論文の概要: RefEvo: Agentic Design with Co-Evolutionary Verification for Agile Reference Model Generation
- arxiv url: http://arxiv.org/abs/2604.24218v1
- Date: Mon, 27 Apr 2026 09:22:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:07.875582
- Title: RefEvo: Agentic Design with Co-Evolutionary Verification for Agile Reference Model Generation
- Title（参考訳）: RefEvo: アジャイルリファレンスモデル生成のための共進化的検証を備えたエージェント設計
- Authors: Yifan Zhang, Jianmin Ye, Jiahao Yang, Xi Wang,
- Abstract要約: RefEvoはアジャイルで信頼性の高い参照モデリング用に設計された動的マルチエージェントフレームワークである。
RefEvoが95%のパスレートを達成し、静的なベースラインを大きなマージンで上回ることを示す。
- 参考スコア（独自算出の注目度）: 17.822629270807283
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As the complexity of System-on-Chip (SoC) designs grows, the shift-left paradigm necessitates the rapid development of high-fidelity reference models (typically written in SystemC) for early architecture exploration and verification. While Large Language Models (LLMs) show promise in code generation, their application to hardware modeling faces unique challenges: (1) Rigid, static workflows fail to adapt to varying design complexity, causing inefficiency; (2) Context window overflow in multi-turn interactions leads to catastrophic forgetting of critical specifications; and (3) the Coupled Validation Failure problem--where generated Testbenches (TBs) incorrectly validate flawed models due to correlated hallucinations--severely undermines reliability. To address these limitations, we introduce RefEvo, a dynamic multi-agent framework designed for agile and reliable reference modeling. RefEvo features three key innovations: (1) A Dynamic Design Planner that autonomously decomposes design specifications and constructs tailored execution workflows based on semantic complexity; (2) A Co-Evolutionary Verification Mechanism, which employs a Dialectical Arbiter to simultaneously rectify the model and verification logic against the specification (Spec) oracle, effectively mitigating false positives; and (3) A Spec Anchoring Strategy for lossless context compression. Evaluated on a diverse benchmark of 20 hardware modules, RefEvo achieves a 95% pass rate, outperforming static baselines by a large margin. Furthermore, our context optimization reduces token consumption by an average of 71.04%, achieving absolute savings of over 70,000 tokens per session for complex designs while maintaining 100% specification recall.
- Abstract（参考訳）: System-on-Chip (SoC) の設計の複雑さが増大するにつれて、シフトレフトパラダイムは初期のアーキテクチャ探索と検証のために高忠実度参照モデル(通常はSystemCで記述される)の迅速な開発を必要とする。
大規模言語モデル(LLM)はコード生成において有望であるが、ハードウェア・モデリングへの応用は、(1) 厳密で静的なワークフローは設計の複雑さに適応できず、効率が悪く、(2) マルチターンインタラクションにおけるコンテキストのオーバーフローは、決定的な仕様の破滅的な忘れを招き、(3) 結合検証失敗の問題-そこで生成されたテストベンチ(TB)は、相関する幻覚による欠陥のあるモデルを誤って検証し、信頼性を損なう。
これらの制限に対処するために、アジャイルで信頼性の高い参照モデリング用に設計された動的マルチエージェントフレームワークであるRefEvoを紹介します。
RefEvoは、設計仕様を自律的に分解し、セマンティックな複雑さに基づいて調整された実行ワークフローを構築する動的設計プランナ、モデルと検証ロジックを仕様(仕様)のオラクルに対して同時に修正するDialectical Arbiterを利用する共進化的検証メカニズム、そして、損失のないコンテキスト圧縮のための仕様アンコリング戦略である。
20のハードウェアモジュールの多様なベンチマークに基づいて、RefEvoは95%のパスレートを達成し、静的ベースラインを大きなマージンで上回る。
さらに、コンテクスト最適化により、トークン使用量を平均71.04%削減し、100パーセントの仕様リコールを維持しながら、セッション当たり70,000トークン以上を絶対的に節約できる。
