論文の概要: From Words to Widgets for Controllable LLM Generation

• arxiv url: http://arxiv.org/abs/2604.10925v2
• Date: Fri, 10 Jul 2026 21:13:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:12.864585
• Title: From Words to Widgets for Controllable LLM Generation
• Title（参考訳）: 制御可能なLCM生成のための単語からウィジェットへ
• Abstract要約: 制御可能な大言語モデル(LLM)生成のための対話型プロンプト技術であるMalleable Promptingを提案する。 自然言語の好み表現をGUIウィジェットに再定義し、ユーザがスタイアジェネレーションを設定することができる。 この結果から,Malleable Promptingは,対象の嗜好をより正確に達成し,自然言語よりもコントロールしやすく透明であることがわかった。
• 参考スコア（独自算出の注目度）: 23.17092768490849
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Natural language remains the predominant way people interact with large language models (LLMs). However, users often struggle to precisely express and control subjective preferences (e.g., tone, style, and emphasis) through prompting. We propose Malleable Prompting, a new interactive prompting technique for controllable LLM generation. It reifies preference expressions in natural language prompts into GUI widgets (e.g., sliders, dropdowns, and toggles) that users can directly configure to steer generation, while visualizing each control's influence on the output to support attribution and comparison across iterations. To enable this interaction, we introduce an LLM decoding algorithm that modulates the token probability distribution during generation based on preference expressions and their widget values. Through a user study, we show that Malleable Prompting helps participants achieve target preferences more precisely and is perceived as more controllable and transparent than natural language prompting alone.
• Abstract（参考訳）: 自然言語は、人々が大きな言語モデル(LLM)と対話する主要な方法である。 しかし、ユーザはプロンプトを通じて主観的嗜好(例えば、トーン、スタイル、強調)を正確に表現し、制御するのに苦労することが多い。 制御可能なLLM生成のための対話型プロンプト技術であるMalleable Promptingを提案する。 自然言語の好み表現をGUIウィジェット(スライダ、ドロップダウン、トグルなど)に再定義し、ユーザが直接スタイア生成に設定できると同時に、各コントロールが出力に与える影響を可視化し、イテレーション間の属性と比較をサポートする。 この相互作用を可能にするために、好み表現とウィジェット値に基づいて生成中のトークン確率分布を変調するLCM復号アルゴリズムを導入する。 ユーザスタディを通じて、Malleable Promptingは、参加者がターゲットの好みをより正確に達成し、自然言語よりも制御可能で透明であると見なされることを示す。

関連論文リスト

• Position: Vector Prompt Interfaces Should Be Exposed to Enable Customization of Large Language Models [79.63399445098759]
  テキストのみのプロンプトは、スケーラブルで安定的で推論のみのカスタマイズに適した制御インターフェースを構成していない、と我々は主張する。 標準ブラックボックス脅威モデルにおいて,ベクトルプロンプトの露出がモデル漏洩リスクを根本的に増大させる必要はない理由を論じる。
  論文  参考訳（メタデータ） (2026-03-04T17:08:47Z)
• Test-Time Computing for Referring Multimodal Large Language Models [143.49848714354698]
  そこで我々は,新しいテスト時間適応フレームワークである ControlMLLM++ を提案する。 学習可能な視覚的プロンプトを凍ったマルチモーダルな大言語モデルに注入する。
  論文  参考訳（メタデータ） (2026-02-23T04:42:10Z)
• CIE: Controlling Language Model Text Generations Using Continuous Signals [19.55268309121786]
  我々は、LMが「低」トークンと「高」トークンの埋め込みの間に補間される制御ベクトルを期待するように微調整できることを示す。 本手法は,制御信号を離散信号として表現する文脈内学習法や微調整法よりも応答長制御をより確実に行う。
  論文  参考訳（メタデータ） (2025-05-19T17:59:58Z)
• Steerable Chatbots: Personalizing LLMs with Preference-Based Activation Steering [4.3537491807568465]
  我々はアクティベーションステアリングを活用して、大きな言語モデルを推論中にユーザの好みに合わせるように誘導する。 より長いユーザ履歴を必要とするメモリベースのパーソナライズ手法とは対照的に、ステアリングは非常に軽量であり、ユーザによって容易に制御できる。 その結果, ユーザの好みを隠蔽した実世界の会話を協調させるため, 嗜好に基づくステアリングの有効性が示された。
  論文  参考訳（メタデータ） (2025-05-07T09:10:51Z)
• Prompt Highlighter: Interactive Control for Multi-Modal LLMs [50.830448437285355]
  本研究では,マルチモーダル LLM (LLMs&VLMs) 推論における重要な側面として,明示的な制御可能なテキスト生成を目標とする。 本稿では,新しい推論手法であるPrompt Highlighterを導入し,ユーザが特定のプロンプトスパンをハイライトし,生成中のフォーカスをインタラクティブに制御できるようにする。 推論中、注意重みを通して強調されたトークンでモデルを導くことで、より望ましい出力が得られます。
  論文  参考訳（メタデータ） (2023-12-07T13:53:29Z)
• Let Models Speak Ciphers: Multiagent Debate through Embeddings [84.20336971784495]
  この問題を解決するためにCIPHER(Communicative Inter-Model Protocol Through Embedding Representation)を導入する。 自然言語から逸脱することで、CIPHERはモデルの重みを変更することなく、より広い範囲の情報を符号化する利点を提供する。 このことは、LLM間の通信における代替の"言語"としての埋め込みの優越性と堅牢性を示している。
  論文  参考訳（メタデータ） (2023-10-10T03:06:38Z)
• Language Models as Black-Box Optimizers for Vision-Language Models [62.80817942316398]
  Webスケールデータセットで事前トレーニングされた視覚言語モデル(VLM)は、最小限のデータで微調整された場合、下流タスクに顕著な機能を示す。 我々は,自然言語のプロンプトを通じてVLMを最適化するためのブラックボックスアプローチを開発することを目指している。
  論文  参考訳（メタデータ） (2023-09-12T04:03:41Z)
• Guiding Large Language Models via Directional Stimulus Prompting [114.84930073977672]
  我々は,特定の所望の出力に対して,ブラックボックス大言語モデル(LLM)を導くための新しいフレームワークであるDirectional Stimulus Promptingを紹介する。 LLMを直接調整するのではなく、小さな調整可能なポリシーモデルを用いて各入力インスタンスに対して補助的な指向性刺激プロンプトを生成する。
  論文  参考訳（メタデータ） (2023-02-22T17:44:15Z)
• PADL: Language-Directed Physics-Based Character Control [66.517142635815]
  本稿では,文字が行うべきハイレベルなタスクと低レベルなスキルを指定するために,ユーザが自然言語コマンドを発行できるようにするPADLを提案する。 我々は,シミュレーションされたヒューマノイドキャラクタを効果的に誘導し,多種多様な複雑な運動能力を実現するために,本フレームワークを適用した。
  論文  参考訳（メタデータ） (2023-01-31T18:59:22Z)

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。