GATS(Graph-Augmented Tree Search)는 UCB1 기반 트리 탐색과 3계층 월드 모델을 결합해 계획 단계에서 LLM 호출을 아예 없앤 에이전트 플래닝 프레임워크다. 월드 모델은 정확한 심볼릭 행동 매칭(L1), 실행 로그에서 학습한 통계(L2), 미지 행동에 대한 LLM 예측(L3)으로 구성된다. 분기·막다른 길이 있는 합성 계획 과제에서 100% 성공률을 기록해 LATS(92%)와 ReAct(64%)를 앞섰고, 코딩·웹 내비게이션 등 12개 시나리오 스트레스 테스트에서도 100%를 유지했다(LATS 88.9%, ReAct 23.9%). 과제당 LLM 호출이 0회(LATS는 37회)로 결정론적 계획을 생성해, 비용과 재현성 면에서 LLM 유도 탐색의 실용적 대안을 제시한다.
- •심볼릭 매칭·실행 로그 통계·LLM 예측의 3계층 월드 모델을 UCB1 트리 탐색과 결합
- •합성 계획 과제에서 100% 성공률(LATS 92%, ReAct 64%)
- •12개 시나리오 스트레스 테스트에서도 100% 유지, ReAct는 23.9%로 급락
- •계획 시 LLM 호출 0회(LATS는 과제당 37회), 실행 간 분산 0의 결정론적 계획 생성
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
GATS: Graph-Augmented Tree Search with Layered World Models for Efficient Agent Planning
- 1.계획 중 LLM 호출을 없애는 그래프 증강 트리 탐색 프레임워크 GATS 제안
- 2.심볼릭 매칭·실행 로그 통계·LLM 예측의 3층 월드모델과 UCB1 탐색 결합
- 3.12개 시나리오 스트레스 테스트서 100% 성공, LATS 88.9%·ReAct 23.9% 압도
- 4.과제당 LLM 호출 0회(LATS는 37회)로 결정론적 계획 생성
왜 중요한가?
LLM 유도 탐색 대신 학습된 월드모델 기반 체계적 탐색으로 계획 비용과 확률적 변동성을 동시에 제거했다. 추론 비용이 에이전트 운영의 핵심 제약인 상황에서 계획 단계 LLM 의존을 없앤 접근은 배포 경제성 측면에서 주목할 만하다.
본문 미리보기
arXiv:2607.08894v1 Announce Type: new Abstract: 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 infer
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:08AI 초안
