GATS: Busca em Árvore Aumentada por Grafos com Modelos de Mundo em Camadas para Planejamento Eficiente de Agentes

arXiv:2607.08894v1 Tipo de Anúncio: novo Resumo: Agentes de Large Language Model (LLM) têm se mostrado promissores em tarefas de planejamento de múltiplas etapas, mas abordagens existentes como o LATS (Language Agent Tree Search) e o ReAct dependem fortemente da inferência de LLM durante o planejamento, o que leva a altos custos computacionais e comportamento estocástico. Apresentamos o \textbf{GATS} (Graph-Augmented Tree Search), um framework de planejamento que combina a busca em árvore sistemática baseada em UCB1 com um modelo de mundo em camadas para eliminar chamadas de LLM durante a inferê...