論文の概要: Blast Radius

• arxiv url: http://arxiv.org/abs/2608.07440v2
• Date: Tue, 11 Aug 2026 17:52:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 16:08:30.467492
• Title: Blast Radius
• Title（参考訳）: Blast (複数形 Blasts)
• Abstract要約: 我々は,コンテクストとコードチャネルを結合して,受信したプロンプトの到達範囲を推定する予測メモリ管理層を導入する。 NECRORESISは、デッドコンテキストの動詞をアーカイブすることで、可逆的な排除を可能にする。 ポーランドの文脈空間上での可逆的文脈消去を定式化し、保持、再発、排除のための測定可能な基礎を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agentic coding faces growing problems of affordability and wasted tokens. We introduce Blast Radius, a predictive memory management layer that estimates an incoming prompt's reach through coupled context and code channels. NECROPHORESIS enables reversible eviction by archiving dead context verbatim, while Recurring Dead Matter (RDM) identifies and buries repeatedly occurring transcripts. We formulate reversible context eviction over a Polish context space, providing a measurable foundation for retention, recurrence, and eviction while connecting context entropy to resurrection probability. Across seven OpenAI models, Blast Radius reduced token consumption by 17-26%, achieved the lowest overflow rate among tested policies, and remained byte exact reversible. Of 450 buried bodies, 378 were recurring dead matter and zero were recalled. Blast Radius operates beneath HCRC, determining which records to bury and how far an incoming prompt may reach into the codebase. This work contributes to the broader goal of Algosophy: making large language models and agentic coding more reusable and sustainable.
• Abstract（参考訳）: エージェントコーディングは、手頃な価格と無駄なトークンの増大する問題に直面します。 我々はBlast Radiusを紹介した。Blast Radiusは、コンテクストとコードチャネルを結合することで、受信したプロンプトのリーチを推定する予測メモリ管理層である。 NECROPHORESISは、デッドコンテキストの動詞をアーカイブすることで、可逆的な排除を可能にする一方、Recurring Dead Matter (RDM)は、繰り返し発生する転写産物を特定し、埋め合わせを行う。 ポーランドの文脈空間上での可逆的文脈消去を定式化し、文脈エントロピーを復活確率に接続しながら、保持、再帰、消去のための測定可能な基礎を提供する。 7つのOpenAIモデルで、Blast Radiusはトークンの消費を17～26%削減し、テスト済みのポリシーの中で最低のオーバーフロー率を獲得し、正確な可逆性を保った。 450件の遺体のうち378件が再発し、0件が回収された。 Blast RadiusはHCRCの下で動作し、どのレコードを埋めるか、受信したプロンプトがコードベースにどの程度到達するかを決定する。 この作業は、大規模な言語モデルとエージェントコーディングをより再利用し、持続可能なものにするという、Algosophyの幅広い目標に寄与する。

