論文の概要: Model-Driven Discipline for Multi-Agent LLMs: Requirement-to-Verification Generation of Traceable System Models
- arxiv url: http://arxiv.org/abs/2607.16708v1
- Date: Sat, 18 Jul 2026 08:50:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.23206
- Title: Model-Driven Discipline for Multi-Agent LLMs: Requirement-to-Verification Generation of Traceable System Models
- Title（参考訳）: マルチエージェントLDMのためのモデル駆動ディシプリナ:トレーサブルシステムモデルの要求-検証生成
- Abstract要約: RADIANTは、MDEとMulti-Agent Large Language Modelを組み合わせたエンジニアリング方法論である。
工学的なフェーズにまたがる異種モデルを自動的に生成する。
正確かつ自動的な変更インパクト分析を提供する。
- 参考スコア（独自算出の注目度）: 62.62160094849002
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Software complexity is a long-standing challenge for system engineers. Model-Driven Engineering (MDE) addresses it by treating models as first-class artefacts, but a typical MDE process spans many tools and produces heterogeneous models of different system aspects, making traceability, maintenance, and change management difficult. We propose RADIANT, an engineering methodology that combines MDE with Multi-Agent Large Language Models (LLMs) for complete model-based system development, with a focus on safety-critical systems. From a carefully specified requirement model, RADIANT automatically generates heterogeneous models across engineering phases -- a concept model, a domain-specific modelling language, a conforming system model, and a behaviour model -- together with executable, element-level traceability links, on top of which it provides exact, automated change-impact analysis. Generated behaviour models are translated into CSP and formally verified (e.g.\ for deadlock freedom and convergence) with a counterexample-driven repair loop. Evaluating RADIANT across three LLMs, we find that the multi-agent decomposition reliably improves the \emph{syntactic validity} of the generated formal artefacts over a single-agent baseline -- and their \emph{executability} where the model's code generation permits -- while gains in semantic accuracy are model-dependent. A six-participant study shows an order-of-magnitude ($10$--$15\times$) reduction in development time, and the unmodified pipeline transfers to a second domain.
- Abstract（参考訳）: ソフトウェア複雑性は、システムエンジニアにとって長年の課題である。
モデル駆動エンジニアリング(MDE)は、モデルを第一級の成果物として扱うことでそれを解決するが、典型的なMDEプロセスは多くのツールにまたがり、異なるシステム側面の異質なモデルを生成し、トレーサビリティ、メンテナンス、変更管理を困難にする。
我々は,MDEとLLM(Multi-Agent Large Language Models)を組み合わせる工学手法であるRADIANTを提案する。
慎重に定義された要求モデルから、RADIANTはエンジニアリングフェーズ(概念モデル、ドメイン固有モデリング言語、適合システムモデル、振る舞いモデル)にわたる異種モデルを自動的に生成します。
生成した行動モデルはCSPに変換され、反例駆動の修復ループで正式に検証される(デッドロックの自由と収束のためのg \)。
3つのLSMでRADIANTを評価すると、マルチエージェント分解は単一エージェントベースライン上で生成された形式アーチファクトの \emph{syntactic validity} を確実に改善し、モデルのコード生成が許容する \emph{executability} がモデルに依存しているのに対して、セマンティック精度はモデルに依存していることが分かる。
6人の参加者による調査では、開発時間が10ドルから15ドルに短縮され、修正されていないパイプラインが第2のドメインに転送される。
関連論文リスト
- M*: A Modular, Extensible, Serving System for Multimodal Models [62.77975969000349]
本稿では,複合AIモデルの効率的な提供を目的とした汎用サービスシステムであるM*を提案する。
広範囲の家族から合成モデルを簡潔にキャプチャする方法を示す。
M*はまた、ロボット計画のためのV-JEPA 2-ACロールアウトベースラインを最大12.5倍上回っている。
