論文の概要: JTON: A Token-Efficient JSON Superset with Zen Grid Tabular Encoding for Large Language Models

• arxiv url: http://arxiv.org/abs/2604.05865v1
• Date: Tue, 07 Apr 2026 13:26:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.853919
• Title: JTON: A Token-Efficient JSON Superset with Zen Grid Tabular Encoding for Large Language Models
• Title（参考訳）: JTON: 大規模言語モデルのためのZen Grid Tabular Encodingを用いたトークン効率の良いJSONスーパーセット
• Authors: Gowthamkumar Nandakishore,
• Abstract要約: Zen Gridは列ヘッダを1行に分解し、値をドメインでエンコードする。 Rust/PyO3リファレンス実装では,SIMDアクセラレーションによる構文解析が,Pythonの1.4倍の速度で追加されている。 12LLMの生成テストは、少数ショットとゼロショットの両方の設定で100%有効である。
• 参考スコア（独自算出の注目度）: 0.010480658740597679
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When LLMs process structured data, the serialization format directly affects cost and context utilization. Standard JSON wastes tokens repeating key names in every row of a tabular array--overhead that scales linearly with row count. This paper presents JTON (JSON Tabular Object Notation), a strict JSON superset whose main idea, Zen Grid, factors column headers into a single row and encodes values with semicolons, preserving JSON's type system while cutting redundancy. Across seven real-world domains, Zen Grid reduces token counts by 15-60% versus JSON compact (28.5% average; 32% with bare_strings). Comprehension tests on 10 LLMs show a net +0.3 pp accuracy gain over JSON: four models improve, three hold steady, and three dip slightly. Generation tests on 12 LLMs yield 100% syntactic validity in both few-shot and zero-shot settings. A Rust/PyO3 reference implementation adds SIMD-accelerated parsing at 1.4x the speed of Python's json module. Code, a 683-vector test suite, and all experimental data are publicly available.
• Abstract（参考訳）: LLMが構造化データを処理する場合、シリアライズフォーマットはコストとコンテキストの利用に直接影響する。 標準的なJSONは、行数と線形にスケールする表配列の各行でキー名を繰り返すトークンを無駄にします。 本稿では、列ヘッダを1行に分解し、半コロンで値をエンコードし、冗長性を保ちながらJSONの型システムを保存する、厳密なJSONスーパーセットであるJTON(JSON Tabular Object Notation)を提案する。 7つの現実世界のドメインで、Zen Gridはトークン数を15-60%削減する(平均28.5%、ベア_stringsでは32%)。 10 LLMの包括的なテストでは、JSONよりもネット+0.3ppの精度が向上している。 12LLMの生成テストは、少数ショットとゼロショットの両方の設定において100%の構文的妥当性が得られる。 Rust/PyO3リファレンス実装では、SIMDアクセラレーションによる構文解析が、Pythonのjsonモジュールの1.4倍のスピードで追加された。 コード、683ベクターテストスイート、実験データはすべて公開されています。

関連論文リスト

• Token-Oriented Object Notation vs JSON: A Benchmark of Plain and Constrained Decoding Generation [0.0]
  Token-Oriented Object Notation (TOON) は、構造化データを LLM に転送するためのシリアライズフォーマットとして、トークンの使用量を大幅に削減することを目的としている。 これをテストするために,構造的複雑性,検証,および平文生成と構造的出力の比較に関して,いくつかのテストケースを作成するベンチマークを行った。
  論文  参考訳（メタデータ） (2026-02-08T11:58:03Z)
• JSON Whisperer: Efficient JSON Editing with LLMs [1.0535472555708638]
  大規模言語モデル(LLM)は、自然言語コマンドを通じて文書を修正できるが、現在のアプローチでは、編集毎に構造全体を再生し、計算の効率が低下する。 提案するWhispererは,完全なドキュメントではなく,必要な修正のみを表現したRFC 6902の差分パッチを生成するためのフレームワークである。
  論文  参考訳（メタデータ） (2025-10-06T11:36:46Z)
• A Multi-Language Object-Oriented Programming Benchmark for Large Language Models [61.267115598083315]
  35の既存ベンチマークの調査では、3つの大きな不均衡が明らかになった。 85.7%は単一のプログラミング言語に重点を置いている。 94.3%は関数レベルまたはステートメントレベルのタスクのみを対象としている。 80%以上は平均10件未満のテストケースを含む。
  論文  参考訳（メタデータ） (2025-09-30T11:30:08Z)
• DeepJSONEval: Benchmarking Complex Nested JSON Data Mining for Large Language Models [6.653834890554154]
  多層ネスト構造は、データをキーと値のペア、配列、ネストオブジェクトに整理する。 例えば、ニュース集約では、オブジェクトは記事のメタデータ(タイトル、著者、日付)、コンテンツ(テキスト、マルチメディア)、マルチメディア情報(マルチダイアログ、キャプション)を階層的にネストすることができる。 DeepJSONEvalは、2100のマルチドメインインスタンスと深いネスト構造を特徴とする新しいベンチマークで、難易度によって分類される。
  論文  参考訳（メタデータ） (2025-09-30T08:18:20Z)
• Learning to Generate Structured Output with Schema Reinforcement Learning [83.09230124049667]
  本研究では,大規模言語モデル(LLM)の構造的生成能力について検討する。 最新のLLMはまだ有効な文字列を生成するのに苦労している。 我々のモデルでは、出力と下流の両方のタスクが大幅に改善されている。
  論文  参考訳（メタデータ） (2025-02-26T06:45:29Z)
• UNITE: A Unified Benchmark for Text-to-SQL Evaluation [72.72040379293718]
  テキスト・ツー・ドメイン・システムのためのUNIfiedベンチマークを導入する。 公開されているテキストからドメインへのデータセットと29Kデータベースで構成されている。 広く使われているSpiderベンチマークと比較すると、SQLパターンの3倍の増加が紹介されている。
  論文  参考訳（メタデータ） (2023-05-25T17:19:52Z)
• Improving Text-to-SQL Semantic Parsing with Fine-grained Query Understanding [84.04706075621013]
  トークンレベルのきめ細かいクエリ理解に基づく汎用的モジュール型ニューラルネットワーク解析フレームワークを提案する。 我々のフレームワークは、名前付きエンティティ認識(NER)、ニューラルエンティティリンカ(NEL)、ニューラルエンティティリンカ(NSP)の3つのモジュールから構成されている。
  論文  参考訳（メタデータ） (2022-09-28T21:00:30Z)

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。