関連論文リスト

• In RAG We Trust? Measuring Robustness of Retrieval-Augmented Generation Under Document Poisoning [0.0]
  我々は、小さな量子化モデルであるLlama 3.1 8B(Llama 3.1 8B)が、検索された文脈のごく一部が汚染されたときにどれだけ劣化するかを研究する。 清潔な文脈では77.9%から43.5%に減少し、3つの通路が全て崩壊する。
  論文  参考訳（メタデータ） (2026-09-08T08:31:57Z)
• Adaptive Critical Token-Aware Retrieval for Repository-Level Code Generation [53.85136813868056]
  ACToRは、リポジトリレベルのコード生成のための適応型クリティカルトークン対応検索フレームワークである。 我々は、ACToRが、リポジトリレベルのベンチマークにおいて、最先端のメソッドを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2026-09-01T17:59:39Z)
• Cross-Session Decomposition Attacks: Scaling Risk and Intent-Aligned Retrieval Defense [49.05879299987137]
  言語モデリングの損失の低減は、より有用なモデルを生み出します。 本研究は,このメカニズムの安全性について,独立した相互作用を通じて,良質なサブクエリが要求され,後に禁忌の対象へと再帰される,エンフクロス・セッション分解攻撃(enmphcross-session decomposition attack)における研究である。 我々は、この設定をEmphcompositional safety riskとして定式化し、条件付きリスク-転送境界を証明する。
  論文  参考訳（メタデータ） (2026-08-28T05:39:29Z)
• PURA: Provably Unbiased and Robust Multi-Bit Watermarking for AI-Generated Text Attribution [83.66032773976904]
  PURAは、テキスト属性に対する不偏で頑健なマルチビット透かし方式である。 PURAはトークンの確率を直接摂動するのではなく、鍵付き逆変換サンプリングによって潜在サンプリング空間にペイロードを埋め込む。 PURAは、高負荷体制において、既存の非バイアスベースラインを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2026-08-23T04:44:27Z)
• RoguePrompt: Dual-Layer Encoding for Self-Reconstruction to Circumvent LLM Moderation [0.0]
  本稿では、禁断のプロンプトを分割し、2つのネストエンコーディング、Vigenere、Rot13、および自然言語再構築命令を適用するジェイルブレイクパイプラインであるRoguePromptを紹介する。 成功度は, 自動基準を超えると, 調整バイパス, 命令再構築, 実行の点で測定された。
  論文  参考訳（メタデータ） (2026-07-29T18:25:30Z)
• ECHO: Prune to act, trace to learn with selective turn memory in agentic RL [9.429418772354397]
  ECHOは、ソースインデックスによる再構築を通じて、履歴の崩壊とトレース可能な学習に対処する、選択的なターンメモリフレームワークである。 BrowseComp-Plusでは、ECHOの保持精度は43.4%に達し、GRPO(28.9%)とローリングサマーベースラインSUPO(36.1%)を上回っている。
  論文  参考訳（メタデータ） (2026-06-30T13:29:58Z)
• When Poison Fails After Retrieval: Revisiting Corpus Poisoning under Chunking and Reranking Pipelines [13.701523553327116]
  Retrieval-Augmented Generation (RAG) システムは、悪質な知識注入を通じて下流モデル出力を操作するコーパス中毒攻撃に対して脆弱である。 既存の研究では、文書チャンキング、密集検索、再ランク付け、接地生成を含む実用的なRAGパイプラインを見越して、簡易な検索設定下での中毒の評価が主である。 我々は,検索関連性,リランカの整合性,およびチャンク境界の堅牢性を共同で最適化する中毒治療フレームワークであるChunk-aware and Rerank-Consistent Poisoning (CRCP)を提案する。
  論文  参考訳（メタデータ） (2026-06-09T04:45:28Z)
• RepoMirage: Probing Repository Context Reasoning in Code Agents with Perturbations [51.43574078961796]
  本稿では,SWE-Bench Verified上に構築された2段階評価スイートRepoMirageを紹介する。 RepoMirage-Perturbは、リポジトリレベルの摂動を保存する3つのタイプのセマンティクスを適用している。 RepoAnchorは、下流の問題解決からリポジトリの探索を分離する構造第一のプロトタイプワークフローである。
  論文  参考訳（メタデータ） (2026-05-25T06:26:43Z)
• Needle-in-RAG: Prompt-Conditioned Character-Level Traceback of Poisoned Spans in Retrieved Evidence [4.039934762896615]
  RAGCharacterは、2パスの法医学的なフレームワークで、具体的な誤生成イベントのために責任ある回収されたスパンをローカライズする。 RAGおよび現在のRAGCharacterにおけるブラックボックス文字レベルの毒の追跡について検討した。
  論文  参考訳（メタデータ） (2026-05-03T08:42:29Z)
• Anchored Decoding: Provably Reducing Copyright Risk for Any Language Model [99.16364381244445]
  現代の言語モデル(LM)は、トレーニングデータの一部を記憶し、動詞のスパンを出力する傾向がある。 提案するAnchored Decodingは,動詞の模倣を抑えるためのプラグアンドプレイ推論時間法である。 本手法は,著作権リスクとユーティリティの長期評価において,6組のモデルペアで評価する。
  論文  参考訳（メタデータ） (2026-02-06T19:00:14Z)
• CORE: Context-Robust Remasking for Diffusion Language Models [51.59514489363897]
  我々は、推論時リビジョンのためのトレーニング不要フレームワークであるContext-Robust Remasking (CORE)を提案する。 静的トークンの確率を信頼するのではなく、COREは、ターゲットとなるマスク付きコンテキストの摂動に対する感受性を示すことによって、コンテキスト不安定なトークンを識別する。 LLaDA-8B-Baseでは、COREは推論とコードベンチマークの間で一貫した改善を行い、計算に適合したベースラインを上回り、MBPPを最大9.2%改善した。
  論文  参考訳（メタデータ） (2026-02-04T00:12:30Z)
• Reversible Diffusion Decoding for Diffusion Language Models [69.10149777322108]
  Reversible Diffusion Decoding (RDD) はブロックワイド拡散生成に可逆性を導入するデコーディングフレームワークである。 RDDは、逆プロセスの状態依存的な障害として停滞を検出し、以前のブロックへの効率的なバックトラックを可能にする。 実験により、RDDは最小の計算オーバーヘッドでベースラインよりも生成の堅牢性と品質を向上させることが示された。
  論文  参考訳（メタデータ） (2026-01-29T12:52:33Z)
• BadRAG: Identifying Vulnerabilities in Retrieval Augmented Generation of Large Language Models [18.107026036897132]
  大規模言語モデル(LLM)は時代遅れの情報と誤ったデータを生成する傾向によって制約される。 Retrieval-Augmented Generation (RAG) は、検索手法の強みと生成モデルを組み合わせることで、これらの制限に対処する。 RAG は LLM に対する新たな攻撃面を導入している。特に RAG データベースは Web などの公開データからしばしば引き出されるためである。
  論文  参考訳（メタデータ） (2024-06-03T02:25:33Z)
• Look-back Decoding for Open-Ended Text Generation [62.53302138266465]
  本研究では,現在の復号化過程と過去の復号化過程の分布距離を追跡する改良された復号化アルゴリズムであるLook-backを提案する。 ルックバックは、潜在的反復句とトピックドリフトを自動的に予測し、障害モードを引き起こす可能性のあるトークンを削除することができる。 文書の継続とストーリー生成に関する復号実験を行い、Look-backがより流動的で一貫性のあるテキストを生成することを実証する。
  論文  参考訳（メタデータ） (2023-05-22T20:42:37Z)

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。