論文の概要: CoPE: A Small Language Model for Steerable and Scalable Content Labeling

• arxiv url: http://arxiv.org/abs/2512.18027v1
• Date: Fri, 19 Dec 2025 19:47:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.155114
• Title: CoPE: A Small Language Model for Steerable and Scalable Content Labeling
• Title（参考訳）: CoPE: 安定的でスケーラブルなコンテンツラベリングのための小さな言語モデル
• Authors: Samidh Chakrabarti, David Willner, Kevin Klyman, Tiffany Saade, Emily Capstick, Sabina Nong,
• Abstract要約: CoPEはポリシーステアブルな小型言語モデルであり、高速かつ正確なコンテンツラベリングを可能にする。 本稿では,モデルが単なるポリシー記憶ではなく,ポリシー解釈を学習することのできる,新たなトレーニングカリキュラムを提案する。 我々は、このモデルの90億のパラメータバージョンをオープンにリリースし、単一のコンシューマグレードのGPUで実行できる。
• 参考スコア（独自算出の注目度）: 1.299304266312528
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This paper details the methodology behind CoPE, a policy-steerable small language model capable of fast and accurate content labeling. We present a novel training curricula called Contradictory Example Training that enables the model to learn policy interpretation rather than mere policy memorization. We also present a novel method for generating content policies, called Binocular Labeling, which enables rapid construction of unambiguous training datasets. When evaluated across seven different harm areas, CoPE exhibits equal or superior accuracy to frontier models at only 1% of their size. We openly release a 9 billion parameter version of the model that can be run on a single consumer-grade GPU. Models like CoPE represent a paradigm shift for classifier systems. By turning an ML task into a policy writing task, CoPE opens up new design possibilities for the governance of online platforms.
• Abstract（参考訳）: 本稿では,ポリシーステアブルな小言語モデルであるCoPEの背景となる方法論を詳述する。 本稿では,モデルが単なる政策記憶ではなく,政策解釈を学習できるようにするContradictory Example Trainingという新しい学習カリキュラムを提案する。 また、不明瞭なトレーニングデータセットの迅速な構築を可能にする、両眼ラベリングと呼ばれるコンテンツポリシーを生成する新しい手法を提案する。 7つの異なる調和領域で評価すると、CoPEはフロンティアモデルと同等または優れた精度を示し、そのサイズはわずか1%である。 我々は、このモデルの90億のパラメータバージョンをオープンにリリースし、単一のコンシューマグレードのGPUで実行できる。 CoPEのようなモデルは、分類器システムのパラダイムシフトを表す。 MLタスクをポリシー記述タスクにすることで、CoPEはオンラインプラットフォームのガバナンスのための新しい設計可能性を開く。

関連論文リスト

• TS-Align: A Teacher-Student Collaborative Framework for Scalable Iterative Finetuning of Large Language Models [41.19735603722873]
  TS-Align"フレームワークは、その出力から自動的に抽出されるペアのフィードバックデータを使用してポリシーモデルを微調整する。 最終調整方針は, 平均勝利率69.7%で基本方針モデルを上回っていることを示す。
  論文  参考訳（メタデータ） (2024-05-30T16:17:40Z)
• IMProv: Inpainting-based Multimodal Prompting for Computer Vision Tasks [124.90137528319273]
  本稿では,マルチモーダルプロンプトから視覚タスクをインコンテキストで学習できる生成モデルIMProvを提案する。 我々は、コンピュータビジョン論文とその関連キャプションから、新しい数字のデータセットにマスク付き生成変換器を訓練する。 推測時間中、テキストおよび/または画像タスクの例でモデルにプロンプトし、そのモデルに対応する出力を印字させる。
  論文  参考訳（メタデータ） (2023-12-04T09:48:29Z)
• FILM: How can Few-Shot Image Classification Benefit from Pre-Trained Language Models? [14.582209994281374]
  少数のサンプルしか持たない新しいクラスに一般化可能なモデルをトレーニングすることを目的としている。 コントラスト学習に基づく事前学習言語モデルを用いた新しい数発学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-09T08:07:43Z)
• Turning a CLIP Model into a Scene Text Detector [56.86413150091367]
  近年,視覚言語モデルに基づく事前学習手法がテキスト検出の分野で有効な進歩を遂げている。 本稿では,CLIPモデルを事前学習せずにテキスト検出に利用することを目的とした,TCMと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-02-28T06:06:12Z)
• Multi-Modal Few-Shot Temporal Action Detection [157.96194484236483]
  Few-shot (FS) と Zero-shot (ZS) の学習は、時間的行動検出を新しいクラスに拡張するための2つの異なるアプローチである。 我々は、FS-TADとZS-TADの結婚として考えられるMMFS (Multi-modality few-shot) TAD問題を導入する。
  論文  参考訳（メタデータ） (2022-11-27T18:13:05Z)

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。