日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

エージェント計画arXiv:2607.08894

GATS: 階層的世界モデルを用いたグラフ拡張木探索による効率的なエージェント計画

GATS: Graph-Augmented Tree Search with Layered World Models for Efficient Agent Planning

シェア:XThreadsFacebookLINEはてブBluesky

LLMエージェントの計画時に推論コストを削減するため、UCB1ベースの木探索と3層の世界モデルを組み合わせたGATSを提案し、LLM呼び出しなしで高い成功率を達成した。

詳しい要約

1. どんなもの?

GATS (Graph-Augmented Tree Search) は、LLMエージェントのマルチステップ計画のためのフレームワークである。UCB1ベースの系統的な木探索と、3層の世界モデル(L1: 正確なシンボリックアクション照合、L2: 実行ログから学習した統計、L3: 未知アクションに対するLLMベースの予測)を組み合わせることで、計画中のLLM推論を排除し、決定論的な計画を生成する。

2. 先行研究と比べてどこがすごい?

既存のLATS (Language Agent Tree Search) やReActは計画中にLLM推論に依存し、計算コストが高く、確率的な挙動を示す。GATSは計画中のLLM呼び出しをゼロにしつつ、高い成功率を達成する点で優れている。

3. 技術・手法の肝は?

手法の核は、UCB1ベースの系統的木探索と、3層の世界モデルの統合である。L1は正確なシンボリックアクション照合、L2は実行ログから学習した統計、L3は未知アクションに対するLLMベースの予測を提供する。これにより、計画中のLLM呼び出しを排除し、決定論的な計画を生成する。

4. どうやって有効だと検証した?

合成計画タスク(分岐経路と行き止まりを含む)で、GATSは100%の成功率を達成し、LATSの92%、ReActの64%を上回った。さらに、コーディングワークフロー、Webナビゲーション、長期タスクを含む12の挑戦的なシナリオのストレステストでも、GATSは100%の成功率を維持し、LATSは88.9%、ReActは23.9%に低下した。また、GATSはタスクあたりのLLM呼び出しがゼロ(LATSは37回)で、実行間の分散もゼロだった。

5. 議論はある?

要旨からは、GATSの限界や潜在的な欠点についての議論は不明である。ただし、世界モデルの学習には実行ログが必要であり、未知のアクションに対してはLLMに依存するため、完全にLLMフリーではない可能性が示唆される。

6. 次に読むべき論文は?

要旨で参照されているLATS (Language Agent Tree Search) とReActが関連研究として挙げられる。また、世界モデルや木探索を用いた計画手法に関する一般的な研究も関連する。

※ 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: Maureese Williams, Dymitr Nowicki

分類: cs.AI, cs.LG

原文アブストラクト

Large Language Model (LLM) agents have shown promise in multi-step planning tasks, but existing approaches like LATS (Language Agent Tree Search) and ReAct rely heavily on LLM inference during planning, leading to high computational costs and stochastic behavior. We present \textbf{GATS} (Graph-Augmented Tree Search), a planning framework that combines systematic UCB1-based tree search with a layered world model to eliminate LLM calls during inference while achieving superior planning performance. Our three-layer world model integrates: (L1) exact symbolic action matching, (L2) statistics learned from execution logs, and (L3) LLM-based prediction for unknown actions. On synthetic planning tasks with branching paths and dead-ends, GATS achieves \textbf{100\% success rate} compared to 92 % for LATS and 64\% for ReAct. On a comprehensive stress test spanning 12 challenging scenarios -- including coding workflows, web navigation, and long-horizon tasks -- GATS maintains \textbf{100\% success} while LATS drops to 88.9 % and ReAct to 23.9%. GATS requires \textbf{zero LLM calls per task} during planning (vs. 37 per task for LATS) and produces deterministic plans with zero variance across runs. Our results demonstrate that systematic search with learned world models can substantially outperform LLM-guided exploration for agent planning.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI