Fugu-MT 論文翻訳(概要): Computational Arbitrage in AI Model Markets

論文の概要: Computational Arbitrage in AI Model Markets

arxiv url: http://arxiv.org/abs/2603.22404v1
Date: Mon, 23 Mar 2026 18:00:14 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-25 19:53:37.121293
Title: Computational Arbitrage in AI Model Markets
Title（参考訳）: AIモデル市場における計算規則
Abstract要約: 仲裁員は、市場を弱めるために、提供者間で推論予算を効率的に割り当てる。単純な仲裁戦略が最大40%の純利益率を生み出すことを示す。我々の結果は、仲裁は、モデル開発、蒸留、デプロイメントに影響を及ぼすAIモデル市場において、強力な力となり得ることを示唆している。
参考スコア（独自算出の注目度）: 73.20636221068352
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Consider a market of competing model providers selling query access to models with varying costs and capabilities. Customers submit problem instances and are willing to pay up to a budget for a verifiable solution. An arbitrageur efficiently allocates inference budget across providers to undercut the market, thus creating a competitive offering with no model-development risk. In this work, we initiate the study of arbitrage in AI model markets, empirically demonstrating the viability of arbitrage and illustrating its economic consequences. We conduct an in-depth case study of SWE-bench GitHub issue resolution using two representative models, GPT-5 mini and DeepSeek v3.2. In this verifiable domain, simple arbitrage strategies generate net profit margins of up to 40%. Robust arbitrage strategies that generalize across different domains remain profitable. Distillation further creates strong arbitrage opportunities, potentially at the expense of the teacher model's revenue. Multiple competing arbitrageurs drive down consumer prices, reducing the marginal revenue of model providers. At the same time, arbitrage reduces market segmentation and facilitates market entry for smaller model providers by enabling earlier revenue capture. Our results suggest that arbitrage can be a powerful force in AI model markets with implications for model development, distillation, and deployment.
Abstract（参考訳）: さまざまなコストと能力を持つモデルへのクエリアクセスを販売する、競合するモデルプロバイダの市場を考えてみましょう。顧客は問題インスタンスを提出し、検証可能なソリューションの予算を喜んで支払う。仲裁員は、市場を弱めるために、提供者間で推論予算を効率的に割り当て、モデル開発リスクのない競争力のあるオファリングを作成する。本研究では,AIモデル市場における仲裁の研究を開始し,その経済効果を実証的に実証する。我々は、GPT-5 miniとDeepSeek v3.2の2つの代表モデルを使用して、SWE-bench GitHubイシュー解決の詳細なケーススタディを行う。この検証可能な領域では、単純な仲裁戦略は最大40%の純利益率を生み出す。異なる領域にまたがって一般化するロバストな仲裁戦略は、依然として利益を上げている。蒸留はさらに、教師モデルの収益を犠牲にして、強い仲裁の機会を生み出します。複数の競合する仲裁業者が消費者価格を下げ、モデルプロバイダーの限界収益を減らしている。同時に、仲裁は市場のセグメンテーションを減らし、より小さなモデルプロバイダの市場参入を促進する。我々の結果は、仲裁は、モデル開発、蒸留、デプロイメントに影響を及ぼすAIモデル市場において、強力な力となり得ることを示唆している。