関連論文リスト
- Dynamic analysis enhances issue resolution [53.50448142467294]
DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。
テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。
Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
論文 参考訳（メタデータ） (2026-03-23T14:48:54Z) - Architecture-Aware Multi-Design Generation for Repository-Level Feature Addition [53.50448142467294]
RAIMは、リポジトリレベルの機能追加のための、多設計およびアーキテクチャ対応のフレームワークである。
複数の多様な実装設計を生成することで、線形パッチから切り離される。
NoCode-bench Verifiedデータセットの実験では、RAIMが新しい最先端のパフォーマンスを確立することが示されている。
論文 参考訳（メタデータ） (2026-03-02T12:50:40Z) - Towards Efficient Agents: A Co-Design of Inference Architecture and System [66.59916327634639]
本稿では,エージェントアクセラレーションのための統合フレームワークであるAgentInferを提案する。
問題をAgentCollab、AgentSched、AgentSAM、AgentCompressの4つの相乗的コンポーネントに分解する。
BrowseComp-zhとDeepDiverベンチマークの実験では、これらの手法の相乗的コラボレーションを通じて、AgentInferは非効率なトークン消費を50%以上削減することを示した。
論文 参考訳（メタデータ） (2025-12-20T12:06:13Z) - Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。
条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。
各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。
実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
論文 参考訳（メタデータ） (2025-10-09T05:28:28Z) - Human-aligned AI Model Cards with Weighted Hierarchy Architecture [5.774549987076668]
LLM(Large Language Models)の普及は、専門的なドメイン特化モデルのエコシステムの肥大化につながった。
Model CardsやFactSheetsといった既存のドキュメントフレームワークは、レポートの標準化を試みるが、多くの場合は静的で、質的である。
我々は、静的開示からアクション可能な人間対応のドキュメントに移行する新しいアプローチである包括的責任AIモデルカードフレームワーク(CRAI-MCF)を紹介します。
論文 参考訳（メタデータ） (2025-10-08T13:13:18Z) - Constraint-Level Design of zkEVMs: Architectures, Trade-offs, and Evolution [3.724127405825709]
Zero-knowledge Virtual Machines (zkEVMs) は、透過的なシーケンシャルな実行のために設計された仮想マシンであり、ゼロ知識証明は回路表現を必要とする。
この調査は、既存の主要製品であるzkEVMの実装が、異なる制約エンジニアリング戦略を通じて、この緊張を解決する方法について、最初の体系的な分析を提供する。
論文 参考訳（メタデータ） (2025-10-06T21:10:11Z) - A2R: An Asymmetric Two-Stage Reasoning Framework for Parallel Reasoning [57.727084580884075]
モデルポテンシャルと実際の性能の間のギャップを埋めるために設計された非対称な2段階推論フレームワーク。
A2R-Efficientは、Qwen3-4BとQwen3-8Bシンセサイザーを組み合わせた「小型から大型」の派生型である。
その結果、A2Rはパフォーマンス・ブートスティングのフレームワークであるだけでなく、現実世界のアプリケーションに対して効率的かつ実用的なソリューションであることがわかった。
論文 参考訳（メタデータ） (2025-09-26T08:27:03Z) - SpecRouter: Adaptive Routing for Multi-Level Speculative Decoding in Large Language Models [21.933379266533098]
大規模言語モデル(LLM)は、推論品質と計算コストの間に重要なトレードオフをもたらす。
既存のサービス戦略では、固定されたモデルスケールや静的な2段階の投機的デコードを用いることが多い。
本稿では,LLM推論を適応的ルーティング問題として再定義する新しいフレームワークであるsystemnameを紹介する。
論文 参考訳（メタデータ） (2025-05-12T15:46:28Z) - a1: Steep Test-time Scaling Law via Environment Augmented Generation [45.19240207975418]
Environment Augmented Generation (EAG) は、大規模言語モデルの推論をリアルタイムな環境フィードバックによって強化するフレームワークである。
EAGは、実行フィードバックと分岐探索の緊密な統合を通じて、意図的にバックトラックと戦略的再計画を可能にする。
A1-32Bモデルは、すべてのベンチマークで類似サイズのモデル間で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-04-20T12:55:59Z) - Squeezeformer: An Efficient Transformer for Automatic Speech Recognition [99.349598600887]
Conformerは、そのハイブリッドアテンション・コンボリューションアーキテクチャに基づいて、様々な下流音声タスクの事実上のバックボーンモデルである。
Squeezeformerモデルを提案する。これは、同じトレーニングスキームの下で、最先端のASRモデルよりも一貫して優れている。
論文 参考訳（メタデータ） (2022-06-02T06:06:29Z)
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。