論文の概要: CogniConsole: Externalizing Inference-Time Control as a Formal Abstraction for Reliable LLM Interactions
- arxiv url: http://arxiv.org/abs/2607.08774v1
- Date: Tue, 21 Apr 2026 17:21:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:12.986877
- Title: CogniConsole: Externalizing Inference-Time Control as a Formal Abstraction for Reliable LLM Interactions
- Title（参考訳）: CogniConsole:信頼性LLMインタラクションのための形式的抽象化としての推論時間制御の外部化
- Abstract要約: 推論時間制御は、タスクフレーミングとコンテキスト選択を管理する計算層である。
emphCogniConsoleは、この制御を構造化インターフェイスに外部化するアーキテクチャインスタンス化である。
以上の結果から, コンテクストドリフトや不整合性制約順守といった多くの障害モードは, 不十分な機能ではなく, 未特定の制御から生じることが示唆された。
- 参考スコア（独自算出の注目度）: 3.8673630752805437
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Reliability in large language model (LLM) systems is typically framed as a function of model capability. We challenge this by demonstrating that reliability is significantly influenced by \emph{inference-time control} -- the computational layer governing task framing and context selection. We introduce \emph{CogniConsole}, an architectural instantiation that externalizes this control into a structured interface combining programmatic coordination with bounded prompt-based reasoning. Through \emph{controllability-oriented probes} ($N=489$) in a multi-step interactive environment, we show that increasing structural scaffolding -- from unstructured to fully scaffolded -- \textbf{systematically reduces output variance and failure rates under a fixed model architecture}. Our results indicate that many observed failure modes, such as context drift and inconsistent constraint adherence, arise from under-specified control rather than insufficient capability. This work provides an empirical basis for treating inference-time control as a first-class abstraction, opening new directions for designing and evaluating LLM systems beyond scaling alone.
- Abstract（参考訳）: 大規模言語モデル(LLM)システムの信頼性は通常、モデル能力の関数としてフレーム化される。
本稿では,タスクフレーミングとコンテキスト選択を統括する計算層である 'emph{inference-time control} の影響が,信頼性に大きく影響していることを示す。
我々は,この制御を,プログラム的調整と有界なプロンプトベースの推論を組み合わせた構造化インターフェースに外部化するアーキテクチャインスタンスである \emph{CogniConsole} を紹介する。
複数ステップの対話環境でのemph{controllability-oriented probes} (N=489$) を通じて、構造的足場(非構造化から完全な足場)の増加は、固定モデルアーキテクチャの下で出力のばらつきと失敗率を体系的に減少させることを示す。
以上の結果から, コンテクストドリフトや不整合性制約順守といった多くの障害モードは, 不十分な能力ではなく, 未特定の制御から生じることが示唆された。
この研究は、推論時間制御を第一級の抽象化として扱うための実証的な基礎を提供し、スケーリング以外のLLMシステムを設計し評価するための新たな方向性を開放する。
関連論文リスト
- Modular Diffusion Models for Structured Visual Recognition [52.38687800325397]
与えられた入力画像に対する構造化出力の分布を学習する,シンプルで斬新なフレームワークであるModular Diffusion Models (MDMs)を提案する。
MDMは拡散過程を異なるタスク固有のモジュールに分解し、それぞれが構造化情報空間の異なる側面を捉えることに重点を置いている。
このモジュール設計により、各コンポーネントは独立して学習でき、追加のトレーニングなしで推論時にシームレスに統合できる。
論文 参考訳（メタデータ） (2026-06-21T22:38:35Z) - Saliency-Aware Model Merging [47.65036144170475]