論文 参考訳（メタデータ） (2026-06-10T21:22:22Z) - Agent2World: Learning to Generate Symbolic World Models via Adaptive Multi-Agent Feedback [51.22403664895878]
Agent2Worldは、強力な推論時ワールドモデル生成を実現するツール拡張マルチエージェントフレームワークである。
また、マルチエージェントフィードバックの生成を基盤にすることで、教師付き微調整のためのデータエンジンとしても機能する。
論文 参考訳（メタデータ） (2025-12-26T18:54:14Z) - GLUE: Generative Latent Unification of Expertise-Informed Engineering Models [3.005158583027536]
GLUE(Generative Latent Unification of Expertise-Informed Engineering Models)を紹介する。
GLUEは、事前訓練された凍結したサブシステムジェネレータをオーケストレーションし、システムレベルの実現可能性、最適性、多様性を強制する。
5つの結合制約を持つUAV設計問題において、データ駆動型アプローチは多種多様な高性能な設計をもたらすが、制約を確実に満たすためには大きなデータセットを必要とする。
論文 参考訳（メタデータ） (2025-12-22T15:23:19Z) - Heterogeneous Model Alignment in Digital Twin [0.0]
モデル駆動DTにおける主要な課題は、抽象層にまたがる異種モデルを整列させることである。
静的マッピングと手動の更新に依存する既存のメソッドは、しばしば柔軟性がなく、エラーを起こし、データの整合性を損なうリスクがある。
多層型モデル駆動型DTのための異種モデルアライメント手法を提案する。
論文 参考訳（メタデータ） (2025-12-17T10:36:55Z) - Modelling and Model-Checking a ROS2 Multi-Robot System using Timed Rebeca [1.3048920509133806]
Timed Rebecaはアクターベースのモデリング言語で、リアクティブ、並列、タイムセマンティクスをサポートする。
本稿では,マルチボットシステムの設計と検証にモデルを使用する方法,モデルチェックを効率的に行うために継続的システムを個別にモデル化する方法を示す。
RebecaとROS2のコードは、複数の自律ロボットシステムをモデル化するための基盤となる。
論文 参考訳（メタデータ） (2025-11-19T08:28:30Z) - Merge and Guide: Unifying Model Merging and Guided Decoding for Controllable Multi-Objective Generation [49.98025799046136]
Merge-And-GuidEは、ガイド付きデコーディングにモデルマージを利用する2段階のフレームワークである。
ステージ1では、MAGEはガイダンスとベースモデルの互換性の問題を解決する。
ステージ2では、明示的で暗黙的な値モデルを統一的なガイダンスプロキシにマージします。
論文 参考訳（メタデータ） (2025-10-04T11:10:07Z) - Every Step Counts: Decoding Trajectories as Authorship Fingerprints of dLLMs [63.82840470917859]
本稿では,dLLMの復号化機構をモデル属性の強力なツールとして利用できることを示す。
本稿では、デコードステップ間の構造的関係を捉え、モデル固有の振る舞いをよりよく明らかにする、DDM(Directed Decoding Map)と呼ばれる新しい情報抽出手法を提案する。
論文 参考訳（メタデータ） (2025-10-02T06:25:10Z) - OptMerge: Unifying Multimodal LLM Capabilities and Modalities via Model Merging [124.91183814854126]
モデルマージは、複数のエキスパートモデルをひとつのモデルに組み合わせようとしている。
本稿ではMLLMのトレーニングと評価のタスクを明確に分割したモデルマージ研究のベンチマークを紹介する。
モデルマージは、トレーニングデータを必要とせずに改善されたMLLMを構築するための有望な方法であることがわかった。
論文 参考訳（メタデータ） (2025-05-26T12:23:14Z) - A Model Is Not Built By A Single Prompt: LLM-Based Domain Modeling With Question Decomposition [4.123601037699469]
現実世界のドメインモデリングでは、エンジニアは通常複雑なタスクを簡単に解けるサブタスクに分解する。
本稿では,開発者のモデリングプロセスに類似した質問分解によるLLMに基づくドメインモデリング手法を提案する。
予備的な結果から,本手法は単発プロンプトによるプロンプトよりも優れていた。
論文 参考訳（メタデータ） (2024-10-13T14:28:04Z) - MAO: A Framework for Process Model Generation with Multi-Agent Orchestration [12.729855942941724]
本稿では,マルチエージェントオーケストレーション(MAO)を用いたプロセスモデルの自動生成フレームワークについて検討する。
大きな言語モデルは幻覚を起こす傾向があるため、エージェントはプロセスモデルにおける意味幻覚をレビューし、修復する必要がある。
実験により、我々のフレームワークが生成したプロセスモデルは、4つの異なるデータセットで手動モデリングを89%、61%、52%、75%以上上回っていることが示された。
論文 参考訳（メタデータ） (2024-08-04T03:32:17Z) - EMR-Merging: Tuning-Free High-Performance Model Merging [55.03509900949149]
Elect, Mask & Rescale-Merging (EMR-Merging) は既存のマージ手法と比較して優れた性能を示した。
EMR-Mergingはチューニング不要なので、データアベイラビリティや追加のトレーニングは必要ありません。
論文 参考訳（メタデータ） (2024-05-23T05:25:45Z)
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。