Fugu-MT 論文翻訳(概要): Trained Miniatures: Low cost, High Efficacy SLMs for Sales & Marketing

論文の概要: Trained Miniatures: Low cost, High Efficacy SLMs for Sales & Marketing

arxiv url: http://arxiv.org/abs/2508.15617v1
Date: Thu, 21 Aug 2025 14:46:22 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-22 16:26:46.369218
Title: Trained Miniatures: Low cost, High Efficacy SLMs for Sales & Marketing
Title（参考訳）: 教育用ミニチュア:低コスト・高効率販売・マーケティング用SLM
Abstract要約: 大規模言語モデル(LLM)はテキスト生成に優れるが、これらの創造的要素は重い計算を必要とし、高いコストが伴う。本稿では、特定の高価値アプリケーション向けに微調整された「訓練されたミニチュア」-小言語モデル(SLM)の概念を紹介し、コストのごく一部で類似したドメイン固有応答を生成する。
参考スコア（独自算出の注目度）: 3.650448386461648
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Large language models (LLMs) excel in text generation; however, these creative elements require heavy computation and are accompanied by a steep cost. Especially for targeted applications such as sales and marketing outreach, these costs are far from feasible. This paper introduces the concept of "Trained Miniatures" - Small Language Models(SLMs) fine-tuned for specific, high-value applications, generating similar domain-specific responses for a fraction of the cost.
Abstract（参考訳）: 大規模言語モデル(LLM)はテキスト生成に優れるが、これらの創造的要素は重い計算を必要とし、高いコストが伴う。特に、販売やマーケティングのアウトリーチといったターゲットのアプリケーションでは、これらのコストは実現不可能ではない。本稿では、特定の高価値アプリケーション向けに微調整された「訓練されたミニチュア」-小言語モデル(SLM)の概念を紹介し、コストのごく一部で類似したドメイン固有応答を生成する。

