論文の概要: Querying Large Automotive Software Models: Agentic vs. Direct LLM Approaches

• arxiv url: http://arxiv.org/abs/2506.13171v1
• Date: Mon, 16 Jun 2025 07:34:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:47.687915
• Title: Querying Large Automotive Software Models: Agentic vs. Direct LLM Approaches
• Title（参考訳）: 大規模自動車用ソフトウェアモデルのクエリ:エージェント対直接LLMアプローチ
• Authors: Lukasz Mazur, Nenad Petrovic, James Pontes Miranda, Ansgar Radermacher, Robert Rasche, Alois Knoll,
• Abstract要約: 大規模言語モデル(LLM)は、自然言語を通じてソフトウェアモデルのような複雑なソフトウェアアーチファクトと対話する新たな機会を提供する。 本稿では,LLMを利用してソフトウェアモデルに対する疑問に答えるための2つのアプローチについて検討する。 自動車分野におけるタイミング解析とソフトウェア最適化のために設計されたEcoreメタモデルを用いて,これらの手法を評価する。
• 参考スコア（独自算出の注目度）: 3.549427092296418
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) offer new opportunities for interacting with complex software artifacts, such as software models, through natural language. They present especially promising benefits for large software models that are difficult to grasp in their entirety, making traditional interaction and analysis approaches challenging. This paper investigates two approaches for leveraging LLMs to answer questions over software models: direct prompting, where the whole software model is provided in the context, and an agentic approach combining LLM-based agents with general-purpose file access tools. We evaluate these approaches using an Ecore metamodel designed for timing analysis and software optimization in automotive and embedded domains. Our findings show that while the agentic approach achieves accuracy comparable to direct prompting, it is significantly more efficient in terms of token usage. This efficiency makes the agentic approach particularly suitable for the automotive industry, where the large size of software models makes direct prompting infeasible, establishing LLM agents as not just a practical alternative but the only viable solution. Notably, the evaluation was conducted using small LLMs, which are more feasible to be executed locally - an essential advantage for meeting strict requirements around privacy, intellectual property protection, and regulatory compliance. Future work will investigate software models in diverse formats, explore more complex agent architectures, and extend agentic workflows to support not only querying but also modification of software models.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、自然言語を通じてソフトウェアモデルのような複雑なソフトウェアアーチファクトと対話する新たな機会を提供する。 それらは大きなソフトウェアモデルに対して特に有望な利点を示し、その全体を理解するのが難しく、従来のインタラクションと分析アプローチを困難にしている。 本稿では, LLM を利用したエージェントと汎用ファイルアクセスツールを組み合わせたエージェントアプローチと, 直接的プロンプト, ソフトウェアモデル全体がどのような状況で提供されるか, という2つのアプローチについて検討する。 自動車および組込み領域におけるタイミング解析とソフトウェア最適化のために設計されたEcoreメタモデルを用いて,これらの手法を評価する。 その結果,エージェント的手法は直接的プロンプトに匹敵する精度を達成できるが,トークン使用率の面でははるかに効率的であることがわかった。 この効率性により、エージェント的アプローチは特に自動車業界に適しており、ソフトウェアモデルの大きなサイズは直接的にプロンプトを不能にし、LCMエージェントを実用的な代替品としてだけでなく、唯一実行可能なソリューションとして確立する。 この評価は, プライバシー, 知的財産保護, 規制遵守に関する厳格な要件を満たすための重要な利点である, ローカルで実行しやすい小さなLSMを用いて実施された。 今後の作業では、さまざまな形式のソフトウェアモデルを調査し、より複雑なエージェントアーキテクチャを探索し、エージェントワークフローを拡張して、クエリだけでなく、ソフトウェアモデルの修正もサポートする予定である。

関連論文リスト

• API Agents vs. GUI Agents: Divergence and Convergence [35.28490346033735]
  APIとGUIベースの大規模言語モデル(LLM)は、グラフィカルなユーザインターフェースを人間的な方法で操作する。 本稿では,それらの分散と潜在的収束を系統的に解析する。 LLMベースの自動化における継続的なイノベーションは、APIとGUI駆動エージェントの境界線を曖昧にする可能性があることを示唆している。
  論文  参考訳（メタデータ） (2025-03-14T04:26:21Z)
• Scaling Autonomous Agents via Automatic Reward Modeling And Planning [52.39395405893965]
  大規模言語モデル(LLM)は、様々なタスクにまたがる顕著な機能を示している。 しかし、彼らは多段階の意思決定と環境フィードバックを必要とする問題に苦戦している。 人間のアノテーションを使わずに環境から報酬モデルを自動的に学習できるフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:49:25Z)
• Large Language Model as a Catalyst: A Paradigm Shift in Base Station Siting Optimization [62.16747639440893]
  大規模言語モデル(LLM)とその関連技術は、特に迅速な工学とエージェント工学の領域において進歩している。 提案するフレームワークは、検索拡張生成(RAG)を組み込んで、ドメイン固有の知識を取得してソリューションを生成するシステムの能力を高める。
  論文  参考訳（メタデータ） (2024-08-07T08:43:32Z)
• ORLM: A Customizable Framework in Training Large Models for Automated Optimization Modeling [15.67321902882617]
  本稿では,オープンソースのLLMをトレーニングし,モデリングやソルバコードの開発を最適化する実行可能なパスを提案する。 この研究は、実用的なOR問題の解決においてLLMを評価するための最初の産業ベンチマークであるIndustrialORも導入した。
  論文  参考訳（メタデータ） (2024-05-28T01:55:35Z)
• Recommender AI Agent: Integrating Large Language Models for Interactive Recommendations [53.76682562935373]
  我々は,LLMを脳として,レコメンダモデルをツールとして使用する,textbfInteRecAgentという効率的なフレームワークを紹介した。 InteRecAgentは会話レコメンデーションシステムとして満足度を達成し、汎用LLMよりも優れる。
  論文  参考訳（メタデータ） (2023-08-31T07:36:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。