論文の概要: How Much Planning Is Enough? Reducing Search and Computation in World-Model Planning

• arxiv url: http://arxiv.org/abs/2610.08350v1
• Date: Tue, 06 Oct 2026 13:40:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.01491
• Title: How Much Planning Is Enough? Reducing Search and Computation in World-Model Planning
• Title（参考訳）: 計画費はいくらか? -世界モデル計画における探索と計算の削減-
• Abstract要約: 我々は,全予算の行動と一致せずに,競争力のあるタスク性能を実現することができることを示す。 SufficientPlanは、事前訓練された世界モデルやプランナのアップデートを変更する必要のない、シンプルなデプロイメントフレームワークです。
• 参考スコア（独自算出の注目度）: 14.402511401744006
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Visual world models enable goal-directed control through decision-time action search, but their deployment efficiency is often limited by conservatively large planning budgets. We show that competitive task performance can be achieved without agreement with the Full-budget action, that sufficient budgets vary across model--task pairs, and that iterative planners repeatedly encode solve-invariant context. To address these inefficiencies, we propose {SufficientPlan}, a simple deployment framework that requires no modification to pretrained world models or planner updates. Its {Paired Sequential Budget Certification (PSBC)} component uses paired closed-loop evidence to search for and certify a reduced model--task-specific budget within a predefined Full-performance tolerance. Its {Static-Context Reuse (SCR)} component caches observation and goal representations across search iterations while preserving candidate-dependent planning and selected actions. Experiments across multiple world-model backbones and visual-control tasks show that SufficientPlan substantially reduces search budgets and planning latency while maintaining competitive control performance.
• Abstract（参考訳）: ビジュアルワールドモデルは、意思決定時のアクションサーチを通じてゴール指向の制御を可能にするが、そのデプロイメント効率は保守的な計画予算によって制限されることが多い。 我々は,全予算の行動と一致せず,十分な予算がモデルとタスクのペアによって異なること,反復的なプランナーが繰り返し解決不変のコンテキストを符号化すること,等が示される。 これらの非効率性に対処するために,事前訓練された世界モデルやプランナのアップデートを変更する必要のない,シンプルなデプロイメントフレームワークである {SufficientPlan} を提案する。 Paired Sequential Budget Certification (PSBC)コンポーネントは、ペア化されたクローズドループエビデンスを使用して、事前定義されたフルパフォーマンストレランス内で、モデル固有の予算の削減を探索し、認定する。 その {Static-Context Reuse (SCR) コンポーネントは、候補に依存した計画と選択されたアクションを保持しながら、検索イテレーション全体で観測と目標表現をキャッシュする。 複数のワールドモデルバックボーンと視覚制御タスクにわたる実験により、SufficientPlanは、競争力のある制御性能を維持しながら、検索予算と計画遅延を大幅に削減することを示した。

関連論文リスト

• Scope-WM: Scoped Computation for Efficient Visual World Models [7.211563215833475]
  予測関連潜伏領域と有望なアクションシーケンスを対象とする,効率的なビジュアルワールドモデルであるScope-WMを提案する。 計画中、Scope-WMはMPC検索で発見された高品質なアクションシーケンスを保存、再利用する。 難しいPush-Tタスクでは、Scope-WMはGPUのピークメモリ使用量と計画時間をそれぞれ18.1%、密度の高いDINO-WMの14.3%に削減する。
  論文  参考訳（メタデータ） (2026-09-27T04:57:41Z)
• Task-to-Model Optimization for Enterprise LLM Coding Assistants: A Data-Driven Framework for Cost-Optimal Routing [5.00725149774706]
  エンタープライズAIコーディングアシスタントは、相当な推論費用を発生させ、トークンコストの最小化は、再試行、エスカレーション、開発者待ち時間を含むと、エンドツーエンドコストの削減に失敗することが多い。 実運用におけるモデル選択を最適化するためのデータ駆動手法であるタスク・ツー・モデル最適化(T2MO)を提案する。 私たちは、各開発者セッションを、発見、分類、難易度を評価、プロダクション風のハーネスでベンチマークし、品質とレイテンシの制約の中でそれを完了できる最も安価なモデルにルーティングできるタスクとして扱います。
  論文  参考訳（メタデータ） (2026-08-09T06:57:53Z)
• PlanningBench: Generating Scalable and Verifiable Planning Data for Evaluating and Training Large Language Models [52.48858778580074]
  計画は大規模言語モデル(LLM)の基本的な機能である PlanningBenchは、評価とトレーニングの両方のためのスケーラブルで多様な検証可能な計画データを生成するためのフレームワークである。
  論文  参考訳（メタデータ） (2026-05-20T08:10:15Z)
• Quantifying the Accuracy and Cost Impact of Design Decisions in Budget-Constrained Agentic LLM Search [0.7243632426715941]
  Agentic Retrieval-Augmented Generation (RAG) システムは反復検索、計画プロンプト、検索を組み合わせるが、配置設定はツールコールと完了トークンに明確な予算を課している。 本研究では, 探索深度, 検索戦略, 完成予算が, 一定の制約下での精度とコストに与える影響について, 制御された測定結果を示す。
  論文  参考訳（メタデータ） (2026-03-09T19:42:21Z)
• Efficient LLM Collaboration via Planning [56.081879390960204]
  小規模で大規模なモデルでは、プランナーと実行担当者として交代で行動し、タスクを協調的に解決するために、多段階のカスケードでプランを交換する。 私たちはCOPEが大規模プロプライエタリモデルに匹敵するパフォーマンスを実現し,推論APIのコストを大幅に削減できることを実証した。
  論文  参考訳（メタデータ） (2025-06-13T08:35:50Z)
• Stepsize anything: A unified learning rate schedule for budgeted-iteration training [43.52874155421866]
  予算設定訓練は、所定の予算内で最適な学習を実現することを目的としている。 学習率のスケジュールは異なるネットワークやタスクのパフォーマンスを左右するが、その設計は理論的な基礎をほとんど欠いている。 本稿では,Unified Budget-Aware (UBA) スケジュールを提案する。
  論文  参考訳（メタデータ） (2025-05-30T10:38:03Z)
• PlanGEN: A Multi-Agent Framework for Generating Planning and Reasoning Trajectories for Complex Problem Solving [89.60370366013142]
  制約,検証,選択という3つの重要な要素を持つモデルに依存しない,スケーラブルなエージェントフレームワークであるPlanGENを提案する。 具体的には、推論時間アルゴリズムの性能を向上させるために、制約誘導反復検証を提案する。
  論文  参考訳（メタデータ） (2025-02-22T06:21:56Z)
• On The Planning Abilities of OpenAI's o1 Models: Feasibility, Optimality, and Generalizability [59.72892401927283]
  さまざまなベンチマークタスクでOpenAIのo1モデルの計画能力を評価する。 その結果,o1-preview は GPT-4 よりもタスク制約に順応していることがわかった。
  論文  参考訳（メタデータ） (2024-09-30T03:58:43Z)
• Dynamic Multi-Robot Task Allocation under Uncertainty and Temporal Constraints [52.58352707495122]
  本稿では,不確実性およびマルチエージェント協調の下での逐次意思決定における重要な計算課題を分離するマルチロボット割当アルゴリズムを提案する。 都市におけるマルチアームコンベヤベルトピック・アンド・プレイスとマルチドローン配送ディスパッチの2つの異なる領域における広範囲なシミュレーション結果について検証を行った。
  論文  参考訳（メタデータ） (2020-05-27T01:10:41Z)

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。