論文の概要: As Expected? Efficient LLM Planning via Expectation-Observation Consistency Verification

• arxiv url: http://arxiv.org/abs/2611.02438v1
• Date: Mon, 02 Nov 2026 02:59:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 23:36:30.558378
• Title: As Expected? Efficient LLM Planning via Expectation-Observation Consistency Verification
• Title（参考訳）: 期待通り?期待・観測整合性検証による効率的なLCM計画
• Abstract要約: LLM計画はしばしば、最新の観測で基礎を保つために各ステップで1つのアクションを生成するリアクティブエグゼキュータに依存している。 バッチ実行器は、単一のモデル呼び出しで複数のアクションを予測することで、このコストを削減するが、中間観察が無視されるため、エラーを複雑化する傾向がある。 そこで本研究では,バッチ型エグゼキュータに対する予測・観測整合性検証(EOCV)機構を提案する。
• 参考スコア（独自算出の注目度）: 52.04455375923334
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM planning often relies on reactive executors (e.g., ReAct) that generate a single action at each step to remain grounded in the latest observations, incurring substantial inference cost. Batched executors reduce this cost by predicting multiple actions in a single model invocation, yet they are prone to compounding errors, as intermediate observations are ignored. We propose an expectation-observation consistency verification (EOCV) mechanism for batched executors, preserving grounding while improving efficiency. The mechanism generates expectations of action outcomes and compares them with the resulting observations. Consistency permits continued execution, whereas mismatches trigger early termination and replanning from the current observation. Experiments on text-based and multimodal benchmarks across multiple backbones show broadly comparable average task performance between EOCV and reactive executors, with a 29-35% reduction in average weighted token usage. Moreover, the mechanism is model-agnostic and remains effective when integrated into state-of-the-art planners.
• Abstract（参考訳）: LLM計画はしばしば、最新の観測で基礎を保ちながら各ステップで1つのアクションを生成するリアクティブエグゼキュータ(例:ReAct)に依存し、かなりの推論コストを発生させる。 バッチ実行器は、単一のモデル呼び出しで複数のアクションを予測することで、このコストを削減するが、中間観察が無視されるため、エラーを複雑化する傾向がある。 そこで本研究では,バッチ型エグゼキュータに対する予測・観測整合性検証(EOCV)機構を提案する。 このメカニズムは行動結果の期待を発生させ、その結果の観測結果と比較する。 一貫性は実行を継続するが、ミスマッチは早期終了と現在の観察から再計画を引き起こす。 複数のバックボーンにわたるテキストベースおよびマルチモーダルベンチマークの実験では、EOCVとリアクティブエグゼキュータ間の平均タスクパフォーマンスが、平均重み付きトークン使用率を29～35%削減した。 さらに、このメカニズムはモデルに依存しず、最先端のプランナーに統合しても有効である。

