大規模言語モデル（LLM）を利用したエージェントは、複数ステップの計画タスクにおいて有望な成果を示していますが、既存のアプローチであるLATS（Language Agent Tree Search）やReActは計画時に大量のLLM推論に依存しており、計算コストが高く、確率的な動作をもたらすという課題がありました。この問題に対処するため、研究チームは新たなフレームワークであるGATS（Graph-Augmented Tree Search）を提案しました。GATSは体系的なUCB1ベースの木探索と階層型ワールドモデルを組み合わせることで、推論時のLLM呼び出しを完全に排除しながら、優れた計画性能を実現するものです。 GATSの三層構造のワールドモデルは、L1として完全なシンボリック動作マッチング、L2として実行ログから学習した統計情報、L3として未知の動作に対するLLM予測という三つの層から構成されています。このアーキテクチャにより、各層が異なる役割を担当し、必要な場合のみLLMを活用することで効率性を実現しています。 合成計画タスクの評価では、分岐パスと行き止まりを含む環境でGATSは100％の成功率を達成し、LASTの92％、ReActの64％を大きく上回りました。さらに、コーディングワークフロー、ウェブナビゲーション、長期タスクを含む12の難しいシナリオにわたる包括的なストレステストでは、GATSは100％の成功を維持する一方、LASTは88.9％、ReActは23.9％に低下しました。計算効率の面でも、GATSはタスクあたりゼロのLLM呼び出しで実行でき、LASTの37回と比較して大幅な削減を実現しています。さらに、複数回の実行でも全く同じ決定論的な計画を生成し、分散がゼロである点も特筆すべき特徴です。