モデルマージは、異なるデータセットに微調整された複数のタスク固有のモデルを、ドメイン間の習熟性を実行する統一アーキテクチャに統合することを目的としている。
現在のデータフリーモデルマージ手法は、層間依存関係や一様でない専門知識の分布を無視した単純なパラメータレベルに依存するため、スケールアップに苦労することが多い。
この研究は、構造的なプルーニング(SynFlowなど)から接続ベースのサリエンシの定式化に基づいて構築され、それらをデータフリーモデルマージ設定に拡張するSA-Mergingを提案する。
論文 参考訳（メタデータ） (2026-05-30T04:00:44Z) - Hierarchical Prompt-Domain Control and Learning for Resource-Constrained Agentic Language Models [0.0]
大規模言語モデルはエージェントシステム内にますます展開されている。
本稿では,要求された出力スキーマを学習するために,まず,コンパクトなモデルを蒸留する階層的な制御・学習フレームワークを提案する。
非階層的,蒸留専用,非蒸留ベースラインに対する信頼性とコスト効率の向上を示す。
論文 参考訳（メタデータ） (2026-05-26T21:23:30Z) - Embodied Foundation Models at the Edge: A Survey of Deployment Constraints and Mitigation Strategies [3.4385853021313593]
Deployment Gauntletは制約を8つの結合バリアにまとめる。
信頼性の高いデプロイメントは、メモリ、スケジューリング、通信、モデルアーキテクチャ間のシステムレベルの共同設計に依存します。
論文 参考訳（メタデータ） (2026-03-16T21:27:03Z) - Guided Verifier: Collaborative Multimodal Reasoning via Dynamic Process Supervision [11.159231524113764]
マルチモーダル大規模言語モデル(MLLM)の複雑な推論能力を高めるための重要なメカニズムとして強化学習(RL)が登場した。
本稿では,これらの構造的制約に対処する textbfGuided Verifier フレームワークを提案する。
我々は,マルチモーダル幻覚をターゲットとした特殊なデータ合成パイプラインを開発し,プロセスレベルの負の textbfCoRe データセットとtextbfCorrect-guide textbfReasoning トラジェクトリを構築し,ガイド付き検証器を訓練する。
論文 参考訳（メタデータ） (2026-02-04T07:38:42Z) - AR-MOT: Autoregressive Multi-object Tracking [56.09738000988466]
本稿では,大規模言語モデル(LLM)フレームワーク内のシーケンス生成タスクとしてMOTを定式化する,新しい自己回帰パラダイムを提案する。
この設計により、タスク固有のヘッドを必要とせずに、フレキシブルなシーケンス構成によって構造化された結果を出力できる。
地域レベルの視覚知覚を高めるために,事前訓練された検出器に基づくオブジェクト・トケナイザを導入する。
論文 参考訳（メタデータ） (2026-01-05T09:17:28Z) - Representation Interventions Enable Lifelong Unstructured Knowledge Control [54.86207134539453]
大規模言語モデル(LLM)は、しばしば誤った、または時代遅れのコンテンツを生成します。その知識を効率的に正確に更新し、コストのかかる再トレーニングなしにするというのは、大きな課題です。
本稿では,モデル表現空間内の介入として知識制御を扱う,堅牢でスケーラブルな手法であるRILKEを紹介する。
トレーニング中、RILKEはパラフレーズロバストと編集局所化モジュールを学び、低次元のサブスペースへの更新を制限し、クロスディジット干渉を最小限に抑える。
推論において、クエリ適応ルータは、モデル生成をガイドする適切なモジュールを選択する。
論文 参考訳（メタデータ） (2025-11-25T22:15:00Z) - EasySteer: A Unified Framework for High-Performance and Extensible LLM Steering [55.56674028743782]
大規模言語モデル(LLM)のステアリングは、推論時にモデル動作を制御するための有望なパラダイムとして登場した。
我々は,vLLM上に構築された高性能LLMステアリングのための統合フレームワークであるEasySteerを提案する。
論文 参考訳（メタデータ） (2025-09-29T17:59:07Z) - Q-function Decomposition with Intervention Semantics with Factored Action Spaces [51.01244229483353]
元の作用空間の低次元射影部分空間上で定義されるQ-函数を考察し、分解されたQ-函数の不偏性について考察する。
これにより、標準モデルフリー強化学習アルゴリズムにおいて、予測Q関数を用いてQ関数を近似する動作分解強化学習と呼ばれる一般的なスキームが導かれる。
論文 参考訳（メタデータ） (2025-04-30T05:26:51Z) - Neural Internal Model Control: Learning a Robust Control Policy via Predictive Error Feedback [16.46487826869775]
本稿では,モデルベース制御とRLベース制御を統合し,ロバスト性を高めるニューラル内部モデル制御を提案する。
我々のフレームワークは、剛体力学にニュートン・オイラー方程式を適用することで予測モデルを合理化し、複雑な高次元非線形性を捉える必要がなくなる。
本研究では,四足歩行ロボットと四足歩行ロボットにおけるフレームワークの有効性を実証し,最先端の手法と比較して優れた性能を実現する。
論文 参考訳（メタデータ） (2024-11-20T07:07:42Z)
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。