Zespół badawczy zaproponował GATS, framework planowania, który eliminuje potrzebę wywoływania dużego modelu językowego podczas etapu planowania, co stanowi przełom w efektywności agentów AI. System łączy probabilistyczne wyszukiwanie drzewa UCB1 z wielowarstwowym modelem świata zdolnym do przewidywania wyników akcji agenta bez angażowania LLM na każdym kroku.
Trójwarstwowa architektura modelu świata GATS działa hierarchicznie: warstwa L1 wykonuje dokładne dopasowanie akcji symbolicznych na podstawie wcześniejszych obserwacji, warstwa L2 wykorzystuje statystyki zebrane z dzienników wykonań, a warstwa L3 sięga po predykcje modelu językowego wyłącznie dla wcześniej nieznanych akcji. W testach na syntetycznych zadaniach planowania z rozgałęziającymi się ścieżkami i ślepymi zaułkami GATS osiągnął 100% wskaźnik sukcesu, w porównaniu z 92% dla LATS i 64% dla ReAct. Jeszcze bardziej imponujące rezultaty pojawił się w kompleksowych testach obejmujących 12 trudnych scenariuszy - od przepływów pracy związanych z kodowaniem, przez nawigację webową, po zadania długohoryzontu - gdzie GATS utrzymywał 100% sukces, podczas gdy LATS spadł do 88,9%, a ReAct do zaledwie 23,9%.
Wartość praktyczna tej pracy leży w drastycznym zmniejszeniu kosztów obliczeniowych i eliminacji niedeterministyczności. GATS wymaga zero wywołań LLM na zadanie podczas planowania, gdzie LATS potrzebuje średnio 37 wywołań, a dodatkowo generuje całkowicie deterministyczne plany z zerową wariancją między przebiegami. To pokazuje, że systematyczne wyszukiwanie wspomagane nauczonym modelem świata może dorównać czy przewyższyć eksplorację prowadzoną przez duże modele językowe, otwierając nowe możliwości dla bardziej wydajnych i przewidywalnych systemów agentów autonomicznych.