論文の概要: "Don't Say It!": Constraints, Compliance, and Communication when Language Models Play Taboo

• arxiv url: http://arxiv.org/abs/2607.00601v1
• Date: Wed, 01 Jul 2026 08:27:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.806534
• Title: "Don't Say It!": Constraints, Compliance, and Communication when Language Models Play Taboo
• Title（参考訳）: 「言うな!」:言語モデルがタブーを再生するときの制約、コンプライアンス、コミュニケーション
• Abstract要約: タブーのゲームは、他のプレイヤーがそれを推測できるように、禁じられた単語のセットを使わずにターゲットの単語を記述する必要がある。 生成過程のより深いレベルに介入する条件下で2つのオープンウェイトモデルを評価する。 生成した記述が対象概念をうまく引き起こす程度をLLM-as-a-judgeで測定し,その出力を評価する。
• 参考スコア（独自算出の注目度）: 11.294382753077677
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The game of Taboo requires describing a target word without using a set of forbidden words, so that other players can guess it. This deceptively simple task combines strict lexical constraints with the need for communicatively effective descriptions, making it a compelling playground for examining how LLMs navigate competing demands at inference time. We evaluate two open-weight models under conditions that intervene at progressively deeper levels of the generative process, from prompting to generation-time constraints to internal representations manipulations. We assess their outputs through forbidden word violation detection, LLM-as-a-judge measuring the degree to which generated descriptions successfully evoke the target concept for both human and machine guessers, and examining whether the strategies models adopt under constraint align with those of human players. Our results show that compliance with the rules of the game and communicative effectiveness trade off differently across conditions, and that models remain substantially weaker than humans as guessers, suggesting that lexical grounding under constraint is an open challenge for current language models.
• Abstract（参考訳）: タブーのゲームでは、他のプレイヤーがそれを推測できるように、禁じられた単語のセットを使わずにターゲットの単語を記述する必要がある。 この意図的な単純なタスクは、厳密な語彙制約とコミュニケーションに効果的な記述の必要性を組み合わせることで、LLMが推論時に競合する要求をどうナビゲートするかを調べるための魅力的な場となる。 生成過程のより深いレベルに介入する条件下で、2つのオープンウェイトモデルを評価する。 提案手法は, 単語違反検出, LLM-as-a-judge, LLM-a-judgeを用いて, 生成した記述が人間と機械の双方に対してターゲット概念を誘発する程度を計測し, 戦略モデルが人間のプレイヤーと制約を一致させるかどうかを検証した。 以上の結果から,ゲームルールの遵守とコミュニケーションの有効性の相違は条件によって異なることが示唆され,現在の言語モデルでは,制約の下での語彙的接地がオープンな課題であることが示唆された。