関連論文リスト

RouteLMT: Learned Sample Routing for Hybrid LLM Translation Deployment [57.588738943463646]
大規模言語モデル(LLM)は機械翻訳(MT)において顕著な性能を発揮した大規模に展開するのは違法に高価ですモデル内ルータである textbfRouteLMT を提案する。
論文参考訳（メタデータ） (2026-04-24T13:02:45Z)
Training Language Models for Bilateral Trade with Private Information [47.25254982913256]
貿易の利益を達成するためには、個人、戦略的余剰の合理性、協力が必要である。本研究では,大規模言語モデルがイベント駆動シミュレータ内のツールコールを介して交渉する構造化交渉環境を開発する。この環境は、フロンティアモデルのベンチマークと、強化学習によるオープンウェイトモデルのトレーニング環境という2つの目的を果たす。
論文参考訳（メタデータ） (2026-04-10T03:04:20Z)
PolySwarm: A Multi-Agent Large Language Model Framework for Prediction Market Trading and Latency Arbitrage [0.0]
PolySwarmは50の多様なLLMペルソナをデプロイし、バイナリ成果市場を同時に評価する。遅延仲裁モジュールは、ログ正規価格モデルからCEXで実装された確率を導出することにより、古いポリマーケット価格を利用する。
論文参考訳（メタデータ） (2026-04-04T22:51:06Z)
Robust Reinforcement Learning in Finance: Modeling Market Impact with Elliptic Uncertainty Sets [57.179679246370114]
金融分野では、強化学習(RL)エージェントは、価格に影響を与えない歴史的データに基づいて訓練されることが多い。展開中、これらのエージェントは、自身の取引が資産価格を変えることができるライブマーケットで取引する。従来のロバストなRLアプローチは、不確実性の集合に対して最悪のパフォーマンスを最適化することで、このモデルの誤特定に対処する。楕円型不確実性集合の新たなクラスを開発し,効率的かつ堅牢な政策評価を可能にする。
論文参考訳（メタデータ） (2025-10-22T18:22:25Z)
Unravelling the Probabilistic Forest: Arbitrage in Prediction Markets [2.9311414545087366]
Polymarketは予測市場プラットフォームであり、ユーザーは条件として知られる特定の結果に結びついた共有によって将来の出来事を推測することができる。この設計にもかかわらず、ポリマーケットは依存資産が不利な場合を示す。この現象は調停と呼ばれ、洗練された参加者がこのような矛盾を活用できる可能性がある。
論文参考訳（メタデータ） (2025-08-05T14:06:50Z)
Your AI, Not Your View: The Bias of LLMs in Investment Analysis [62.388554963415906]
金融において、Large Language Models (LLMs) は、事前訓練されたパラメトリック知識とリアルタイム市場データとの相違から生じる、頻繁な知識紛争に直面している。これらの対立は、モデル固有のバイアスが制度的目的と誤認される現実世界の投資サービスにおいて特に問題となる。本研究では,このような紛争シナリオにおける創発的行動を調べるための実験的枠組みを提案し,投資分析におけるバイアスの定量的分析を行う。
論文参考訳（メタデータ） (2025-07-28T16:09:38Z)
Markets for Models [0.0]
我々は、企業が予測を改善するためにモデルを消費者に販売する市場を調査する。競争相手の参入を抑えるために、非効率に偏ったモデルや非効率にコストがかかるモデルを選択できることを示します。
論文参考訳（メタデータ） (2025-03-04T19:07:02Z)
By Fair Means or Foul: Quantifying Collusion in a Market Simulation with Deep Reinforcement Learning [1.5249435285717095]
本研究は、反復価格競争の実験的なオリゴポリーモデルを用いる。我々は,エージェントが開発する戦略と価格パターンについて検討し,その結果を導出する可能性がある。以上の結果から,RLをベースとしたAIエージェントは,超競争的価格帯電を特徴とする癒着状態に収束することが示唆された。
論文参考訳（メタデータ） (2024-06-04T15:35:08Z)
A Network Simulation of OTC Markets with Multiple Agents [3.8944986367855963]
我々は、取引が市場メーカによってのみ仲介される、オーバー・ザ・カウンタ(OTC)金融市場をシミュレートするための新しいアプローチを提案する。本稿では,ネットワークモデルを用いて市場構造が価格変動に与える影響について考察する。
論文参考訳（メタデータ） (2024-05-03T20:45:00Z)
An Auction-based Marketplace for Model Trading in Federated Learning [54.79736037670377]
フェデレートラーニング(FL)は、局所的な分散データを用いたトレーニングモデルにおいて、その効果がますます認識されている。 FLはモデルのマーケットプレースであり、顧客は買い手と売り手の両方として振る舞う。本稿では,性能向上に基づく適切な価格設定を実現するため,オークションベースのソリューションを提案する。
論文参考訳（メタデータ） (2024-02-02T07:25:53Z)
Deep Q-Learning Market Makers in a Multi-Agent Simulated Stock Market [58.720142291102135]
本稿では,エージェント・ベースの観点から,これらのマーケット・メーカーの戦略に関する研究に焦点をあてる。模擬株式市場における知的市場マーカー作成のための強化学習(Reinforcement Learning, RL)の適用を提案する。
論文参考訳（メタデータ） (2021-12-08T14:55:21Z)

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。