論文の概要: RECAST: Learning to Compute the Right Context through Adaptive Evidence Routing

• arxiv url: http://arxiv.org/abs/2610.10507v1
• Date: Wed, 07 Oct 2026 17:51:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:23.094563
• Title: RECAST: Learning to Compute the Right Context through Adaptive Evidence Routing
• Title（参考訳）: RECAST: 適応的エビデンスルーティングによる正しいコンテキストの計算
• Abstract要約: 大規模な言語モデルは、長い異種情報ソースに根ざしたタスクにますます適用されてきている。 多くのタスクにおいて、ソリューションに必要なエビデンスは、特定のソースアイテムに明示的に存在しない。 本稿では,証拠構築を逐次決定プロセスとして定式化するためのフレームワークであるRECASTを紹介する。
• 参考スコア（独自算出の注目度）: 21.794059798859468
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models are increasingly applied to tasks grounded in long, heterogeneous information sources. Conventional Retrieval-Augmented Generation (RAG) relies on fixed similarity-based retrieval, while agentic variants adapt queries and tool use but remain largely retrieval-centric. However, in many tasks, the evidence required for a solution is not explicitly present in any single source item. Instead, it must be derived through filtering, aggregation, or computation across multiple source items. In this work, we introduce RECAST (Routing Evidence through Computation, Access, and Synthesized Tools), a learned framework that formulates evidence construction as a sequential decision process over heterogeneous retrieval and computation operations, allowing evidence to be actively derived rather than merely retrieved. A lightweight RouterLM iteratively selects and formulates primitive operations or specifies customized operations for a frozen CompilerLM to translate into executable code. Once it judges the evidence sufficient, RouterLM passes the accepted evidence to a frozen AnswerLM to produce the final solution. We train RouterLM with supervised fine-tuning (SFT) followed by group relative policy optimization (GRPO). Across six heterogeneous benchmark families, RECAST achieves a mean success rate of 75.6%, outperforming the strongest large-model baseline by 15.9%. Moreover, training enables the Qwen3.5-9B RouterLM to outperform a training-free Gemini 3.5 Flash RouterLM by 5.0%. On three held-out benchmarks, RECAST improves over the strongest baseline by 15.0% on average, demonstrating strong zero-shot generalization across tasks and heterogeneous source representations.
• Abstract（参考訳）: 大規模な言語モデルは、長い異種情報ソースに根ざしたタスクにますます適用されてきている。 従来のRAG(Retrieval-Augmented Generation)は、一定の類似性に基づく検索に依存し、エージェントの変種はクエリやツールの使用に適応するが、ほとんどは検索中心のままである。 しかし、多くのタスクにおいて、ソリューションに必要なエビデンスは、特定のソースアイテムに明示的に存在しない。 代わりに、複数のソースアイテムをまたいだフィルタリング、集約、あるいは計算によって導出する必要がある。 本稿では,RECAST(Routing Evidence through Computation, Access, and Synthesized Tools)について紹介する。 軽量ルータLMは、プリミティブな操作を反復的に選択または定式化し、フリーズしたCompilerLM用にカスタマイズされた操作を実行可能なコードに変換する。 証拠を十分に判断すると、ルーターLMは承認された証拠を凍結したAnswerLMに渡して最終解を生成する。 我々は、教師付き微調整(SFT)とグループ相対ポリシー最適化(GRPO)でRouterLMを訓練する。 6つの異種ベンチマークファミリの中で、RECASTは75.6%の平均的な成功率を達成し、大きなモデルベースラインを15.9%上回った。 さらにトレーニングにより、Qwen3.5-9B RouterLMはトレーニングフリーのGemini 3.5 Flash RouterLMを5.0%上回る。 3つのベンチマークで、RECASTは最強のベースラインを平均15.0%改善し、タスク間のゼロショットの強い一般化と不均一なソース表現を示す。

