論文の概要: When Does Test-Time Search Help World Action Models? An Empirical Audit of Candidate Selection and Simulator Integrity

• arxiv url: http://arxiv.org/abs/2610.41970v1
• Date: Fri, 30 Oct 2026 16:21:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.807695
• Title: When Does Test-Time Search Help World Action Models? An Empirical Audit of Candidate Selection and Simulator Integrity
• Title（参考訳）: テスト時間探索は世界行動モデルに役立つのか? 候補選択とシミュレータ統合の実証研究
• Abstract要約: コスモス政策とロボカサの試験時間スケーリングを前提優先の事前登録手法で監査する。 クリーンデータでは、学習した値セレクタはランダムよりも1.66 pp、後光オラクルはわずか1.40 pp、エピソードレベルの間隔は0である。 我々は、公式の直接政治結果に影響を与えないまま、計算量の多い計画経路に沿って急上昇する静かなレンダリングの汚職を特定し、修正する。
• 参考スコア（独自算出の注目度）: 43.246302566518644
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: World-action models increasingly apply test-time scaling, spending extra inference computation on candidate selection and adaptive allocation to improve control. Such gains are credible only when candidates carry exploitable signal, nominal compute savings become real speedup, and evaluation stays reliable. We audit all three on Cosmos Policy and RoboCasa with a premise-first, pre-registered methodology. On clean data, a learned value selector is 1.66 pp worse than random; a hindsight oracle gains only 1.40 pp, with an episode-level interval spanning zero; and 82% of states show identical candidate outcomes, leaving little selection headroom. Token pruning cuts per-forward FLOPs by up to 47% but yields at most a measured 1.15$\times$ end-to-end speedup on the deployed path (1.25$\times$ on a decode-excluded path), short of a 1.5$\times$ target, and our adaptive-allocation experiment is inconclusive under a power gate. We further identify and fix a silent rendering corruption whose rate rises sharply along compute-heavy planning paths while leaving the official direct-policy result unaffected, and release a detector, fix, and scripts. These findings show why test-time scaling should be audited as a chain of premises (decision signal, realized efficiency, evaluationintegrity) rather than by success rate alone. Conclusions are scoped to the tested configuration.
• Abstract（参考訳）: ワールドアクションモデルは、テストタイムのスケーリング、候補の選択に余分な推論計算、そして制御を改善するための適応アロケーションをますます適用している。 このような利得は、候補が悪用可能な信号を持ち、名目計算の貯蓄が真のスピードアップとなり、評価が信頼できる場合にのみ信頼できる。 コスモス政策とロボカサの3つ全てを前提優先の事前登録手法で監査する。 クリーンなデータでは、学習した値セレクタはランダムよりも1.66 pp、後光オラクルはわずか1.40 pp、エピソードレベルの間隔はゼロであり、州の82%が同じ候補結果を示し、選択ヘッドルームはほとんど残っていない。 Token pruning cuts per-forward FLOPs to up 47% cuts to up at least a measured 1.15$\times$ end-to-end speedup on the deployed path (1.25$\times$ on a decode-clusiveed path), short of a 1.5$\times$ target, and our Adaptive-allocation experiment is inconclusive under a power gate。 さらに我々は、公式の直接政治結果に影響を与えないまま、計算量の多い計画経路に沿って急上昇する静かなレンダリングの汚職を特定し、修正し、検出器、修正、スクリプトを解放する。 これらの結果は,試験時間のスケーリングが成功率のみではなく,前提条件の連鎖(決定信号,効率性,評価積分性)として監査されるべきであることを示す。 コンクルージョンはテストされた設定にスコープされる。

