論文の概要: Lookahead-R: Budget-Aware Tool Retrieval via Execution-Centric Planning

• arxiv url: http://arxiv.org/abs/2609.35811v1
• Date: Sun, 20 Sep 2026 07:59:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.84756
• Title: Lookahead-R: Budget-Aware Tool Retrieval via Execution-Centric Planning
• Title（参考訳）: Lookahead-R:実行計画による予算対応ツール検索
• Abstract要約: Lookahead-Rは、リソース制約のあるシーケンシャルな意思決定問題としてツール検索を再構成する計画ベースのフレームワークである。 Lookahead-Rのコアとなるのは、ツールの実行成功、レイテンシコスト、セマンティックユーティリティを共同で予測する、軽量な実行対応サロゲート世界モデルだ。 大規模なToolBenchベンチマークで評価すると、Lookahead-Rは精度と効率のトレードオフが優れている。
• 参考スコア（独自算出の注目度）: 7.417964471627289
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tool retrieval is a critical bottleneck for LLM-based agents operating over large, heterogeneous API ecosystems. Existing approaches face an inherent trade-off: semantic retrievers are fast but suffer from the semantic-functional gap, while execution-based validation improves precision at the cost of prohibitive latency. We propose Lookahead-R, a planning-based framework that reformulates tool retrieval as a resource-constrained sequential decision-making problem. At its core, Lookahead-R introduces a lightweight execution-aware surrogate world model that jointly predicts tool execution success, latency cost, and semantic utility---without invoking real APIs. This world model drives a cost-sensitive, uncertainty-guided Monte Carlo Tree Search that navigates the tool space under strict budget constraints. Evaluated on the large-scale ToolBench benchmark, Lookahead-R achieves a superior accuracy-efficiency trade-off across all test scenarios. On the most challenging I3 split, it attains an NDCG@5 of 91.40\%, outperforming the state-of-the-art ToolGen (90.16\%) by 1.24\%. Ablation studies confirm that explicit latency modeling is the key discriminative signal for identifying high-quality tools under resource constraints.
• Abstract（参考訳）: ツール検索は、大規模な異種APIエコシステム上で動作するLLMベースのエージェントにとって重要なボトルネックである。 セマンティックレトリバーは高速だがセマンティックファンクショナルなギャップに悩まされる一方、実行ベースのバリデーションは、禁止レイテンシーのコストで精度を向上する。 提案するLookahead-Rは,ツール検索を資源制約のある逐次的意思決定問題として再構成する,計画ベースのフレームワークである。 Lookahead-Rのコアとなるのは、ツールの実行成功、レイテンシコスト、セマンティックユーティリティを実際のAPIなしで共同で予測する、軽量な実行対応サロゲート世界モデルだ。 この世界モデルは、コストに敏感で不確実性のあるMonte Carlo Tree Searchを駆動し、厳格な予算制約の下でツール空間をナビゲートする。 大規模なToolBenchベンチマークに基づいて評価すると、Lookahead-Rはすべてのテストシナリオにおいて、精度と効率のトレードオフが優れている。 最も難しいI3分割では、NDCG@5の91.40\%に達し、最先端のToolGen(90.16\%)を1.24\%上回る。 アブレーション研究は、明示的なレイテンシモデリングが、リソース制約の下で高品質なツールを特定するための重要な識別シグナルであることを確認した。

