タスク推論2026/5/1arXiv:2605.18109

TaskGround: 全シーン家庭内推論のための構造化実行可能タスク推論

TaskGround: Structured Executable Task Inference for Full-Scene Household Reasoning

家庭内エージェントが完全なシーンと状況依頼から実行可能なタスク構造を推論するための、訓練不要でモデル非依存のフレームワークを提案し、新評価スイートFullHomeで効果を実証した。

詳しい要約

1. どんなもの？

- 完全な household scene と situated request から、実行可能なタスク構造を推論する full-scene household reasoning を定式化 - タスク関連 entity の特定、意図された条件の復元、順序制約の解決が必要 - 提案手法 TaskGround は training-free かつ model-agnostic な Ground-Infer-Execute フレームワーク - 評価用に FullHome を導入：400 の household task からなる human-validated 評価スイート - 多様な home-scale 環境と goal-oriented / process-constrained 要件を網羅

2. 先行研究と比べてどこがすごい？

- 従来は clean なタスク仕様を前提とするが、本研究は完全な household scene からの推論を扱う - 完全 scene を直接プロンプトすると非関連情報が多く非効率・誤りやすい問題に対処 - privacy と local compute 制約下で compact open-weight model を有効活用する点が新しい - TaskGround により Qwen3.5-9B が GPT-5 の direct complete-scene prompting と競合可能 - 総入力トークンコストを最大 18x 削減

3. 技術・手法の肝は？

- Ground-Infer-Execute の3段階からなる training-free フレームワーク - Ground：完全 scene を compact な task-relevant scene slice に接地 - Infer：実行可能なタスク構造を推論 - Execute：grounded skill-level action sequence にコンパイル - model-agnostic で追加学習不要

4. どうやって有効だと検証した？

- FullHome を用いて評価：400 の household task、human-validated - 多様な home-scale 環境、goal-oriented と process-constrained の両要件を含む - proprietary モデルと open-weight モデルの両方で task success rate が大幅改善 - Qwen3.5-9B が GPT-5 の direct complete-scene prompting と同等性能を達成 - 入力トークンコストを最大 18x 削減

5. 議論はある？

- executable task-structure inference が full-scene household reasoning の中心的ボトルネックと特定 - 構造的 grounding が compact local model の実用的 household 展開を大幅に改善し得ることを示す - 完全 scene の非関連情報が直接プロンプトの非効率・誤りを招く点を議論 - privacy と local compute 制約が compact open-weight model を選好させる実務的課題に言及 - 具体的な限界や失敗事例は要旨からは不明

6. 次に読むべき論文は？

- FullHome 評価スイートに関連する household task ベンチマーク - GPT-5 や Qwen3.5-9B など direct complete-scene prompting を用いる研究 - Ground-Infer-Execute や structured grounding に関連する手法 - training-free / model-agnostic なタスク推論フレームワーク - 要旨で参照・比較されている個別研究は明示されていないため、同分野の定番として household reasoning や embodied AI のベンチマーク研究を挙げる

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: ZhiYuan Feng, Yu Deng, Ruichuan An, Zhenhua Liu, Qixiu Li, Keming Wu, Zhiying Du, Weijie Wang, Haoxiao Wang, Shuang Chen, Sicheng Xu, Yaobo Liang, Jiaolong Yang, Baining Guo

分類: cs.AI, cs.CV, cs.RO

原文アブストラクト

In real home deployments, household agents must often operate from a complete household scene and a situated household request, rather than from a clean task specification. Such requests require agents to identify task-relevant entities, recover intended task conditions, and resolve ordering constraints from the surrounding scene context. We formalize this capability as full-scene household reasoning: given a complete household scene and a situated household request, an agent must infer executable task structure before producing a grounded skill-level action sequence. This setting is challenging because complete household scenes contain substantial task-irrelevant information, making direct complete-scene prompting inefficient and error-prone. In practical deployment, this challenge is further amplified by privacy and local compute constraints, which favor compact open-weight models with limited long-context reasoning ability. We propose TaskGround, a training-free and model-agnostic Ground-Infer-Execute framework that grounds complete scenes into compact task-relevant scene slices, infers executable task structure, and compiles it into grounded skill-level action sequences. To evaluate this setting, we introduce FullHome, a human-validated evaluation suite of 400 household tasks spanning diverse home-scale environments and both goal-oriented and process-constrained requirements. On FullHome, TaskGround improves task success rates by large margins across both proprietary and open-weight models. Notably, it makes Qwen3.5-9B competitive with GPT-5 under direct complete-scene prompting while reducing total input-token cost by up to 18x. Our results identify executable task-structure inference as a central bottleneck in full-scene household reasoning and show that structured grounding can make compact local models substantially more effective for practical household deployment.

arXivで原文を読む →arXiv概要ページ

← 論文一覧