論文の概要: Testing the Planning Claims of LLM-Based Agents against Formal Semantics

• arxiv url: http://arxiv.org/abs/2610.22469v1
• Date: Thu, 15 Oct 2026 17:47:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.604545
• Title: Testing the Planning Claims of LLM-Based Agents against Formal Semantics
• Title（参考訳）: LLM系エージェントの定式的セマンティックスに対するプランニングクレームの検証
• Abstract要約: 計画性能は戦略やエージェントアーキテクチャよりもモデルによって異なっていた。 最高の設定は、解決可能なタスクの78%をオフラインで解決するが、オンラインでは40%しか解決しない。 解決不可能なタスクは、エピソードの10%以下で認識される。
• 参考スコア（独自算出の注目度）: 0.7248119205890114
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM-based agents are increasingly credited with the competences of practical reasoning: planning, monitoring, and correcting their own actions. Their success is attributed to the prompting strategies and agent architectures built around the model, such as chain-of-thought, search-based prompting, self-refinement, reflection, critics and tool-using loops. Yet these claims are usually supported by end-to-end success rates, which show only whether a task was completed, or by LLM judges, which are not verifiers. We test LLM planning against formal semantics. Tasks are posed in natural language, but each is grounded in a hidden PDDL model that decides whether every action is applicable, whether the goal is reached, and whether a plan exists at all. Across five domains (two of them new, all released with the paper), four models, six prompting strategies and three agent architectures, the best configuration solves 78% of the solvable tasks offline but only 40% online, where agents mostly act without inspecting the state. Unsolvable tasks are recognised in under 10% of episodes, and heavier prompting strategies use 5 to 22 times as many tokens as direct prompting with no clear gain. In our experiments, planning performance varied more across models than across prompting strategies or agent architectures. Claims that agents can plan require evidence from validated action traces.
• Abstract（参考訳）: LLMベースのエージェントは、計画、監視、修正といった実践的な推論の能力でますます評価されている。 彼らの成功は、チェーン・オブ・ソート、検索ベースのプロンプト、自己リファインメント、リフレクション、批評家、ツール使用ループなど、モデルを中心に構築されたプロンプト戦略とエージェントアーキテクチャによるものである。 しかし、これらの主張は、通常エンドツーエンドの成功率によって支持され、タスクが完了したか、検証されていないLCM審査員によってのみ支持される。 LLM計画の形式的意味論に対する検証を行う。 タスクは自然言語で表されるが、それぞれのタスクは、すべてのアクションが適用可能かどうか、ゴールが到達可能かどうか、プランが存在しないかどうかを判断する隠れPDDLモデルに基礎を置いている。 5つのドメイン(うち2つは新たにリリースされ、すべて紙でリリースされている)、4つのモデル、6つのプロンプト戦略、3つのエージェントアーキテクチャ、最高の構成は、解決可能なタスクの78%をオフラインで解決するが、オンラインでは40%しか解決しない。 解決不可能なタスクは、エピソードの10%未満で認識され、より重いプロンプト戦略では、直接プロンプトの5倍から22倍のトークンを使用する。 我々の実験では、計画性能は戦略やエージェントアーキテクチャよりもモデルによって異なっていた。 エージェントが計画できるという主張は、検証された行動トレースからの証拠を必要とする。

関連論文リスト

• Does The Way You Plan Matter? An Empirical Study of Planning Representations for LLM Web Agents [43.297647791392144]
  エージェント性能における計画表現の影響を評価するフレームワークであるPlanAheadを紹介する。 まず、WebArenaタスクを3つの難易度に分類し、人間のアノテーションなしで一貫した難易度付けを可能にする。 次に,4つの異なる計画表現を,難易度に分類して体系的に評価する。
  論文  参考訳（メタデータ） (2026-05-28T13:39:49Z)
• Beyond Resolution Rates: Behavioral Drivers of Coding Agent Success and Failure [0.0]
  コーディングエージェントは、大規模言語モデルの推論能力とツール強化された対話ループを組み合わせた、自動化されたソフトウェアエンジニアリングにおける新しいパラダイムを表している。 トップランクのLLMベースのコーディングエージェントは、ベンチマークされた問題の20%以上で依然として失敗している。 本研究は,500件のタスクにおいて,19件のエージェントから9,374件のトラジェクトリを分析した大規模な実証研究である。
  論文  参考訳（メタデータ） (2026-04-02T21:56:23Z)
• CodeAgents: A Token-Efficient Framework for Codified Multi-Agent Reasoning in LLMs [16.234259194402163]
  マルチエージェント推論を符号化し、マルチエージェントシステムにおける構造化されたトークン効率の計画を可能にするプロンプトフレームワークであるCodeAgentsを紹介する。 その結果, 計画性能は一貫した改善がみられ, 基本となる自然言語よりも3～36ポイントの絶対的な向上が見られた。
  論文  参考訳（メタデータ） (2025-07-04T02:20:19Z)
• AgentOccam: A Simple Yet Strong Baseline for LLM-Based Web Agents [52.13695464678006]
  本研究は, 観察空間と行動空間を簡略化することで, LLMベースのWebエージェントを強化する。 AgentOccam は以前の最先端および同時処理を 9.8 (+29.4%) と 5.9 (+15.8%) で上回っている。
  論文  参考訳（メタデータ） (2024-10-17T17:50:38Z)
• Enhancing the General Agent Capabilities of Low-Parameter LLMs through Tuning and Multi-Branch Reasoning [56.82041895921434]
  オープンソースの事前訓練された大規模言語モデル(LLM)は、強力な言語理解と生成能力を示す。 現実世界の複雑な問題に対処するエージェントとして使用される場合、ChatGPTやGPT-4のような大型の商用モデルに比べてパフォーマンスははるかに劣る。
  論文  参考訳（メタデータ） (2024-03-29T03:48:12Z)
• StrategyLLM: Large Language Models as Strategy Generators, Executors, Optimizers, and Evaluators for Problem Solving [76.5322280307861]
  StrategyLLM は LLM が帰納的推論、特定のタスクインスタンスからの一般的な戦略の導出、帰納的推論を可能にし、これらの一般的な戦略を特定のタスク例に適用し、一般化可能で一貫した数発のプロンプトを構築する。 実験の結果、StrategyLLMは、数学推論(34.2%$rightarrow$38.8%)、コモンセンス推論(70.3%$rightarrow$72.5%)、アルゴリズム推論(73.7%$rightarrow$85.0)を含む、4つの難しいタスクにまたがる13のデータセットに対して、人間によるアノテートソリューションを必要とする競争ベースラインのCoT-SCよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-15T09:18:09Z)
• Modelling Multi-Agent Epistemic Planning in ASP [66.76082318001976]
  本稿では,マルチショット・アンサー・セット・プログラミング・ベース・プランナの実装について述べる。 本稿は, アドホックなエピステミック状態表現とASPソルバの効率を生かしたプランナーが, 文献から収集したベンチマークに対して, 競合的な性能を示すことを示す。
  論文  参考訳（メタデータ） (2020-08-07T06:35:56Z)

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。