論文の概要: Componentization: Decomposing Monolithic LLM Responses into Manipulable Semantic Units

• arxiv url: http://arxiv.org/abs/2509.08203v1
• Date: Wed, 10 Sep 2025 00:15:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.275819
• Title: Componentization: Decomposing Monolithic LLM Responses into Manipulable Semantic Units
• Title（参考訳）: コンポーネント化: モノリシックLCM応答をマニピュラ・セマンティックユニットに分解する
• Authors: Ryan Lingo, Rajeev Chhajer, Martin Arroyo, Luka Brkljacic, Ben Davis, Nithin Santhanam,
• Abstract要約: 大規模言語モデル(LLM)はしばしば、部分で編集が難しいモノリシックなテキストを生成する。 モデル出力をモジュール化して独立に編集可能なユニットに分解するアプローチであるコンポーネント化を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) often produce monolithic text that is hard to edit in parts, which can slow down collaborative workflows. We present componentization, an approach that decomposes model outputs into modular, independently editable units while preserving context. We describe Modular and Adaptable Output Decomposition (MAOD), which segments responses into coherent components and maintains links among them, and we outline the Component-Based Response Architecture (CBRA) as one way to implement this idea. Our reference prototype, MAODchat, uses a microservices design with state-machine-based decomposition agents, vendor-agnostic model adapters, and real-time component manipulation with recomposition. In an exploratory study with four participants from academic, engineering, and product roles, we observed that component-level editing aligned with several common workflows and enabled iterative refinement and selective reuse. Participants also mentioned possible team workflows. Our contributions are: (1) a definition of componentization for transforming monolithic outputs into manipulable units, (2) CBRA and MAODchat as a prototype architecture, (3) preliminary observations from a small user study, (4) MAOD as an algorithmic sketch for semantic segmentation, and (5) example Agent-to-Agent protocols for automated decomposition. We view componentization as a promising direction for turning passive text consumption into more active, component-level collaboration.
• Abstract（参考訳）: 大きな言語モデル(LLM)は、しばしば、部分で編集が難しいモノリシックなテキストを生成します。 コンテキストを保存しながら、モデル出力をモジュール的に独立して編集可能なユニットに分解するアプローチである、コンポーネント化を提案する。 我々は、応答をコヒーレントなコンポーネントに分割し、それら間のリンクを維持する、モジュール的で適応可能な出力分解(MAOD)について記述し、コンポーネントベースの応答アーキテクチャ(CBRA)をこの考え方を実装する一つの方法として概説する。 私たちの参照プロトタイプであるMAODchatは、ステートマシンベースの分解エージェント、ベンダーに依存しないモデルアダプタ、リコンポジションによるリアルタイムコンポーネント操作を備えたマイクロサービス設計を使用しています。 学術的,工学的,製品的役割の4人の参加者による探索的研究において,コンポーネントレベルの編集が複数の共通ワークフローに整合し,反復的洗練と選択的再利用を可能にした。 参加者はまた、可能なチームのワークフローについても言及した。 1)モノリシックな出力を操作可能な単位に変換するためのコンポーネント化の定義,(2)CBRAとMAODchatをプロトタイプアーキテクチャとして,(3)小さなユーザによる予備的な観察,(4)セマンティックセグメンテーションのためのアルゴリズムスケッチとしてのMAOD,(5)自動分解のためのエージェント・ツー・エージェントプロトコルの例である。 我々は、コンポーネント化を受動的テキスト消費をより活発なコンポーネントレベルのコラボレーションに変えるための有望な方向と見なしている。

