論文の概要: Two Confounds in Cross-Model Value Comparison: Response Determinism and the Access Harness

• arxiv url: http://arxiv.org/abs/2607.10202v1
• Date: Sat, 11 Jul 2026 08:26:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.337922
• Title: Two Confounds in Cross-Model Value Comparison: Response Determinism and the Access Harness
• Title（参考訳）: モデル間比較における2つの欠点:応答決定性とアクセシビリティ・ハーネス
• Abstract要約: クロスモデル比較は、言語モデルが個別の値を持っていることを示す証拠として、価値の分散を読み取る。 本稿では,非ルール値ジレンマと非ルール値ジレンマの相互バランス,繰り返し強制選択測定,決定性指数を導入する。 決定論は大きく異なる(係合モデルでは0.66-0.95)。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-model comparisons read divergence in value dispositions as evidence that language models hold individuated values. Under single-draw measurement this conflates two quantities: a difference in central tendency (a genuine value difference) and a difference in response determinism (how sharply a model commits to a forced choice). We introduce a separation protocol -- no-rule value dilemmas with counterbalanced, repeated forced-choice measurement and a determinism index -- and a determinism-corrected decomposition that splits an apparent cross-model distance into a direction-flip component (genuine disagreement) and a same-side-more-extreme component we label determinism. Across nine models, determinism varies substantially (0.66-0.95 among engaging models); whether it is a per-model trait or tracks provider and scale is a question our method makes measurable but our sample leaves open. Correcting for determinism shrinks apparent individuation, while a few cross-family disagreements survive a strict test. We then isolate a second confound: the access harness serving each model. Re-collecting the same models through raw provider APIs, we find the deployment client shifts a model's value profile substantially and client-specifically: one subscription CLI moves a profile by 0.31, flips four of eighteen items, and inflates the flagship's apparent softness (0.34 via CLI vs 0.66 via raw API), whereas another provider's client is clean, confounding provider family with access client. The harness is a value-shaping layer: a base model that refuses one-in-ten forced choices is made compliant by an agent system prompt, established causally in a white-box control. An audit ranking models by single-draw value distance thus ranks a determinism-inflated quantity, confounded further by the client used. We contribute the decomposition and identify the deployment harness as a distinct value confound.
• Abstract（参考訳）: クロスモデル比較は、言語モデルが個別の値を持っていることを示す証拠として、価値の分散を読み取る。 単推力測定では、中心傾向の差(真の値差)と応答決定論の差(モデルが強制的な選択にいかに鋭くコミットするか)の2つの量が混ざり合っている。 本稿では,非ルール値ジレンマ(非ルール値ジレンマ)と,非ルール値ジレンマ(非ルール値ジレンマ),非ルール値ジレンマ(非ルール値ジレンマ)の分離プロトコルを導入する。 9つのモデルで決定性はかなり異なる (0.66-0.95) ; モデル毎の特性か, トラックプロバイダか, スケールかは, 我々の手法が測定できる問題だが, サンプルは開いている。 決定論の修正は明らかな偏見を減らし、いくつかの家族間の不一致は厳格なテストで生き残る。 次に、各モデルを提供するアクセスハーネスという2つ目の欠点を分離します。 1つのサブスクリプションCLIがプロファイルを0.31に移動し、18項目のうち4つをフリップし、フラッグシップの見かけの柔らかさ(CLI vs 0.66は生APIで0.34)を膨らませる一方で、別のプロバイダのクライアントはクリーンで、アクセスクライアントとプロバイダファミリーを混同している。 ハーネスは、値形成層であり、ホワイトボックス制御において慎重に確立されたエージェントシステムプロンプトにより、1対10の強制選択を拒否するベースモデルを適合させる。 これにより、単描画値距離による監査ランキングモデルは、使用したクライアントによってさらに構成された決定論的膨らませた量をランク付けする。 分解に寄与し、デプロイメントハーネスを明確な価値の共有として識別します。