関連論文リスト

• An Auto-Scaling Approach for Serverless Environments Based on a Multi-Expert Consensus Mechanism [0.3058685580689604]
  依存性対応自動スケーリングフレームワークは、グラフベースのボトルネック識別、短期的なワークロード予測、マルチモデルコンセンサス、コスト対応制御を統合する。 Controllerはコールドスタートの認識とコスト比較を取り入れて、スケールアップ、スケールダウン、ホールドアクションを選択する。
  論文  参考訳（メタデータ） (2026-07-16T23:48:37Z)
• SING: Synthetic Intention Graph for Scalable Active Tool Discovery in LLM Agents [64.59100414726556]
  大規模言語モデル(LLM)エージェントは、コンテキスト、ツール、マルチターン実行を管理するハーネスに依存している。 Retrieval-augmented Tool selectionは、自然な代替手段を提供するが、既存のワンショット検索方法は、独立したツール記述とエージェントの真のタスク意図との整合に失敗する。 我々は、ユーザ意図、ツール機能、ツールコラボレーションパターンをリンクするインテントツーオールグラフを構築する、意図認識型のアクティブツール発見フレームワークであるSINGを提案する。
  論文  参考訳（メタデータ） (2026-06-15T11:37:37Z)
• ComplexMCP: Evaluation of LLM Agents in Dynamic, Interdependent, and Large-Scale Tool Sandbox [61.862814740220806]
  $textbfComplexMCP$は厳格な条件下でエージェントを評価するために設計されたベンチマークである。 Model Context Protocol (MCP)上に構築された$textbfComplexMCP$は300以上の精巧にテストされたツールを提供する。
  論文  参考訳（メタデータ） (2026-05-11T16:20:51Z)
• SWE-TRACE: Optimizing Long-Horizon SWE Agents Through Rubric Process Reward Models and Heuristic Test-Time Scaling [13.335296846555204]
  現在のパイプラインは、最適化されていないデモデータ、スパース実行報酬、計算的に禁止された推論スケーリングによってボトルネックされる。 SWE-TRACEはデータキュレーション、強化学習(RL)、テスト時間推論にまたがるSWEエージェントライフサイクルを最適化する統合フレームワークである。 標準SWEベンチマークの実験により、SWE-TRACEは、両方のトークン消費推論遅延を大幅に削減しつつ、解決率を最大化し、最先端の精度を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2026-04-16T09:41:47Z)
• AgentOpt v0.1 Technical Report: Client-Side Optimization for LLM-Based Agent [18.58248061903799]
  AgentOptは、クライアントサイドAI最適化のための最初のフレームワークに依存しないPythonパッケージである。 我々はまず,マルチステップエージェントパイプラインにおける高インパクト最適化レバーであるモデル選択について検討する。 指数関数的に増加する組み合わせ空間を効率的に探索するために、AgentOptは10の検索アルゴリズムを実装している。
  論文  参考訳（メタデータ） (2026-04-07T17:13:47Z)
• NatureGAIA: Pushing the Frontiers of GUI Agents with a Challenging Benchmark and High-Quality Trajectory Dataset [16.676904484703]
  本稿ではCausal Pathwaysの原理に基づく新しいベンチマークであるNaturalGAIAを紹介する。 このパラダイムは複雑なタスクを検証可能な一連の原子ステップに構造化し、厳密で完全に自動化され、再現可能な評価基準を保証する。 次に、このデータセットを用いて、Q2.5-VL-7Bモデル上でReinforcement FineTuning(RFT)を行う。
  論文  参考訳（メタデータ） (2025-08-02T11:53:41Z)
• $\texttt{SPECS}$: Faster Test-Time Scaling through Speculative Drafts [55.231201692232894]
  $textttSPECS$は、投機的デコードにインスパイアされた遅延対応のテスト時間スケーリングメソッドである。 我々の結果は、$textttSPECS$matchはビームサーチの精度を上回り、最大$sim$19.1%のレイテンシを削減していることを示している。
  論文  参考訳（メタデータ） (2025-06-15T05:50:05Z)
• Acting Less is Reasoning More! Teaching Model to Act Efficiently [87.28134636548705]
  ツール統合推論は、タスクを解決するために外部ツールを呼び出す機能によって、大きな言語モデルを拡張します。 現在のアプローチは、外部ツールの使用効率や必要性を考慮せずに、最終的な正確性のためにのみ最適化されている。 最小限のツールコールで正確な回答をモデルに提示するフレームワークを提案する。 このアプローチでは,ツールコールを最大68.3%削減し,ツールの生産性を最大215.4%向上すると同時に,同等の回答精度を維持している。
  論文  参考訳（メタデータ） (2025-04-21T05:40:05Z)
• Data-Efficient Massive Tool Retrieval: A Reinforcement Learning Approach for Query-Tool Alignment with Language Models [28.67532617021655]
  外部ツールやAPIと統合された大規模言語モデル(LLM)は、コンテキスト内学習や微調整によって複雑なタスクにうまく対応している。 この進歩にもかかわらず、厳密な入力長制約のため、ツール検索の大規模化は依然として困難である。 本稿では,大規模なツール検索(MTR)タスクとして,大規模リポジトリからの事前検索戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-04T07:58:05Z)

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。