関連論文リスト

• When to Ask for Help: A Decision-Theoretic Account and Measurement Standard for Slow-Module Scheduling in Dual-System Vision-Language-Action Models [3.684249593489113]
  我々は、固定言語、固定予算、履歴付きスケジュールが1つの量の縮退したケースである介入の値(VoI)の校正決定問題として呼び出しを形式化する。 測定されたシステムは、$$の3桁の範囲で、直接テストは$$の低い予測を確認する。 LIBERO-SpatialとLIBERO-Goalでは、リライトの欠陥が13点から42点まで深くなっています。
  論文  参考訳（メタデータ） (2026-10-15T03:20:54Z)
• Nearly Optimal Fixed-Confidence Best-Arm Identification with 1-Bit Feedback [0.6524460254566904]
  ランダム化しきい値クエリとクリップ付きテール積分IDに基づく時間均一な1ビット平均推定プリミティブを提案する。 固定クリッピングアルゴリズムは、簡単ないつでも$(,)$-PACを保証する一方、位相適応クリッピングアルゴリズムは、クリッピングレベルと現在の解像度とを一致させ、ギャップ適応的なサンプル複雑性をもたらす。
  論文  参考訳（メタデータ） (2026-10-02T03:56:28Z)
• When Can You Trust Offline Evaluation of Equal-Cost Top-k Allocation? A Controlled, Reproducible Benchmark and Practitioner's Guide [0.0]
  5つのデータセットと2つの既知のエフェクトスイープにまたがる6つの推定器をベンチマークし、非シミュレートされたペア参照に対してそのメカニズムを検証する。 ターゲット自身のスコアからロガーをシャープすると、テスト対象範囲をわずかにオーバーラップし、アクションレベルの不一致が崩壊する。 結果のニュアンスのみを適合させることは、再利用バイアスをその場に残し、それを悪化させます。
  論文  参考訳（メタデータ） (2026-08-12T18:10:10Z)
• CoBa: Cost-Effective Test-Time Scaling via Compute-Balanced Routing [15.829191594065888]
  本稿では,次の計算単位が生成,検証,停止に費やされるべきかどうかをシステムが決定しなければならない計算割当問題として,テスト時間推論を定式化する。 計算バランスの取れたルーティングポリシであるCoBaを導入し、まず少数の候補を最初に獲得し、より安価な検証を広く適用し、不確実性や高価値な候補をルートしてより強力な検証を行う。
  論文  参考訳（メタデータ） (2026-08-07T17:12:13Z)
• Learning Not to Optimize: Physics-Informed Action-Space Reshaping for Intent-Based Network Control [50.46501177871741]
  LNOQRD は小物候補を75.9% で削減し、90.8% でニアオラクルのカバレッジを維持している。 実験の結果、LNOQRDは実用性と意図の満足度が最も高く、かつ、法律違反が最低で、世代後レイテンシが低いことがわかった。
  論文  参考訳（メタデータ） (2026-08-02T00:27:01Z)
• Scaling Laws for Agent Harnesses via Effective Feedback Compute [53.68149869349268]
  emphEffective Feedback Compute (EFC)は、情報的、有効、非冗長な場合にのみフィードバックを信用し、その後の決定のために保持するトレースレベルのスケーリング座標である。 EFCベースの座標は、生の計算ベースラインよりも失敗率を常に予測する。
  論文  参考訳（メタデータ） (2026-05-28T09:45:47Z)
• Agentic Test-Time Scaling for WebAgents [65.5178428849495]
  CATTS(Confidence-Aware Test-Time Scaling)を提案する。 CATTSは、WebArena-LiteとGoBrowseのパフォーマンスをReact上で最大9.1%改善し、均一なスケーリングよりも最大2.3倍少ないトークンを使用する。
  論文  参考訳（メタデータ） (2026-02-12T18:58:30Z)
• ZIP-RC: Optimizing Test-Time Compute via Zero-Overhead Joint Reward-Cost Prediction [57.799425838564]
  ZIP-RCは、モデルに報酬とコストのゼロオーバーヘッド推論時間予測を持たせる適応推論手法である。 ZIP-RCは、同じまたはより低い平均コストで過半数投票よりも最大12%精度が向上する。
  論文  参考訳（メタデータ） (2025-12-01T09:44:31Z)

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。