arXiv cs.AI は2026年9月10日(現地時間)、言語モデルが利用するツールライブラリの効率化に関する研究論文を公開した。同論文は、オンラインエージェント向けに「ツールメニュー (tool menu)」の概念と「State-Path Tool Menu」と呼ばれる新たな手法を提案している。これは、数千のインターフェースを含むツールライブラリから、実行前にエージェントに提示するツールの短く順序付けられたサブセットを作成する。本手法は事前実行経路である「ステートパス (state path)」を学習し、多段階タスクにおいて最終アクションとその前提ツールを適切な順序で提供する。
提案されたState-Path Tool Menuは、観測可能な要求状態から望ましい結果への事前実行経路であるステートパス (state path)を学習する。このフレームワークは、ツールメニューを実行前の優先順位付けとみなし、そのエンコーダが現在の状態から実行可能なツール、出力が後の入力を満たす方法、および訓練パスで繰り返される順序を表現する。
システムはリトリーバー、エンコーダ、リランカーで構成される。リトリーバーは実行可能なエントリ、不足している入力のプロデューサー、および最終アクションをカバーする。リランカーはプロデューサーをコンシューマーの前に配置する。
論文によると、この手法をToolBenchで評価した結果、オンライン成功率が0.737から0.898に向上した。また、既存のリトリーバル、リランキング、生成、ルーティングの各ベースライン手法を、エージェントに変更を加えることなく上回ったとされている。State-Path Tool Menuは、公式リストが128ツールをカバーするよりも少ない32ツールでより完全なチェーンをカバーし、この成功率の向上は異なるモデル容量を持つエグゼキューターファミリー全体で持続する。
この研究論文は、ボー・ヤン (Bo Yan) 氏、ウェイカイ・リン (Weikai Lin) 氏、ソン・ワン (Song Wang) 氏によって執筆されたもので、EMNLP 2026に採択されている。関連コードはGitHubにて公開されている。
参考: arXiv cs.AI — 2026年9月11日 13:00 (JST)
原文ハイライト"On ToolBench, our menu raises online success from 0.737 to 0.898 and outperforms retrieval"