ReTree、証拠の矛盾時に探索木をロールバックし、Qwen3‑8Bの総合回答精度を30.1％から44.0％へ向上

上海交通大学の研究チームは8月11日、長時間稼働する探索エージェントが抱える、相互に関連した2つの問題に対処する[ReTree](https://arxiv.org/abs/2608.10676)を発表した。完全なReActトラジェクトリを保持するとコンテキストが増え続ける。一方、要約を繰り返せばtokenを節約できるものの、結論だけが残り、それがどのデータに基づくのかが失われる可能性がある。後続の探索によって初期の事実が覆された場合も、通常のエージェントはその事実だけを修正し、古い前提に基づくクエリや結論はメモリ内に残ったままとなる。

ReTreeは、状態の更新をそれぞれツリーノードとして保存する。各ノードには、最大140文字のタスク要約、永続的な識別子とURLを持つ原子的な証拠、改訂履歴が含まれる。モデルが各ステップで参照するのは、現在の要約と、語彙的関連度が最も高い5件の証拠だけだ。新しいデータが、同一のエンティティ、属性、範囲、時点に関して既存の証拠と矛盾する場合、2段階目の判定プロセスが出典と改訂履歴を確認する。矛盾が確認されると、システムは誤りが最初に持ち込まれたノードまで戻り、証拠を差し替え、要約を再構築し、すべての子孫ノードを削除したうえで、修正後の状態から探索を再開する。

研究チームはQwen3‑8Bを使用し、Google検索を最大8回、質問順を同一に設定して、Bamboogle、2WikiMultiHopQA、[HotpotQA](https://hotpotqa.github.io/)、FRAMESの計2,149問で評価した。ReTreeのGPT‑5 judgeによる総合精度は44.0％で、完全なトラジェクトリを保持するReActの30.1％を上回った。Exact Matchは28.0％対20.6％だった。1問あたりの戦略メモリにおける最大コンテキスト長は平均1,190文字で、ベースラインは1,677文字だった。HotpotQAは複数の文書を横断して回答と根拠となる事実を見つけること自体を要求するため、マルチホップ推論において出典の連鎖が維持されているかを検証するのに適している。

この設計は、エージェントのメモリを変更可能なテキストブロックから、ロールバック可能な依存状態へと進化させるものであり、更新されるデータ、相互に矛盾する情報源、監査可能な引用を扱う必要があるリサーチエージェントに適している。ただし、現時点では矛盾の判定をLLMに、評価をGPT‑5に依存しており、主要な実験はすべて単一のモデルと単一のseedのみで実施されている。ReTreeはノードの祖先関係を意味的な依存関係として扱うため、サブツリー全体のプルーニングは安全性が高い反面、無関係な探索までやり直す可能性がある。実環境へ導入する前には、より細粒度な依存関係の追跡、矛盾判定のテスト、APIコストとレイテンシーに関する包括的な報告が必要だ。