関連論文リスト

Apertus LLM Family Expansion via Distillation and Quantization [68.33467651353419]
Apertus-v1.1 - 1.7Tの許容ライセンストークンでトレーニングされた最大4Bパラメータを持つ、蒸留されたモデルのファミリーを生成する。我々は,幅広いハードウェアおよびシステム要件をカバーするために,提案手法のコスト効率と高い精度性能を示す。
論文参考訳（メタデータ） (2026-05-27T21:40:10Z)
Don't Start Over: A Cost-Effective Framework for Migrating Personalized Prompts Between LLMs [51.79252689855809]
LLM(Large Language Models)におけるパーソナライゼーションは、しばしばユーザ固有のソフトプロンプトに依存する。非互換モデル間でパーソナライズされたプロンプトを効率的に移行するフレームワークであるPrompt-level User Migration Adapter (PUMA)を提案する。 3つの大規模データセットの実験では、我々の手法が一致しているか、あるいはスクラッチから再トレーニングのパフォーマンスを上回り、計算コストを最大98%削減する。
論文参考訳（メタデータ） (2026-01-17T12:30:31Z)
Efficient LLM Collaboration via Planning [56.081879390960204]
小規模で大規模なモデルでは、プランナーと実行担当者として交代で行動し、タスクを協調的に解決するために、多段階のカスケードでプランを交換する。私たちはCOPEが大規模プロプライエタリモデルに匹敵するパフォーマンスを実現し,推論APIのコストを大幅に削減できることを実証した。
論文参考訳（メタデータ） (2025-06-13T08:35:50Z)
Planning without Search: Refining Frontier LLMs with Offline Goal-Conditioned RL [62.984693936073974]
大きな言語モデル(LLM)は、質問応答や対話といったタスクに優れています。交渉や説得のような相互作用を必要とする複雑なタスクは、さらなる長期の推論と計画を必要とする。目的条件付き値関数を用いて LLM エージェントの推論を導出する手法を提案する。
論文参考訳（メタデータ） (2025-05-23T16:51:54Z)
Cost-Optimal Grouped-Query Attention for Long-Context Modeling [58.10054123910204]
Grouped-Query Attention(GQA)は、大規模言語モデルにおける注目層の計算コストを削減するための広く採用されている戦略である。我々は,文脈長,モデルサイズ,GQA構成,モデル損失の関係を分析する。コスト最適GQA構成の導出法を提案する。
論文参考訳（メタデータ） (2025-03-12T17:50:42Z)
TRIM: Token Reduction and Inference Modeling for Cost-Effective Language Generation [1.2979906794584584]
本稿では,より少ない推論コストのモデルを用いて,大規模言語モデルからの短い蒸留出力をフルナラティブに再構成する,計算コストの削減のためのパイプラインを提案する。実験の結果、特に20.58%のトークンを平均で保存し、評価基準を小さくする一般知識領域において有望な結果が得られた。
論文参考訳（メタデータ） (2024-12-10T17:13:35Z)
A Survey of Small Language Models [104.80308007044634]
小言語モデル (SLM) は, 計算資源の最小化による言語タスクの効率化と性能の向上により, ますます重要になってきている。本稿では,SLMのアーキテクチャ,トレーニング技術,モデル圧縮技術に着目した総合的な調査を行う。
論文参考訳（メタデータ） (2024-10-25T23:52:28Z)
Computational Bottlenecks of Training Small-scale Large Language Models [19.663560481459164]
小型の大規模言語モデル(SLM)は、消費者のコストと効率性の要求により注目されている。本研究では,SLMの学習における計算的ボトルネックについて検討する。私たちは、ドル当たりの損失や秒単位のトークンといったメトリクスを使用して、ポピュラーなクラウドサービス上のこれらの要因を評価します。
論文参考訳（メタデータ） (2024-10-25T10:30:21Z)
Hybrid LLM: Cost-Efficient and Quality-Aware Query Routing [53.748685766139715]
大規模言語モデル(LLM)は、ほとんどのNLPタスクで優れていますが、そのサイズのため、デプロイに高価なクラウドサーバも必要です。コスト削減と品質維持のために,それぞれの強みを組み合わせたハイブリッド推論手法を提案する。実験では、反応の品質が低下することなく、最大40%大きなモデルへの呼び出しを削減できます。
論文参考訳（メタデータ） (2024-04-22T23:06:42Z)
Leveraging Zero-Shot Prompting for Efficient Language Model Distillation [3.4205390087622582]
本稿では, LLMをより小さく, アプリケーション固有のモデルに効率よく蒸留する方法を提案する。 LLMの推論機能を利用してラベルを生成し、ラベルのないデータに対して自然言語の合理性を生成する。主な貢献は、教師モデルの合理性を引き出すため、ゼロショットの雇用である。
論文参考訳（メタデータ） (2024-03-23T16:51:52Z)
MobiLlama: Towards Accurate and Lightweight Fully Transparent GPT [87.4910758026772]
近年のLarge Language Models (LLM) 開発において,"Bigger the Better" が主流となっている。本稿では、リソース制約のあるデバイスに対して、正確かつ効率的なSLM(Small Language Models)を設計する上での課題に対処し、"less is more"パラダイムについて考察する。
論文参考訳（メタデータ） (2024-02-26T18:59:03Z)
Power Hungry Processing: Watts Driving the Cost of AI Deployment? [74.19749699665216]
生成された多目的AIシステムは、機械学習(ML)モデルをテクノロジに構築するための統一的なアプローチを約束する。この「一般性」の野心は、これらのシステムが必要とするエネルギー量と放出する炭素量を考えると、環境に急激なコストがかかる。これらのモデルを用いて,代表的なベンチマークデータセット上で1,000の推論を行うのに必要なエネルギーと炭素の量として,デプロイメントコストを測定した。本稿は、多目的MLシステムの展開動向に関する議論から締めくくり、エネルギーと排出の面でコストの増大に対して、その実用性はより意図的に重み付けされるべきである、と警告する。
論文参考訳（メタデータ） (2023-11-28T15:09:36Z)
Cache me if you Can: an Online Cost-aware Teacher-Student framework to Reduce the Calls to Large Language Models [13.799197575126442]
中小企業(中小企業)は、大規模なタスク固有のトレーニングデータセットを作成する費用を支払うことができない。大規模言語モデルをプロンプトできるサードパーティサービスは、現在、通話1回あたりの支払いを必要としている。本稿では,従来の応答をキャッシュし,ローカルな安価なモデルをトレーニングすることで,LCMへの呼び出しを削減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） (2023-10-20T10:05:07Z)
The economic trade-offs of large language models: A case study [3.407993998009662]
多くの企業は、直接または修正できる応答を自動生成することで、人間のエージェントを支援するNLPに目を向けている。本稿では,企業における大規模言語モデルの実用的コストと効果を,それらが生み出す応答の有用性の関数として評価する。
論文参考訳（メタデータ） (2023-06-08T20:35:53Z)

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。