関連論文リスト

• Efficiently Linking Unstructured Data for Multi-step Reasoning [17.545873517131206]
  DASEクエリエンジンは、候補エビデンサウェアを構築し、ランク付けする。 強いRDBMSよりも6倍から46倍高速なマルチステップ推論クエリの候補証拠を検索する。 セマンティック・オペレーショナルな後処理を必要とするタスクに対しては、DASEはハイリコールプリフィルタとして機能する。
  論文  参考訳（メタデータ） (2026-09-16T23:16:45Z)
• A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination [51.06539604709775]
  本稿では、制御ユニットを表現編集からロール条件のエビデンスビューへシフトさせる自己進化型エージェントフレームワークであるA-SRを提案する。 A-SRは、コーディネートプロトコル、オンライン評価器・リワードロールポリシー、および状態制御プロセスメモリ間のルーティングによる公式発見をコーディネートする。
  論文  参考訳（メタデータ） (2026-08-05T14:01:10Z)
• Rethinking On-policy Optimization for Query Augmentation [49.87723664806526]
  本稿では,様々なベンチマークにおいて,プロンプトベースとRLベースのクエリ拡張の最初の体系的比較を示す。 そこで我々は,検索性能を最大化する擬似文書の生成を学習する,新しいハイブリッド手法 On-policy Pseudo-document Query Expansion (OPQE) を提案する。
  論文  参考訳（メタデータ） (2025-10-20T04:16:28Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• DeepSieve: Information Sieving via LLM-as-a-Knowledge-Router [57.28685457991806]
  DeepSieveはエージェントRAGフレームワークで、LLM-as-a-knowledge-routerを介して情報を収集する。 我々の設計はモジュール性、透明性、適応性を重視しており、エージェントシステム設計の最近の進歩を活用している。
  論文  参考訳（メタデータ） (2025-07-29T17:55:23Z)
• RAGRouter: Learning to Route Queries to Multiple Retrieval-Augmented Language Models [45.58601993849455]
  Retrieval-Augmented Generation (RAG) は、知識集約タスクにおけるLarge Language Models (LLM) の性能を大幅に向上させる。 既存のルーティング手法はRAGシナリオで最適以下の性能を示すのに対し,外部文書はLLMのクエリ応答能力に動的に影響を及ぼす。 本稿では、文書埋め込みとRAG機能埋め込みを利用して知識表現シフトを捉えるパラメトリックなRAG対応ルーティング設計であるRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-29T03:44:56Z)
• s3: You Don't Need That Much Data to Train a Search Agent via RL [34.862294169425724]
  Retrieval-augmented Generation (RAG)システムでは、大規模言語モデル(LLM)が推論中に外部知識にアクセスできるようになる。 本稿では,検索者をジェネレータから切り離し,Gain Beyond RAG報酬を用いて検索者を訓練する,軽量でモデルに依存しないフレームワークであるs3を提案する。
  論文  参考訳（メタデータ） (2025-05-20T09:53:56Z)
• 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)
• W-RAG: Weakly Supervised Dense Retrieval in RAG for Open-domain Question Answering [28.79851078451609]
  W-RAGは、下流タスクから弱いトレーニング信号を抽出し、検索者がタスクに最も利益をもたらすパスを優先順位付けするように微調整する手法である。 我々は4つの公開可能なOpenQAデータセットの包括的な実験を行い、我々のアプローチが検索とOpenQAのパフォーマンスを向上させることを実証した。
  論文  参考訳（メタデータ） (2024-08-15T22:34:44Z)
• AvaTaR: Optimizing LLM Agents for Tool Usage via Contrastive Reasoning [93.96463520716759]
  大規模言語モデル(LLM)エージェントは、精度と幻覚を高めるために外部ツールと知識を活用する際、印象的な能力を示した。 本稿では、LLMエージェントを最適化して提供されたツールを効果的に活用し、与えられたタスクのパフォーマンスを向上させる新しい自動化フレームワークであるAvaTaRを紹介する。
  論文  参考訳（メタデータ） (2024-06-17T04:20:02Z)

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。