論文の概要: Boosting Instruction Following at Scale

• arxiv url: http://arxiv.org/abs/2510.14842v1
• Date: Thu, 16 Oct 2025 16:15:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.943212
• Title: Boosting Instruction Following at Scale
• Title（参考訳）: 規模を拡大するインストラクションの促進
• Authors: Ben Elder, Evelyn Duesterwald, Vinod Muthusamy,
• Abstract要約: Instruction Boostingは2つの命令に対して最大7ポイント、10つの命令に対して最大4ポイントの命令追従率を改善する。 また,より多くの命令が加えられるにつれて,性能が低下する傾向がよく見られる。
• 参考スコア（独自算出の注目度）: 4.400551468585969
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: A typical approach developers follow to influence an LLM's behavior in an application is through careful manipulation of the prompt, such as by adding or modifying instructions. However, merely adding more instructions provides little assurance that they will actually be followed. We introduce Instruction Boosting as a post-generation method to increase the reliability of LLM prompt instructions. We show that Instruction Boosting improves the instruction following rate by up to 7 points for two instructions and up to 4 points for ten instructions. To demonstrate these results we introduce SCALEDIF, a benchmark with a scaled instruction volume of up to ten instructions per data sample. We also present an analysis of the commonly observed trend that performance degrades as more instructions are added. We show that an important factor contributing to this trend is the degree of tension and conflict that arises as the number of instructions is increased. We contribute a quantitative conflict scoring tool that explains the observed performance trends and provides feedback to developers on the impact that additional prompt instructions have on a model's performance.
• Abstract（参考訳）: アプリケーションにおけるLCMの動作に影響を与える典型的なアプローチは、命令の追加や修正など、プロンプトを慎重に操作することである。 しかし、単に命令を追加するだけで、実際に従う保証がほとんどない。 LLMプロンプト命令の信頼性を高めるために,インストラクションブースティングをポストジェネレーション法として導入する。 Instruction Boostingは2つの命令に対して最大7ポイント、10つの命令に対して最大4ポイントの命令追従率を改善する。 これらの結果を示すために,データサンプル毎に最大10命令のスケールされた命令ボリュームを持つベンチマークであるSCALEDIFを導入する。 また,より多くの命令が加えられるにつれて,性能が低下する傾向がよく見られる。 この傾向に寄与する重要な要因は,指示数の増加に伴って生じる緊張と対立の程度である。 我々は、観測されたパフォーマンストレンドを説明する定量的なコンフリクトスコアリングツールを提供し、モデルのパフォーマンスに追加のインプロンプトが与える影響について開発者にフィードバックを提供する。

関連論文リスト

• Fine-Tuning on Noisy Instructions: Effects on Generalization and Performance [29.349544663659938]
  命令調整データにおける摂動は、大きな言語モデルのノイズのある命令に対する抵抗を高めることができることを示す。 意外なことに、この結果から、摂動命令による命令調整は、ダウンストリーム性能を改善する可能性があることが示唆された。
  論文  参考訳（メタデータ） (2025-10-03T21:54:33Z)
• From Language Modeling to Instruction Following: Understanding the Behavior Shift in LLMs after Instruction Tuning [63.63840740526497]
  そこで本研究では,本質的な変化に着目した事前学習モデルの調整方法について検討する。 次に、事前訓練されたモデルと命令調整されたモデルから導かれた説明を比較することで、命令チューニングの影響について研究する。 この結果から,指導指導の3つの重要な影響が明らかになった。
  論文  参考訳（メタデータ） (2023-09-30T21:16:05Z)
• Evaluating the Instruction-Following Robustness of Large Language Models to Prompt Injection [70.28425745910711]
  LLM(Large Language Models)は、命令追従に非常に熟練した言語である。 この能力は、迅速なインジェクション攻撃のリスクをもたらす。 このような攻撃に対する命令追従LDMの堅牢性を評価する。
  論文  参考訳（メタデータ） (2023-08-17T06:21:50Z)
• Mitigating Hallucination in Large Multi-Modal Models via Robust Instruction Tuning [92.85265959892115]
  本稿では,Large-scale Robust Visual (LRV)-Instructionという,大規模かつ多様な視覚的インストラクションチューニングデータセットを紹介する。 本データセットは, GPT4が生成した400kの視覚的命令からなり, 16の視覚・言語的タスクをオープンエンドの指示と回答でカバーする。 LMMが生み出す幻覚を効果的に測定するために,人間の専門家による視覚指導のチューニングを安定的に評価するためのGAVIE(GPT4-Assisted Visual Instruction Evaluation)を提案する。
  論文  参考訳（メタデータ） (2023-06-26T10:26:33Z)

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。