関連論文リスト

• Exploring Semantic Masked Autoencoder for Self-supervised Point Cloud Understanding [31.585380521480868]
  マスケプポイントモデリングに基づく手法は、最近、様々な下流タスクで顕著な性能を示した。 本稿では,プロトタイプベースのコンポーネントセマンティック・モデリング・モジュールと,コンポーネントセマンティック・エンハンスド・マスキング・ストラテジーを組み合わせたセマンティック・マスク・オートエンコーダを提案する。
  論文  参考訳（メタデータ） (2025-06-27T06:58:59Z)
• Sparse Feature Coactivation Reveals Composable Semantic Modules in Large Language Models [12.194272268150398]
  大規模言語モデルにおける意味的に一貫性のあるコンテキスト一貫性のあるネットワークコンポーネントを同定する。 国と関係性に関する意味的要素を非難することは、予測可能な方法でモデル出力を変化させることを示す。 関係コンポーネント自体の中では、後層のノードがモデル出力に強い因果関係を持つ傾向がある。
  論文  参考訳（メタデータ） (2025-06-22T19:01:13Z)
• Composable Part-Based Manipulation [61.48634521323737]
  本稿では,ロボット操作スキルの学習と一般化を改善するために,構成可能な部品ベース操作(CPM)を提案する。 CPMは構成可能な拡散モデルの集合で構成され、各モデルは異なるオブジェクト間の対応をキャプチャする。 シミュレーションおよび実世界のシナリオにおいて、我々のアプローチを検証し、ロバストかつ一般化された操作能力を達成する上での有効性を実証する。
  論文  参考訳（メタデータ） (2024-05-09T16:04:14Z)
• Decomposing and Editing Predictions by Modeling Model Computation [75.37535202884463]
  コンポーネントモデリングというタスクを導入します。 コンポーネントモデリングの目標は、MLモデルの予測をコンポーネントの観点から分解することだ。 コンポーネント属性を推定するスケーラブルなアルゴリズムであるCOARを提案する。
  論文  参考訳（メタデータ） (2024-04-17T16:28:08Z)
• Unitxt: Flexible, Shareable and Reusable Data Preparation and Evaluation for Generative AI [15.220987187105607]
  Unitxtは、生成言語モデルに適した、カスタマイズ可能なテキストデータ準備と評価のための革新的なライブラリである。 UnitxtはHFaceやLM-eval-harnessといった一般的なライブラリと統合されており、実践者間のカスタマイズや共有が容易である。 Unitxtは、ツール以外にも、コミュニティ主導のプラットフォームで、ユーザがパイプラインを構築し、共有し、前進することを可能にする。
  論文  参考訳（メタデータ） (2024-01-25T08:57:33Z)
• Language-free Compositional Action Generation via Decoupling Refinement [67.50452446686725]
  本稿では,言語補助に頼らずに作曲行動を生成する新しい枠組みを提案する。 このアプローチは,アクション結合,条件付きアクション生成,デカップリングリファインメントという3つの主要コンポーネントから構成される。
  論文  参考訳（メタデータ） (2023-07-07T12:00:38Z)
• Visual Composite Set Detection Using Part-and-Sum Transformers [74.26037922682355]
  本稿では,エンドツーエンドのコンポジットセット検出を行うために,PST(Part-and-Sum Detection Transformer)という新しい手法を提案する。 PSTは、カスタムデザインの2段階モデルの結果とほぼ一致しながら、シングルステージモデル間で最先端の結果を達成する。
  論文  参考訳（メタデータ） (2021-05-05T16:31:32Z)
• Referring Image Segmentation via Cross-Modal Progressive Comprehension [94.70482302324704]
  画像セグメンテーションの参照は、自然言語表現で与えられた記述によく一致するエンティティの前景マスクをセグメンテーションすることを目的としている。 従来のアプローチでは、暗黙的な特徴相互作用と視覚的モダリティと言語的モダリティの融合を用いてこの問題に対処していた。 本稿では,この課題に効果的に対応するために,Cross-Modal Progressive (CMPC) モジュールと Text-Guided Feature Exchange (TGFE) モジュールを提案する。
  論文  参考訳（メタデータ） (2020-10-01T16:02:30Z)

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。