GATS: метод планирования для ИИ-агентов с нулевыми вызовами LLM и 100% успехом
Группа исследователей представила GATS (Graph-Augmented Tree Search) — новый подход к планированию для агентов на основе больших языковых моделей (LLM). Разработка позволяет добиться 100% успеха при решении многошаговых задач, полностью исключив вызовы LLM во время планирования.
Основная идея GATS — замена дорогостоящих LLM-вызовов на систематический поиск по дереву с использованием UCB1-алгоритма и трехуровневой модели мира. Модель включает точное символьное сопоставление действий (L1), статистику по логам выполнения (L2) и LLM-предсказания только для неизвестных действий (L3). В результате время планирования сокращается, а результаты становятся детерминированными.
На синтетических задачах с ветвлением и тупиками GATS достиг 100% успеха, тогда как LATS — 92%, а ReAct — 64%. На комплексном стресс-тесте из 12 сценариев, включая написание кода, веб-навигацию и долгосрочные задания, GATS сохранил 100% успех, в то время как LATS снизился до 88,9%, а ReAct — до 23,9%.
Ключевое преимущество GATS — нулевые вызовы LLM на задачу во время планирования (против 37 у LATS). Это делает метод экономичным и предсказуемым: планы не имеют вариаций между запусками.
Разработка может найти применение в робототехнике, автономных системах и программных агентах, где важна стабильность и низкая задержка принятия решений. Исследование опубликовано на arXiv (ID: 2607.08894).