関連論文リスト

• Looking Back to Move Forward: Temporal Verification for Generative Robot Policies [53.428667457759055]
  表現的生成行動モデリングと大規模実演コーパスからのスケーラブルな模倣学習を組み合わせた,ロボット学習のための有望なパラダイムとして生成ポリシーが登場した。 本稿では,フローマッチングVLAのための時空間認識型動作検証フレームワークTeVを紹介する。
  論文  参考訳（メタデータ） (2026-09-30T05:41:58Z)
• CARE: Experience-Guided Atomic Corrective Execution for Vision-Language-Action Policies [52.32735203969873]
  VLA(Vision-Language-Action)ポリシーは、ロボット操作において強力なパフォーマンスを達成するが、実行が名目上の軌道から逸脱した後も不安定なままである。 本稿では,実行時に発生する障害から学習することで回復を改善するフレームワークであるCARE(Corrective Atomic Robotic Execution)を提案する。
  論文  参考訳（メタデータ） (2026-09-21T05:14:34Z)
• FutureRTC: Real-Time Robot Execution with Anticipatory-Conditioned Action Chunking [51.97839311685636]
  FutureRTCは、実行時の観察と非同期VLA制御の状態を予測するためのプラグイン・アンド・プレイ適応フレームワークである。 FutureRTCは推論遅延に対する堅牢性を実現し,よりスムーズな軌道,高速な実行,一貫したタスク成功率を実現している。
  論文  参考訳（メタデータ） (2026-07-27T05:10:16Z)
• Pre-VLA: Preemptive Runtime Verification for Reliable Vision-Language-Action and World-Model Rollouts [18.44683570310399]
  低品質なアクションは、実行中に物理的な障害を引き起こしたり、冗長なレンダリングコストで世界モデルのロールアウトを誤解させるおそれがある。 実演や世界モデルの想像力の前にプリエンプティブ・アクションアセスメントの妥当性を示す統一型ランタイム検証アーキテクチャであるPre-VLAを提案する。
  論文  参考訳（メタデータ） (2026-05-21T13:13:31Z)
• Dynamic Execution Commitment of Vision-Language-Action Models [21.647844049489535]
  本稿では,動的実行コミットメントを自己特定的プレフィックス検証問題として再編成する適応アクションアクセプタンス機構であるA3を紹介する。 A3はまず、グループサンプリングを介して行動の軌跡的なコンセンサススコアを計算し、次に代表ドラフトを選択し、下流検証を優先する。 さまざまなVLAモデルとベンチマークの実験では、A3は手動の水平調整の必要性を排除し、実行と推論のスループットのトレードオフを優れたものにしている。
  論文  参考訳（メタデータ） (2026-05-12T05:52:58Z)
• See, Plan, Rewind: Progress-Aware Vision-Language-Action Models for Robust Robotic Manipulation [59.07792608884117]
  本稿では,See, Plan, Rewind (SPR)について紹介する。 SPRは、現在の状態と今後のマイルストーンを見て、次の2Dウェイポイントに向けて軌道を計画し、障害時に回復可能な状態に戻すという、継続的なコアサイクルを通じて運用される。 SPRは、OpenVLA-OFTとUniVLAを上回る最小のパフォーマンス低下で最先端のロバスト性を達成する。
  論文  参考訳（メタデータ） (2026-03-10T07:22:51Z)
• Seeing Farther and Smarter: Value-Guided Multi-Path Reflection for VLM Policy Optimization [41.15414881730464]
  VLM(Vision-Language Models)は、この目標に対して、一般的なパーセプティブ・レアソン・アクティベート・フレームワークを提供する。 従来のアプローチは、ノイズの多い予見予測から状態値の非効率で、しばしば不正確な暗黙の学習に依存していた。 動作生成から状態評価を分離する新しいテスト時間計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-22T22:53:16Z)
• Reshaping Action Error Distributions for Reliable Vision-Language-Action Models [69.38615670891038]
  ロボット操作において、視覚言語アクション(VLA)モデルは、一般化可能でスケーラブルなロボットポリシーを学ぶための有望なパラダイムとして登場した。 連続動作型VLAモデルに焦点をあて、トレーニング中の動作誤差分布を再構成することにより、従来のMSEベースの回帰を超越する。 複数の代表的VLAアーキテクチャ上で、標準、少数ショット、ノイズの多い設定にまたがるアプローチを評価します。
  論文  参考訳（メタデータ） (2026-02-04T05:37:09Z)
• Attention, Please! Revisiting Attentive Probing Through the Lens of Efficiency [20.320991233039965]
  微調整が大規模で非現実的になると、好ましい評価プロトコルとして探索が出現する。 これは注意力を使ってパッチレベルの機能を選択的に集約する代替手段である注意力調査の必要性を動機付けている。 本稿では,既存の手法を総合的に検討し,その設計選択を解析し,性能をベンチマークする。
  論文  参考訳（メタデータ） (2025-06-11T21:10:26Z)

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。