arXiv cs.AIは2026年11月6日(現地時間)付けで、大規模言語モデル (LLM) の推論効率を改善する新手法「Agentic Reasoning Caching」に関する論文を発表した。同論文では、LLMの推論トレースからCPU実行可能な「Agentic Reasoning Caches (ARCs)」を構築する手法を提示。ARCsは最先端のLLMと同等の性能を示しつつ、呼び出しコストを大幅に削減できるとしている。
この研究はPeter Belcak氏ら5名の著者によって公開された。論文CPU-ARC: Agentic Reasoning Caching for on-CPU Reasoning Reuseによると、LLMはタスク解決と解の実行を混同し、毎回問題をゼロから解決している現状がある。しかし、一度推論されたタスクの解は、新しい問題インスタンスに対して非常に効率的に適用可能であり、LLMの関与をほとんど必要としないことが示された。
提案されたARCsは、堅牢でCPU上で実行可能であり、困難な数学的および科学的タスクにおいて最先端のLLMと同等の性能を発揮すると報告されている。さらに、ARCsは完全に説明可能で、継続的にトレーニングが可能であり、入力摂動に対しても堅牢であるという特性を持つ。元のモデルと比較して、呼び出しコストは16倍から291倍削減できるとしている。この技術報告書は28ページで構成され、9つの図と11の表が含まれている。
参考: arXiv cs.AI — 2026年11月7日 03:58 (JST)
原文ハイライト"ARCs show on-par performance with frontier LLMs across a range of difficult mathematical"