🧠 GATS: 100% успех в планировании агентов без единого вызова LLM Новый фреймворк GATS (Graph-Augmented Tree Search) отказывается от LLM в цикле принятия решений и заменяет их детерминированным поиском с трёхслойной моделью мира. Первый слой — точное символьное сопоставление действий, второй — статистика из логов выполнения, и лишь третий использует LLM для предсказания незнакомых переходов, но не во время инференса, а на этапе построения модели. Такой дизайн позволяет не только исключить дорогие вызовы модели (в среднем 37 на задачу у LATS), но и убрать стохастическую природу генерации — планы становятся полностью воспроизводимыми. На синтетических задачах с ветвлениями и тупиками GATS достигает 100 % успеха, тогда как LATS даёт 92 %, а ReAct — лишь 64 %. Стресс-тест из 12 сценариев, включающих рабочие процессы кодинга, веб-навигацию и длинные горизонты, закрепляет превосходство: 100 % против 88,9 % (LATS) и 23,9 % (ReAct). При этом GATS не делает ни одного вызова LLM на задачу в процессе планирования, а результат имеет нулевую дисперсию между запусками. • Синтетика: GATS 100 %, LATS 92 %, ReAct 64 % • Стресс-тест 12 сценариев: GATS 100 %, LATS 88,9 %, ReAct 23,9 % • Вызовов LLM на задачу: GATS 0, LATS 37 • Дисперсия между запусками: 0 (детерминированный план) Это не столько победа конкретного фреймворка, сколько сигнал, что обученная модель мира плюс систематический поиск могут быть эффективнее «думающей» LLM в цикле. Логичен вопрос — насколько слой L2 способен масштабироваться на открытые домены, где символьные правила не покрывают и десятой доли возможных переходов. Пока же GATS отлично показывает, что агентскому планированию не обязательно сжигать токены на каждом шагу. arXiv #GATS #agents #planning #worldmodels