関連論文リスト

• Nous: An Attempt to Extract and Inject the Cognition Behind Prediction-Market Behavior [0.0]
  人間の認知の多様性が行動から回復し、LSMエージェントに移行できるかどうかを問う。 Nousは、実際のポリマーケット取引活動から構造化された8次元の行動プロファイルを抽出し、プロンプトを通じてエージェントに注入する。 我々は,Nousを認知的モノカルチャー問題と即時治療の限界を計測するものとして位置づける。
  論文  参考訳（メタデータ） (2026-06-11T08:18:25Z)
• CIAware-Bench: Benchmarking Control Intervention Awareness Across Frontier LLMs [100.38986535324284]
  我々は、フロンティアモデル全体でのtextbfcontrol textbfintervention (CI) の認識を測定するベンチマークである textbfCIAware-Bench を紹介する。 CIAware-Benchは、モデルが自身の軌跡を制御介入によって修正されたものと区別できるかどうかをテストする。
  論文  参考訳（メタデータ） (2026-06-09T16:24:16Z)
• Superficial Beliefs in LLM Decision-Making [17.52079171010035]
  我々は,大言語モデル (LLM) が2つの選択肢を選択する際に,単に理性を模倣するだけかどうかを問う。 私たちは、モデルが最も重要としている属性と、その選択を以前の決定に適合する振る舞いモデルで最もよく説明する属性を比較します。 我々はこれをLLM意思決定における「表面的信念の証拠」と解釈する。
  論文  参考訳（メタデータ） (2026-06-09T15:54:35Z)
• Traits Run Deeper: Trait-Specific Asymmetric Fusion for Personality Assessment [53.50824432699408]
  Traits Run Deeperは、新しいパーソナリティアセスメントフレームワークである。 MFR(Multimodal Foundation Representation)、TSMF(Trit-Specific Modality Fusion)、DCPR(Distributed-Calibrated Personality Regression)の3つのコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2026-06-09T06:38:36Z)
• LLMs Show No Signs Of Individuated Metacognition [0.023227405857540805]
  20大言語モデルから二項信頼判断を分解する。 信頼性が異なる2つのモデルも性能が異なるかどうかを問う。 いずれの検査領域においても,有意な弁別メタ認知の証拠は見つからない。
  論文  参考訳（メタデータ） (2026-05-22T23:54:33Z)
• Cross-Model Disagreement as a Label-Free Correctness Signal [10.66607150500579]
  クロスモデル不一致は、既存の生産システムにドロップできる正確性指標である。 検証モデルからの生成は不要であり、正当性ラベルは不要である。 その結果、ラベルなしの正当性推定に対する実践的で訓練のないアプローチとして、クロスモデル不一致が確立された。
  論文  参考訳（メタデータ） (2026-03-26T13:46:22Z)
• Dependence-Aware Label Aggregation for LLM-as-a-Judge via Ising Models [55.94503936470247]
  大規模なAI評価は、審査員を含む、$K$アノテータからのバイナリ判断を集約することにますます依存している。 ほとんどの古典的なメソッドは、アノテータが条件的に独立であると仮定するが、真のラベルは$Yin0,1$であり、この仮定は LLM の審査員によってしばしば違反される。 我々はIsingグラフィカルモデルと潜在因子に基づく依存認識モデルの階層構造を通してラベルアグリゲーションを研究する。
  論文  参考訳（メタデータ） (2026-01-29T21:26:50Z)
• Chain-of-Thought Unfaithfulness as Disguised Accuracy [0.0]
  CoT(Chain-of-Thought)世代は、大きな言語モデルの内部計算(LLM)と一致している。 モデルが回答を生成するためのCoTへの依存度を測定する指標を提案する。
  論文  参考訳（メタデータ） (2024-02-22T17:23:53Z)
• Confidence-Based Model Selection: When to Take Shortcuts for Subpopulation Shifts [119.22672589020394]
  モデル信頼度がモデル選択を効果的に導くことができるConfidence-based Model Selection (CosMoS)を提案する。 我々はCosMoSを,データ分散シフトのレベルが異なる複数のテストセットを持つ4つのデータセットで評価した。
  論文  参考訳（メタデータ） (2023-06-19T18:48:15Z)
• Composed Image Retrieval with Text Feedback via Multi-grained Uncertainty Regularization [73.04187954213471]
  粗い検索ときめ細かい検索を同時にモデル化する統合学習手法を提案する。 提案手法は、強いベースラインに対して+4.03%、+3.38%、+2.40%のRecall@50精度を達成した。
  論文  参考訳（メタデータ） (2022-11-14T14:25:40Z)
• AvgOut: A Simple Output-Probability Measure to Eliminate Dull Responses [97.50616524350123]
  機能エンジニアリングなしで、どの発話やトークンが退屈であるかを動的に認識する対話モデルを構築します。 最初のモデルMinAvgOutは、各バッチの出力分布を通して、ダイバーシティスコアを直接最大化する。 第2のモデルであるラベルファインチューニング(LFT)は、多様性スコアによって連続的にスケールされたラベルをソースシーケンスにプリペイドし、多様性レベルを制御する。 3つ目のモデルであるRLは強化学習を採用し、多様性スコアを報奨信号として扱う。
  論文  参考訳（メタデータ） (2020-01-15T18:32:06Z)

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。