要旨：再帰型の大規模言語モデル（LLM）エージェントは、分解・実行・環境からのフィードバックを通じて長期的なタスクを解決する。しかし、原子的なサブタスクを生成した後、しばしば同じ大規模モデルを再度呼び出して、馴染みのある指示を実行可能なアクションへと変換している。我々は、高レベルの計画はタスク固有である一方で、低レベルのアクションの具現化はタスク間で繰り返され、環境が許容する行動と照合可能であることを観察した。そこで、セマンティックに関連する具現化経験を取得し、アクションテンプレートを現在のオブジェクトおよび許容されるアクションに結びつけ、軽量な17億パラメータの選択器によって結び付けられたアクションを選択したり、変更のないサブタスクを元のエージェントに委ねたりする外部再利用層であるLeafSkillを提案する。スキルはモデルのパラメータ外に留まるため、固定された選択器は学習後の追加を活用できる。語彙的・構文的な言い換え下では、完全一致による参照アクションの検索ではいずれも該当するアクションが見つからないのに対し、セマンティックな検索では候補のカバレッジがそれぞれ96.0％および97.0％を維持し、固定された選択器は未見のスキルタイプの97.34％を採用する。独立した確認セットである200件のRobotouilleタスクにおいて、LeafSkillはReCAPの121件に対し137件を完了させ、正確なマクネマー検定では68.5％対60.5％、p＝0.0259を示した。両者が完了した106件については、Qwen3.5-27Bのトークン数を14.42％、呼び出し回数を14.08％削減した。別途保持された反復試験でも、一貫して9.0ポイントの成功率向上と18.98％のトークン削減が確認された。このように、再利用可能な低レベルのアクション具現化は、高レベルの計画を置き換えずに、ホストモデルの推論負荷を軽減しつつタスク完了率を向上させることができる。
提出履歴
Paperへのアクセス：
PDFを表示
HTML（実験的）
TeXソース
追加機能
オーディオ要約
現在の閲覧コンテキスト：
参考文献および引用
Google Scholar
セマンティック・スカラー
ブックマーク
機関
arXivLabsは、共同作業者が当社のウェブサイト上で新しいarXiv機能を直接開発・共有できるフレームワークです。
arXivLabsと協働する個人および組織は、いずれも当社の価値観であるオープン性、コミュニティ、卓越性、そしてユーザーデータのプライバシーを尊重し、受け入れています。arXivはこれらの価値観に固くコミットしており、それらを遵守するパートナーのみと協力しています。
arXivのコミュニティに価値をもたらすプロジェクトのアイデアをお持ちですか？arXivLabsについて詳しくご覧ください。