論文の概要: Parse Before You Execute: Efficient Spatial Reasoning with Executable Primitives

• arxiv url: http://arxiv.org/abs/2610.41389v1
• Date: Fri, 30 Oct 2026 07:59:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.652059
• Title: Parse Before You Execute: Efficient Spatial Reasoning with Executable Primitives
• Title（参考訳）: 実行前にParse:実行可能なプリミティブによる効率的な空間推論
• Abstract要約: 既存のシステムは、クエリをコード、タスクの制約、ツールプラン、あるいはエビデンスなどの比較的オープンな成果物にコンパイルし、実行前に解決しなければならないものを残す。 PEPSはパース・バイ・エグゼクティブの原則に従っており、各クエリはコンパクトな実行可能な要求セットにコミットし、Executorは固定された幾何学的APIと決定論的計算を通じて必要なプリミティブを選択的にグラウンドし、Verifierは実行効率をチェックする。 実験によると、PEPSは、強力なツール統合ベースラインよりも大幅に改善ラウンド、APIコスト、エンドツーエンドのレイテンシを削減しながら、推論の精度を一貫して改善している。
• 参考スコア（独自算出の注目度）: 14.203345127120807
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Spatial reasoning in Vision-Language Models (VLMs) has increasingly benefited from tool-integrated pipelines that ground computation in explicit geometry. However, existing systems often compile queries into relatively open-ended artifacts, such as code, task constraints, tool plans, or gathered evidence, leaving what must be resolved before execution under-specified. This can lead to unnecessary tool acquisition and iterative refinement, while still producing plausible reasoning traces from incomplete spatial commitments. We identify this failure mode as under-committed query compilation. To address it, we propose PEPS, a training-free agentic paradigm Parsing Executable Primitives for Spatial reasoning under a typed FESM schema over Frame, Entity, State, and Metric. PEPS follows a parse-before-execute principle: the Parser commits each query to a compact set of executable requirements; the Executor selectively grounds the required primitives through fixed geometric APIs and deterministic computation; and the Verifier checks execution sufficiency, enabling early termination or targeted repair. Extensive experiments across challenging spatial reasoning benchmarks show that PEPS consistently improves reasoning accuracy while substantially reducing refinement rounds, API cost, and end-to-end latency over strong tool-integrated baselines. These results demonstrate that explicit requirement commitment can make tool-integrated spatial reasoning not only more reliable, but also more execution-efficient.
• Abstract（参考訳）: VLM(Vision-Language Models)における空間的推論は、明示的な幾何学で計算を基礎とするツール統合パイプラインの恩恵を受けている。 しかし、既存のシステムは、クエリをコードやタスクの制約、ツールプラン、あるいはエビデンスなどの比較的オープンな成果物にコンパイルし、実行前に解決しなければならないものを残している。 これは、不完全な空間的コミットメントからもっともらしい推論トレースを生成しながら、不要なツールの取得と反復的な改善につながる可能性がある。 我々は、この障害モードを、過度にコミットされたクエリコンパイルとして認識する。 そこで本研究では,PEPSを提案する。PEPSは,フレーム,エンティティ,ステート,メトリック上での型付きFESMスキーマの下で,空間的推論のためのParsing Executable Primitives(Parsing Executable Primitives)を提案する。 PEPSはパーサがそれぞれのクエリをコンパクトな実行可能な要求セットにコミットし、Executorは固定された幾何学的APIと決定論的計算を通じて必要なプリミティブを選択的にグラウンドし、Verifierは実行効率をチェックし、早期終了または目標修理を可能にする。 挑戦的な空間推論ベンチマークに対する大規模な実験により、PEPSは推論の精度を一貫して改善し、強化ラウンド、APIコスト、強力なツール統合ベースラインよりもエンドツーエンドのレイテンシを大幅に低減した。 これらの結果は、明示的な要求コミットメントにより、ツール統合空間推論がより信頼性を増すだけでなく、実行効率も向上することを示した。

関連論文リスト

• QESChunker: A Single Objective Unifies Overlapping and Non-Overlapping Chunking for RAG [11.373218182238595]
  本稿では,QES-Chunker(Qes-Evidence-Supervised Chunker,QES-Chunker)を紹介する。 統一された質問-エビデンス効用-最大化問題を通して非重複インデックス構築を定式化する。 どちらの変種も、ほぼすべての評価済み設定において、既存のチャンキングメソッドを完全エビデンスリコールで上回っている。
  論文  参考訳（メタデータ） (2026-10-27T03:05:09Z)
• ReTAC: Residual Test-Time Agentic Computation for Video Spatial Reasoning [75.14564822108872]
  テストタイムエージェント計算は多モーダルな言語モデルを改善することができる。 ビデオ空間推論のためのトレーニング不要なマルチエージェントフレームワークであるReTACで、この定式化をインスタンス化する。
  論文  参考訳（メタデータ） (2026-10-12T07:39:58Z)
• ThinkBooster: A Unified Framework for Seamless Test-Time Scaling of LLM Reasoning [110.46431027868954]
  ThinkBoosterは、大規模言語モデル(LLM)推論のシームレスなテスト時間計算スケーリングのためのフレームワークである。 最新のTTCスケーリング戦略とスコアファミリを実装するモジュール型のPythonライブラリで構成されている。 デプロイ可能なOpenAI互換プロキシサービスにより、現実のアプリケーションへの適応推論のドロップイン統合が可能になる。
  論文  参考訳（メタデータ） (2026-06-05T05:28:46Z)
• DisasterBench: Benchmarking LLM Planning under Typed Tool Interface Constraints [29.573427850164222]
  災害は深刻な社会的影響を引き起こし、異種AIツールの迅速な調整を要求する。 効果的な調整には意味論的に妥当なツールを選択する以上のことが必要です。 本稿では,構造化マルチエージェント計画の評価ベンチマークであるDreamaBenchを紹介する。
  論文  参考訳（メタデータ） (2026-05-27T04:50:23Z)
• Implicit Hierarchical GRPO: Decoupling Tool Invocation from Execution for Tool-Integrated Mathematical Reasoning [46.780956212954486]
  大規模言語モデル(LLM)は、推論能力を高めるためにツール呼び出しをますます活用している。 既存のアプローチは通常、即時実行でツール呼び出しを密に結合する。 推論中の実行からツール呼び出しを分離する問題を提案し,定式化する。 ツール統合推論を強化するために,明示的な制御による遅延実行を導入する。
  論文  参考訳（メタデータ） (2026-05-18T14:54:49Z)
• Profile-Then-Reason: Bounded Semantic Complexity for Tool-Augmented Language Agents [0.0]
  Profile--Then-Reason (PTR) は構造化ツール拡張推論のための有界実行フレームワークである。 PTRは特に検索中心および分解重作業に有効である。
  論文  参考訳（メタデータ） (2026-04-05T14:27:50Z)
• Domain-Specialized Tree of Thought through Plug-and-Play Predictors [32.191360225502386]
  本稿では,ToT検索プロセスのガイドとして,軽量かつ教師付きで適応可能なプラグアンドプレイ予測器であるDSTを紹介する。 我々の予測器は動的でコンテキスト対応のプルーニングを可能にし、より単純な推論ステップで探索をほぼ効率よく進めることができる。 我々の研究は、木に基づく推論における精度-効率のトレードオフを効果的に解決し、ToTをLLMにおける複雑な問題解決のためのスケーラブルで実践的なパラダイムに変換する。
  論文  参考訳（メタデータ） (2026-03-14T10:22:01Z)
• Adaptive Test-Time Reasoning via Reward-Guided Dual-Phase Search [62.1546099504045]
  本稿では、推論を計画と実行に分離する二相テストタイムスケーリングフレームワークを提案する。 具体的には、推論軌跡を分解し、各フェーズの報酬モデルを構築し、探索者が個別に計画と実行を探索、実行できるようにする。 数学的推論とコード生成ベンチマークの両方の実験により、我々の手法は計算の冗長性を低減しつつ、常に精度を向上することを示した。
  論文  参考訳（メタデータ） (2025-09-29T19:27:23Z)
• Implicit Reasoning in Large Language Models: A Comprehensive Survey [67.53966514728383]
  大規模言語モデル(LLM)は、幅広いタスクにまたがる強力な一般化を実証している。 最近の研究は、暗黙の推論に拍車をかけた、明示的な思考の連鎖から注意を向けている。 本調査では,表現形式から計算戦略へ焦点を移し,実行パラダイムを中心とした分類を紹介した。
  論文  参考訳（メタデータ） (2025-09-02T14:16:02Z)

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。