関連論文リスト

• In-Context VLA: Endowing Vision-Language-Action Models with Language via In-Context Post-Training and Agentic Tool Use [18.507118969955666]
  Vision-Language-Actionモデルは、静的イメージと固定命令で条件付けられた専門家のアクションチャンクを模倣する。 textbfourmethodは,言語能力を備えたVLAを実現するフレームワークである。 提案手法は,CoTをベースとした手法と比較して,性能と効率の両面において一貫したSOTA結果が得られる。
  論文  参考訳（メタデータ） (2026-08-06T08:21:02Z)
• Evaluating LLM Personalization via Semantic Constraint Verification [25.539904066738288]
  自然言語推論制約検証(NLICV)を導入する。 NLICVは文の意味を真理条件集合にマッピングし、自然言語推論(NLI)モデルを介してパーソナライズ制約を検証する。 実験によると、NLICVは人間のアノテーションと密接に一致し、LLMの審査員によるレイテンシとトークンコストを大幅に削減している。
  論文  参考訳（メタデータ） (2026-06-15T08:04:56Z)
• Constrained Semantic Decompression in LLMs through Persian Proverb-Conditioned Story Generation [5.105644262054024]
  Proverb Aligned Narrative dataset (PAND)を導入する。 現状の言語モデルでは, 根底にある道徳的・因果的構造を忠実にインスタンス化できない。 提案課題は自然に他の圧縮文化知識にも及んでいる。
  論文  参考訳（メタデータ） (2026-06-10T18:54:07Z)
• On the Paradoxical Interference between Instruction-Following and Task Solving [50.75960598434753]
  次の命令は、大規模言語モデル(LLM)を、タスクの実行方法に関する明示的な制約を指定することで、人間の意図と整合させることを目的としている。 我々は,LLMのタスク解決能力にパラドックス的に干渉する命令に従うという,直感に反する現象を明らかにした。 本稿では,タスク解決に追従する命令の干渉を定量化する指標として,SUSTAINSCOREを提案する。
  論文  参考訳（メタデータ） (2026-01-29T17:48:56Z)
• Generative Human-Object Interaction Detection via Differentiable Cognitive Steering of Multi-modal LLMs [85.69785384599827]
  人間と物体の相互作用(Human-object Interaction、HOI)の検出は、人と物体のペアとそれらの相互作用を局在させることを目的としている。 既存のメソッドはクローズドワールドの仮定の下で動作し、タスクを未定義の小さな動詞集合上の分類問題として扱う。 本稿では,閉集合分類タスクから開語彙生成問題へのHOI検出を再構成する新しい生成推論・ステアブル知覚フレームワークGRASP-HOを提案する。
  論文  参考訳（メタデータ） (2025-12-19T14:41:50Z)
• Do What? Teaching Vision-Language-Action Models to Reject the Impossible [53.40183895299108]
  VLA(Vision-Language-Action)モデルは、さまざまなロボットタスクにおいて強力なパフォーマンスを示している。 Instruct-Verify-and-Act(IVA)を提案する。 実験の結果,IVAはベースラインよりも97.56%の精度で虚偽の前提検出精度を向上させることがわかった。
  論文  参考訳（メタデータ） (2025-08-22T10:54:33Z)
• Ad-hoc Concept Forming in the Game Codenames as a Means for Evaluating Large Language Models [18.256529559741075]
  本研究では,大規模な言語モデル(LLM)を評価するためのベンチマークツールとして,Codenamesを利用する。 LLMはゲームの各サイドでプレイし、一方のサイドはいくつかのターゲットワードをカバーする手掛かりの単語を生成し、もう一方のサイドはそれらのターゲットワードを推測する。
  論文  参考訳（メタデータ） (2025-02-17T11:46:46Z)
• Leveraging Word Guessing Games to Assess the Intelligence of Large Language Models [105.39236338147715]
  この論文は人気のある言語ゲーム『Who is Spy』にインスパイアされている。 本研究は,LEMの表現と変形能力を評価するためのDEEPを開発する。 次に、インタラクティブなマルチエージェントフレームワークであるSpyGameを紹介します。
  論文  参考訳（メタデータ） (2023-10-31T14:37:42Z)
• Are Large Language Models Really Robust to Word-Level Perturbations? [68.60618778027694]
  本稿では,事前学習した報酬モデルを診断ツールとして活用する,新たな合理的評価手法を提案する。 より長い会話は、質問を理解する能力の観点から言語モデルの包括的把握を示す。 この結果から,LLMは日常言語でよく使われる単語レベルの摂動に対する脆弱性をしばしば示している。
  論文  参考訳（メタデータ） (2023-09-20T09:23:46Z)
• Simple Linguistic Inferences of Large Language Models (LLMs): Blind Spots and Blinds [59.71218039095155]
  我々は,ほとんどの人間が自明に感じる単純な推論タスクにおいて,言語理解能力を評価する。 我々は, (i) 文法的に特定された含意, (ii) 不確実性のある明らかな副詞を持つ前提, (iii) 単調性含意を目標とする。 モデルはこれらの評価セットに対して中程度から低い性能を示す。
  論文  参考訳（メタデータ） (2023-05-24T06:41:09Z)

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。