GATS：結合分層世界模型的圖增強樹搜尋，實現高效智慧體規劃
GATS是一種新的智慧體規劃框架，透過系統性的UCB1樹搜尋和分層世界模型，在規劃過程中完全消除LLM呼叫，同時實現100%的成功率。與LATS和ReAct相比，GATS不僅在合成任務中表現優異，在12個挑戰性場景中也保持100%成功率，且計算成本更低。
大型語言模型（LLM）智慧體在多步規劃任務中展現出巨大潛力，但現有方法如LATS（語言智慧體樹搜尋）和ReAct在規劃過程中嚴重依賴LLM推理，導致計算成本高昂且行為隨機。近期，研究人員提出了一種名為GATS（圖增強樹搜尋）的新框架，該框架將基於UCB1的系統性樹搜尋與分層世界模型相結合，在規劃期間無需任何LLM呼叫即可實現卓越的規劃效能。
GATS的核心是其創新的三層世界模型。第一層（L1）負責精確的符號動作匹配，確保基本動作的正確性；第二層（L2）從執行日誌中學習統計資訊，利用歷史資料指導搜尋；第三層（L3）則使用LLM預測未知動作，處理未見過的場景。這種分層設計使得GATS能夠在保持高準確性的同時大幅降低計算開銷。
在包含分支路徑和死衚衕的合成規劃任務中，GATS達到了100%的成功率，而LATS和ReAct分別僅為92%和64%。更令人印象深刻的是，在涵蓋編碼工作流、網頁導航和長週期任務等12個挑戰性場景的綜合壓力測試中，GATS依然保持100%的成功率，而LATS下降至88.9%，ReAct更是隻有23.9%。
GATS的另一大優勢是效率：每個任務在規劃階段需要零次LLM呼叫，相比之下，LATS每個任務需要37次呼叫。此外，GATS生成確定性計劃，執行間的方差為零，提供了可重複和可靠的結果。這些結果表明，基於學習的世界模型進行系統性搜尋可以大幅優於LLM引導的探索方法，為構建更高效、更可靠的AI智慧體開闢了新道路。該研究由Maureese Williams和Dymitr Nowicki完成，論文於2026年7月9日提交至arXiv。