論文の概要: Position: Avoid Overstretching LLMs for every Enterprise Task

• arxiv url: http://arxiv.org/abs/2605.09365v1
• Date: Sun, 10 May 2026 06:29:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.216566
• Title: Position: Avoid Overstretching LLMs for every Enterprise Task
• Title（参考訳）: ポジション: エンタープライズタスク毎にLLMをオーバーストレッチすることを避ける
• Authors: Kuldeep Singh, Anson Bastos, Isaiah Onando Mulang',
• Abstract要約: AIシステムはモノリシックエンジンではなく、言語モデルをインターフェースとして扱うべきだ、と私たちは主張する。 我々の理論的証拠は、有限計算モデルでは、エンタープライズタスクに必要な知識を十分に把握できないことを示している。 これに基づいて、決定論的企業において、言語モデルは主に構造化抽出に使用されるべきだという立場を取ります。
• 参考スコア（独自算出の注目度）: 3.679908170761854
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Enterprise workloads are dominated by deterministic, structured, and knowledge-dependent tasks operating under strict cost, latency, and reliability constraints. While these are often addressed through large language model (LLM) deployment or distillation into smaller models, we argue this is inefficient, unreliable, and misaligned with enterprise task structures. Instead, AI systems should treat language models as interfaces rather than monolithic engines, externalizing knowledge and computation into dedicated components for greater reliability, scalability, and transparency. Our theoretical evidences show that finite-capacity models cannot fully capture the breadth of knowledge required for enterprise tasks, creating inherent limits to efficiency and interpretability. Building on this, we take the position that language models should primarily be used for structured extraction in deterministic enterprise workflows, while computation and storage are delegated to knowledge bases and symbolic procedures. We formally demonstrate that such modular architectures are more reliable and maintainable than monolithic frameworks, offering a sustainable foundation for enterprise tasks.
• Abstract（参考訳）: エンタープライズワークロードは、厳格なコスト、レイテンシ、信頼性の制約の下で運用される決定論的、構造化され、知識に依存したタスクによって支配される。 これらは多くの場合、大規模言語モデル(LLM)のデプロイメントや、より小さなモデルへの蒸留を通じて対処されますが、これは非効率で、信頼性が低く、エンタープライズタスク構造と不一致である、と私たちは主張します。 代わりにAIシステムは、モノリシックエンジンではなく、言語モデルをインターフェースとして扱い、信頼性、スケーラビリティ、透明性を高めるために、知識と計算を専用のコンポーネントに外部化するべきである。 我々の理論的な証拠は、有限容量モデルがエンタープライズタスクに必要な知識の広さを完全に捉えることができず、効率性と解釈可能性に固有の限界が生じることを示している。 これに基づいて、言語モデルは、決定論的エンタープライズワークフローにおける構造化抽出に主に使用されるべきであり、一方、計算と記憶は知識ベースとシンボリックプロシージャに委譲される。 このようなモジュール化されたアーキテクチャは、モノリシックなフレームワークよりも信頼性と保守性が高く、エンタープライズタスクの持続可能な基盤を提供しています。

