計画/具現化AI2026/8/4arXiv:2608.03034v1

PACE: 時間効率的な具現化計画のための適応予算配分

PACE: Adaptive Budget Allocation for Time-Efficient Embodied Planning

推論と実行を交互に行うアーキテクチャと、実行時間に応じて推論トークン予算を動的に調整する機構を導入し、具現化計画の推論遅延を大幅に削減しつつ成功率も向上させた。

詳しい要約

1. どんなもの？

PACE (Planning with Adaptive Cognitive Effort) は、推論能力を強化した大規模言語モデルを組み込みシステムに展開する際の推論遅延問題を解決するフレームワーク。推論と実行をインターリーブするInterleaved Think-Actアーキテクチャと、実行時間ウィンドウに応じて推論トークン予算を適応させるDynamic Budget Allocatorを導入し、時間効率と計画品質を両立する。

2. 先行研究と比べてどこがすごい？

従来の推論強化LLMは計画タスクで性能向上を示すが、推論がすべて完了してから実行する直列的なパラダイムのため、実行時間ウィンドウを活用できず、1計画あたり数分の遅延が生じる。PACEは推論と実行をパイプライン化し、実行時間を推論に隠蔽することで、遅延を大幅に削減しつつ成功率も向上させる点が新しい。

3. 技術・手法の肝は？

技術の肝は2点。1) Interleaved Think-Actアーキテクチャ：推論と行動実行を交互に行い、実行中に次の推論を進めるパイプライン処理。2) Dynamic Budget Allocator：利用可能な実行時間ウィンドウに合わせて推論トークン予算を動的に調整し、時間制約内で効率的に推論を完了させる。

4. どうやって有効だと検証した？

RobotouilleベンチマークでQwen3-8B-AWQを用いて評価。PACEは成功率10%を達成し、ReAct+Thinkベースライン比67%向上。思考時間は制約なし推論比6.9倍高速化し、思考時間の66.8%を実行ウィンドウ内に隠蔽した。

5. 議論はある？

要旨からは、成功率が10%と低い点や、他のベンチマークやモデルでの汎用性、Dynamic Budget Allocatorの詳細な設計、隠蔽率の上限などに関する議論は不明。また、推論と実行のインターリーブがタスクの性質に依存する可能性も考えられるが、要旨には明記されていない。

6. 次に読むべき論文は？

要旨で参照されているReAct+Thinkベースラインに関連するReAct（Reasoning and Acting）や、推論強化LLMの計画手法（例：Chain-of-Thought、Tree-of-Thoughts）に関する論文が考えられる。また、時間効率的な推論のための手法（例：Early Exit、Speculative Decoding）も関連するが、要旨に明示されていないため一般名で挙げる。

※ 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: Yuchen Huang, Xijiang Ying, Zhenhua Ma, Xiaxiang Yuan, Zhijie Gao, Jiayi Huang, Ruichi Mao, Jiazheng Zhang, Hongsheng Ti, Maotao Tian, Rong Shi, Lu Zhao, Shizhuang Zhang, Zhuo Cui, He Wang, Ling Liu, Wei Zhang

分類: cs.RO, cs.AI

原文アブストラクト

Reasoning-enhanced large language models have achieved remarkable improvements in planning tasks, yet their deployment in embodied systems remains impractical due to prohibitive inference delays-often exceeding minutes per planning instance. The fundamental bottleneck stems from the serial nature of existing paradigms: models must complete all reasoning before any action execution, leaving execution time windows entirely unexploited. We introduce PACE (Planning with Adaptive Cognitive Effort), a framework that enables interleaved reasoning and execution through two key innovations: an Interleaved Think-Act architecture that pipelines cognitive processing with action execution, and a Dynamic Budget Allocator that adapts reasoning token budgets to available execution time windows. On the Robotouille benchmark using Qwen3-8B-AWQ, PACE achieves a 10% success rate-representing a 67% improvement over the ReAct+Think baseline-while delivering 6.9 times acceleration in thinking time compared to unconstrained reasoning. The framework hides 66.8% of thinking time within execution windows, demonstrating that strategic cognitive effort allocation can simultaneously improve both planning quality and time efficiency. These results provide evidence that time-aware architectural innovations enable reasoning models to operate in latency-sensitive embodied domains where they were previously impractical.

arXivで原文を読む →arXiv概要ページ

← 論文一覧