデル(LLM)は現在、エンボディされた家庭用エージェントのデフォルトの認知コアとなっているが、それらが生成するプランは実行前に環境の基盤モデルに対してチェックされることは稀であり、彼らが報告するタスクは、他のメソッドから切り離すことができないような飽和度の高いベンチマークでしばしば測定される。
我々は、SAGE(Symbolic Action-Gating and Editing)という、ドメインに依存しないシンボルゲート(約250行のPython、ゼロトークン、$O(|π|)$)という、2つの軽量メカニズムから構築されたシングルLLMプランナーを紹介します。
我々は,5つのオープンウェイトモデルと75タスクAI2-THORベンチマークに対して,リークフリープロトコル(リーブ・ワン・アウト・検索)で評価を行った。
標準ベンチマークでは、ゴール完全性は飽和し(インスタンスの52%は自明に解決されている)、SAGEは強力な階層的なベースラインを結び付けている。
より硬く、メソッドに依存しないマルチゴール合成では、SAGEの完全性は4つのモデルで+0.06から+0.23)大きく再帰する。
注入された中間実行障害により、SAGEは2.4-3.3倍のLSMコールで計画全体のリプランナを確実に回復する。
検証前実行ゲートとして、シンボルモニターはアクティベーション前の安全でない動作をブロックし、テストされたすべてのプランナー(+0.11まで)に対してシミュレータが報告したステップスルーを上昇させる。
SAGEプランニングはその品質をJetson AGX Orinで再現し、小さなモデルの検証が最も役立ちます。
ベンチマーク、リークフリープロトコル、リカバリおよびセーフゲートハーネス、検証対象ポータビリティスタディ(ALFWorldで自動生成、0.89ホールトアウト)をリリースする。
関連論文リスト
- APEXA: Execution-Integrity Enforcement for Multi-Agent LLM Automation of Synchrotron Data Reduction [0.23332469289621782]
我々は、シンクロトロンデータリダクションのための61のツールをコーディネートするフレームワークAPEXAを提案する。
決定論的実行統合ガードは、実行されていないツール呼び出しの結果を返すのを防ぐ。
また,APEXA-Benchは科学的正当性と身体的影響によって構成された58の施設タスクである。
論文 参考訳（メタデータ） (2026-09-21T06:33:11Z) - LMSM: LLM Security Framework Inspired by Linux Security Modules [56.93644694627783]
大規模言語モデル(LLM)は階層化されたディフェンスでデプロイされることが多いが、悪意のあるプロンプトはそれらをバイパスすることができる。
我々は,Language Model Security Modules (LMSM) という,Linux Security Modules (LSM) の背後にある分離を LLM サービスに適応させるセキュリティフレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-26T12:13:05Z) - Coupling Planning with Episodic Memory in LLM Agents for Software Issue Resolution [13.491535879221901]
PMCoderは、階層的なフェーズプランナーとエピソードメモリを結合する問題解決エージェントである。
SWE-bench Verifiedでは、PMCoderはハーネスマッチングベースラインよりも平均25ドル高いケースを解決している。
論文 参考訳（メタデータ） (2026-08-07T05:05:05Z) - PhyAgentOS: A Self-Evolving Operating System for Embodied Agents with Decoupled Cognitive Planning and Physical Execution [49.776611937968]
我々は、スケジューリング、検証、メモリ、ベンチマーク、安全性をシステムレベルのサービスとして提供するPhyAgentOSを紹介します。
セッション中心のセッションは、スケジューリング、互換性、監督された実行、エビデンス収集、受け入れの最小単位として、アクションではなくセッションを扱う。
SessionVerifierは、実行終了とセマンティックタスク完了を、成功、失敗、または再計画のエビデンスに基づいて判断する。
ベンチマークはデプロイメントセッションと検証パスを再利用するので、結果は実際の実行に遡る。
論文 参考訳（メタデータ） (2026-07-18T04:46:53Z) - Sequential Planning via Anchored Robotic Keypoints [3.176338968032152]
トレーニング不要なニューロシンボリック操作システムであるSPARK(Anchored Robotic Keypoints, SPARK)について述べる。
単一のGeminiコールは、構成可能なキネマティックプリミティブの型付き振舞いツリー(BT)としてプランを構成する。
2つ目のGeminiコールでは、オブジェクトごとに3つの代替テキストプロンプトが提案され、SAM3がそれぞれを評価します。
代替のプロンプトは、空間スイートに+27.7、オブジェクトスイートに+10.0、全体のリカバリループに+5.0を加算する。
論文 参考訳（メタデータ） (2026-06-29T17:48:01Z) - Plans Don't Persist: Why Context Management Is Load Bearing for LLM Agents [3.4511611443217802]
エージェントクリティカルな情報は永続性よりもコンテキスト依存的であることを示す。
このコントリビューションは、エージェントクリティカルな情報が永続性よりもコンテキスト依存的であることを示す測定およびストレステストフレームワークである。
論文 参考訳（メタデータ） (2026-06-22T07:30:47Z) - Compiling Activation Steering into Weights via Null-Space Constraints for Stealthy Backdoors [48.881343993730844]
安全性に整合した大規模言語モデル(LLM)は、現実世界のパイプラインにますますデプロイされている。
敵は通常の評価では動作しないバックドアのチェックポイントを配布することができる。
最近のポストホック重み付け法は、そのようなバックドアを注入するための効率的なアプローチを提供する。
論文 参考訳（メタデータ） (2026-04-14T06:48:33Z) - PlanGuard: Defending Agents against Indirect Prompt Injection via Planning-based Consistency Verification [1.7904458681854372]
PlanGuardは、コンテキスト分離の原則に基づいた、トレーニング不要の防御フレームワークである。
PlanGuardは攻撃を効果的に中和し、アタック成功率(ASR)を72.8%から0%に下げる。
論文 参考訳（メタデータ） (2026-04-11T09:59:46Z) - LLM Readiness Harness: Evaluation, Observability, and CI Gates for LLM/RAG Applications [51.56484100374058]
評価をデプロイメント決定ワークフローに変換するLLMおよびRAGアプリケーションのための準備性ハーネスを提案する。
このシステムは、最小限のAPI契約の下で、自動ベンチマーク、OpenTelemetryオブザーバビリティ、CI品質ゲートを組み合わせる。
チケットルーティングとBEIRタスクのハーネスを、完全なAzureマトリックスカバレッジで評価する。
論文 参考訳（メタデータ） (2026-03-28T18:03:32Z) - Label-Free Cross-Task LoRA Merging with Null-Space Compression [50.63908869296697]
我々は,ラベルフリーで出力に依存しない手法であるNull-Space Compression (NSC) Mergingを紹介した。
NSCは、従来のメソッドがタスクのサブセットに収まるバランスの取れたゲインを持つ20の異種視覚タスクに対して、最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-03-27T11:34:41Z) - Backdoor Collapse: Eliminating Unknown Threats via Known Backdoor Aggregation in Language Models [75.29749026964154]
Ourmethodは、複数のベンチマークで平均的な攻撃成功率を4.41%に下げる。
クリーンな精度と実用性はオリジナルのモデルの0.5%以内に保存される。
防衛はさまざまな種類のバックドアをまたいで一般化し、実際のデプロイメントシナリオにおける堅牢性を確認します。
論文 参考訳（メタデータ） (2025-10-11T15:47:35Z)
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。