論文の概要: Reasoning-Search-Augmented LLMs: An Operational Taxonomy, Benchmark Analysis and Controlled Evidence Synthesis

• arxiv url: http://arxiv.org/abs/2610.29189v1
• Date: Wed, 21 Oct 2026 04:19:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.20458
• Title: Reasoning-Search-Augmented LLMs: An Operational Taxonomy, Benchmark Analysis and Controlled Evidence Synthesis
• Title（参考訳）: Reasoning-Search-Augmented LLMs:オペレーショナル分類、ベンチマーク分析および制御されたエビデンス合成
• Abstract要約: 大規模言語モデル(LLM)は、驚くべき創発的推論能力を示すが、固定モデルパラメータと有限コンテキストウィンドウによって制約される。 最近の研究は、ステップバイステップ推論と対話型検索を密結合することで、これらの制限に対処している。 本研究は, 計画, クエリ, 検索, 統合, 検証, 停止をインターリーブすることによって, 推論-探索ループを実装するフレームワークについて検討する。
• 参考スコア（独自算出の注目度）: 2.5202400042690045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) demonstrate impressive emergent reasoning capabilities, yet they remain constrained by fixed model parameters and finite context windows. Even when augmented with static retrieval, they can produce statements that are unsupported by, or even contradictory to, retrieved evidence. This leads to hallucinations, difficulty incorporating up-to-date information, and failures to correctly interpret or reconcile sources. Recent work addresses these limitations by tightly coupling step-by-step reasoning with interactive search, treating retrieval as an action within an iterative agentic loop rather than a one-shot preprocessing step. This study reviews frameworks that implement such reasoning-search loops by interleaving planning, querying, retrieval, integration, verification, and stopping. We analyze these systems through four architectural axes: retrieval coupling, controller design, knowledge source, and grounding strictness. We separately treat the learning signal as a cross-cutting dimension because prompting, supervision, preference optimization, and reinforcement learning can instantiate the same architecture while producing materially different search, stopping, and grounding behavior. We further distinguish benchmark difficulty from RSA-loop demand and synthesize controlled within-study ablations and quality-cost deltas, avoiding invalid pooling across heterogeneous model backbones, retrievers, corpora, and evaluation protocols. Our goal is to clarify the landscape of reasoning-search-augmented LLMs and outline a unified perspective on the design choices shaping future research.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、驚くべき創発的推論能力を示すが、固定モデルパラメータと有限コンテキストウィンドウによって制約される。 静的検索で拡張しても、検索された証拠によってサポートされない、あるいは矛盾しているステートメントを生成できる。 これは幻覚を招き、最新の情報を組み込むのが難しく、ソースを正しく解釈したり解釈したりできない。 最近の研究は、対話型検索とステップバイステップ推論を密結合させ、検索をワンショット前処理ステップではなく反復的エージェントループ内でのアクションとして扱うことで、これらの制限に対処している。 本研究は, 計画, クエリ, 検索, 統合, 検証, 停止をインターリーブすることによって, 推論-探索ループを実装するフレームワークについて検討する。 これらシステムを,検索結合,コントローラ設計,知識源,厳密性という4つのアーキテクチャ軸を用いて解析する。 学習信号を横断的次元として扱うのは,学習の促進,監督,優先最適化,強化学習が,異なる探索,停止,接地行動を生み出しながら,同じアーキテクチャをインスタンス化できるためである。 さらに、RSAループ要求とベンチマークの難しさを区別し、制御された内部最適化と品質コストのデルタを合成し、異種モデルバックボーン、レトリバー、コーパス、評価プロトコル間の不正プールを回避する。 我々のゴールは、推論によるLLMの展望を明確にし、将来の研究を形作る設計選択に関する統一的な視点を概説することである。

関連論文リスト

• When LLM Meets Tree Search: A Systematic View of Inference as Search in Large Language Models [92.71325249013535]
  テスト時間スケーリング(TTS)は、推論時間計算を固定モデルに割り当てることで推論を改善する重要な方向として登場した。 この調査は、木探索に基づく推論の最近の進歩を体系化し、推論をデコードではなく、インスタンス固有の最適化と見なす。
  論文  参考訳（メタデータ） (2026-08-31T07:49:56Z)
• STRIDE: Strategic Iterative Decision-Making for Retrieval-Augmented Multi-Hop Question Answering [9.69666629029613]
  マルチホップ質問応答 (MHQA) は、複数の文書にまたがる証拠を検索し、推論することで、複雑なクエリに対する正確な回答を可能にする。 既存のMHQAアプローチは主に、次の2つの大きな問題に苦しむ反復的な検索強化世代に依存している。 戦略計画,動的制御,接地型実行を分離するフレームワークSTRIDEを提案する。
  論文  参考訳（メタデータ） (2026-04-19T12:19:43Z)
• VAR: Visual Attention Reasoning via Structured Search and Backtracking [49.427842994857635]
  構造化された検索としてグラウンドド推論をリキャストするフレームワークであるVisual Attention Reasoningを紹介する。 VARは、推論プロセスを2つの重要な段階に分解する。 我々は、我々の7BモデルであるVAR-7Bが、幻覚と安全性のベンチマークの包括的なスイートに新しい最先端を設定していることを示します。
  論文  参考訳（メタデータ） (2025-10-21T13:18:44Z)
• Demystifying deep search: a holistic evaluation with hint-free multi-hop questions and factorised metrics [89.1999907891494]
  We present WebDetective, a benchmark of hint-free multi-hop questions with a control Wikipedia sandbox。 25の最先端モデルに対する我々の評価は、すべてのアーキテクチャにまたがる体系的な弱点を明らかにしている。 私たちはエージェントワークフローであるEvidenceLoopを開発し、ベンチマークが特定する課題を明示的にターゲットしています。
  論文  参考訳（メタデータ） (2025-10-01T07:59:03Z)
• RE-Searcher: Robust Agentic Search with Goal-oriented Planning and Self-reflection [55.125987985864896]
  環境の複雑さが脆弱な探索行動をいかに引き起こすかを定量的に分析する。 本稿では,検索エージェントRE-Searcherのインスタンス化をシンプルかつ効果的に行う手法を提案する。 この目標指向計画と自己回帰の組み合わせにより、RE-Searcherは複雑な検索環境における急激な手がかりに抵抗することができる。
  論文  参考訳（メタデータ） (2025-09-30T10:25:27Z)
• Test-time Prompt Intervention [22.35022545068874]
  テストタイム・プロンプト・インターベンションのための新しいフレームワークであるPIを提案する。 PIは推論中の推論パスを動的にガイドし、規制するインターフェースを提供する。 これにより、人間の問題解決の専門知識と認知科学の原則がLLMの推論プロセスにシームレスに統合される。
  論文  参考訳（メタデータ） (2025-08-04T15:17:13Z)

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。