関連論文リスト

• RemoteAgent: Bridging Vague Human Intents and Earth Observation with RL-based Agentic MLLMs [55.44696796126619]
  地球観測システムは、曖昧な自然言語を通じて要求を表現するドメインの専門家を支援するように設計されている。 実用的なEOAIシステムは、あいまいな人間のクエリと適切な多粒度視覚分析タスクのギャップを埋めなければならない。 MLLMの能力固有の境界を戦略的に尊重するエージェントフレームワークであるRemoteAgentを提案する。
  論文  参考訳（メタデータ） (2026-04-09T03:40:46Z)
• Agent Skill Framework: Perspectives on the Potential of Small Language Models in Industrial Environments [14.079091139464175]
  この研究は、エージェントスキルプロセスの形式的な数学的定義を導入し、その後、様々な大きさの言語モデルの体系的な評価を行った。 その結果、小型モデルは信頼性の高いスキル選択に苦しむ一方で、中程度のサイズのSLM(約12B～30B)はエージェントスキルアプローチから大きく恩恵を受けることがわかった。
  論文  参考訳（メタデータ） (2026-02-18T17:52:17Z)
• HELP: Hierarchical Embodied Language Planner for Household Tasks [75.38606213726906]
  複雑なシナリオを扱うエージェントは、堅牢な計画能力に大きく依存する。 広範な言語知識を備えた大規模言語モデルは、この役割を果たすことができる。 LLMをベースとした一組のエージェントからなる階層型エンボディード言語プランナーHELPを提案する。
  論文  参考訳（メタデータ） (2025-12-25T15:54:08Z)
• EoS-FM: Can an Ensemble of Specialist Models act as a Generalist Feature Extractor? [8.178030486012437]
  リモートセンシングファウンデーションモデル(RSFM)構築のためのアンサンブル・オブ・スペシャリストフレームワークを提案する。 本手法はトレーニングプロセスを,凍結・再利用可能な軽量でタスク固有のConvNeXtV2専門家に分解する。 我々のフレームワークは、スケーラブルで効率的なRSFMを構築するための新しい方向を設定します。
  論文  参考訳（メタデータ） (2025-11-26T15:52:56Z)
• Automated Constraint Specification for Job Scheduling by Regulating Generative Model with Domain-Specific Representation [38.193536141447254]
  本稿では,大規模言語モデル (LLM) を規定する制約中心アーキテクチャを提案する。 自動生産シナリオ適応アルゴリズムを設計,展開し,アーキテクチャを特定の製造構成に合わせて効率的にカスタマイズする。実験結果から,提案手法はLCMの生成能力と製造システムの信頼性要件とのバランスをとることができた。
  論文  参考訳（メタデータ） (2025-10-03T02:34:11Z)
• Semantic Integrity Constraints: Declarative Guardrails for AI-Augmented Data Processing Systems [39.23499993745249]
  セマンティッククエリにおけるLLM出力に対する正当性条件を指定・強制するためのセマンティック整合性制約(SIC)を導入する。 SICは、従来のデータベース整合性制約をセマンティックセッティングに一般化し、グラウンド、サウンドネス、排他といった一般的なタイプの制約をサポートする。 本稿では,SICをクエリ計画と実行環境に統合するシステム設計について述べる。
  論文  参考訳（メタデータ） (2025-03-01T19:59:25Z)
• Can Long-Context Language Models Subsume Retrieval, RAG, SQL, and More? [54.667202878390526]
  長文言語モデル(LCLM)は、従来、検索システムやデータベースといった外部ツールに依存していたタスクへのアプローチに革命をもたらす可能性がある。 実世界のタスクのベンチマークであるLOFTを導入し、文脈内検索と推論においてLCLMの性能を評価するために設計された数百万のトークンを出力する。 以上の結果からLCLMは,これらのタスクを明示的に訓練したことがないにも関わらず,最先端の検索システムやRAGシステムと競合する驚くべき能力を示した。
  論文  参考訳（メタデータ） (2024-06-19T00:28:58Z)
• Improving Open Information Extraction with Large Language Models: A Study on Demonstration Uncertainty [52.72790059506241]
  オープン情報抽出(OIE)タスクは、構造化されていないテキストから構造化された事実を抽出することを目的としている。 一般的なタスク解決手段としてChatGPTのような大きな言語モデル(LLM)の可能性にもかかわらず、OIEタスクの最先端(教師付き)メソッドは遅れている。
  論文  参考訳（メタデータ） (2023-09-07T01:35:24Z)
• Large Language Models with Controllable Working Memory [64.71038763708161]
  大規模言語モデル(LLM)は、自然言語処理(NLP)の一連のブレークスルーをもたらした。 これらのモデルをさらに切り離すのは、事前訓練中に内在する膨大な量の世界的知識だ。 モデルの世界知識が、文脈で提示された事実情報とどのように相互作用するかは、まだ解明されていない。
  論文  参考訳（メタデータ） (2022-11-09T18:58:29Z)

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。