論文の概要: Does the way we write a theory change the program an LLM builds from it? A prospective randomized study of renderer format in LLM theory-to-program translation

• arxiv url: http://arxiv.org/abs/2608.10314v1
• Date: Mon, 10 Aug 2026 23:37:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.848194
• Title: Does the way we write a theory change the program an LLM builds from it? A prospective randomized study of renderer format in LLM theory-to-program translation
• Title（参考訳）: LLMが生成するプログラムは、理論の書き方を変えるか? : LLM理論からプログラムへの翻訳におけるレンダラーフォーマットのランダム化研究
• Abstract要約: 言語理論は実行可能モデルに翻訳するには変数、介入、相互作用に関する選択が必要である。 我々は,理論言語モデルによるプログラムを体系的に変更するかどうかを検証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A verbal theory does not run: translating it into an executable model requires choices about variables, interventions, and interactions. We tested whether the presentation of otherwise identical theoretical content systematically changes the programs produced by large language models. In a prospective preregistered randomized experiment, 16 independent assignment bits allocated 32 paired renderer slots between a structured intervention contract and connected prose. Two pinned LLM snapshots translated five anonymous theoretical accounts, yielding 320 preauthorized single-shot programs in a frozen sparse quadratic language. A deterministic evaluator measured atomic finite-difference responses (H1) and mixed interaction responses (H2). Two primary endpoints assessed cross-model matched-distance reduction and closed-set same-account identifiability, with exact randomization inference and 27 preregistered support criteria evaluated across signed-linear and magnitude-rank pipelines. Both H1 and H2 returned the registered verdict NOT_SUPPORTED; only 19 of 108 criterion evaluations passed. Same-account identifiability remained near chance (AUC 0.469-0.523, against a registered 0.80 threshold). One H2 matched-distance endpoint moved and survived multiplicity correction in the signed-linear pipeline, but the corresponding magnitude-rank result missed the registered effect-size floor, so it did not satisfy the joint support rule. Thus renderer format did not produce the uniform, family-invariant, classifiable behavioral geometry predicted in advance. The result places a concrete boundary on specification-format effects in LLM theory-to-program translation and provides a fully auditable randomized design, datasets, and software for studying executable formalization.
• Abstract（参考訳）: 言語理論は実行可能モデルに翻訳するには変数、介入、相互作用に関する選択が必要である。 我々は,同じ理論的内容の提示が,大規模言語モデルによるプログラムを体系的に変更するかどうかを検証した。 事前登録されたランダム化実験では、16個の独立した割り当てビットが、構造化された介入契約と接続された散文の間に32対のレンダラースロットを割り当てた。 2つのピン付きLPMスナップショットは、5つの匿名理論のアカウントを翻訳し、320の事前認可された単発プログラムを凍結した2次言語で生成した。 決定論的評価器は、原子間有限差応答(H1)と混合相互作用応答(H2)を測定した。 2つの主要エンドポイントは, 整合距離低減と閉集合同値識別性を評価し, 正確なランダム化推定と27の事前登録支援基準を, 符号付き線形および等級のパイプラインで評価した。 H1とH2はいずれも、NOT_SUPPORTEDという登録された評定を返却した。 AUC 0.469-0.523 (AUC 0.469-0.523、登録された0.80の閾値に対して)。 1つのH2マッチング距離エンドポイントが符号付き線形パイプラインで移動し、多重度補正を継続したが、対応する等級ランクの結果は登録されたエフェクトサイズフロアを欠いたため、関節支持規則を満たさなかった。 したがって、レンダラー形式は、事前に予測された一様でファミリー不変で分類可能な行動幾何学を創出しなかった。 この結果は、LLM理論からプログラムへの翻訳における仕様形式効果に具体的な境界を設け、完全に監査可能なランダム化設計、データセット、および実行可能な形式化を研究するためのソフトウェアを提供する。

関連論文リスト

• Transformed in Translation: Two-Stage Structural Uncertainty in LLM-Based Scientific Autoformalization [0.0]
  オートフォーマル化はアカウントを実行可能な数学に変えるが、実行可能コードはどのモデルが構築されたかは決着しない。 応答法則を生成する形式化器と,その法則を軌道に変換する再帰性という,構造的不確実性の2つの源について検討する。
  論文  参考訳（メタデータ） (2026-09-13T21:47:46Z)
• SeGDeP: Semantic- and Geometric-Aware Decoupled Prompts for Reasoning Segmentation [51.46828526392219]
  推論セグメンテーションは暗黙の言語学的結論を正確なマスクに変換する。 既存のMLLMセグメンタインタフェースでは、特別なトリガーを使用するか、両方の信号を1つのコンテキストに圧縮する。 明示的なWhat-whereインターフェースであるSeGDePを提示する。
  論文  参考訳（メタデータ） (2026-09-08T15:11:32Z)
• Architecture-Dependent Causal Transfer of Activation States Across Large Language Models [51.56484100374058]
  内部言語アクティベーション状態は、異なる大きな言語モデル間で因果的に転送することができる。 生成中に投影された活性化をターゲットモデルに注入すると、統計的に有意で事前登録された因果効果が生じる。 現在実装されているLCM間のエンド・ツー・エンドのアクティベーション・ステート・トランスファーは、ユニバーサルではなくアーキテクチャに依存していると結論付けている。
  論文  参考訳（メタデータ） (2026-08-17T09:53:27Z)
• A Pre-Specified Construction-Confirmation Test of Operation-Level Causal Transfer Across Finite Isomorphic Symbolic Domains [0.0]
  2つの操作間の隠れ状態の違いが、ソース入力毎に別々に推定されているかどうかを問う。 この設計は、入力固有の介入を、不正操作、ノルムマッチングランダム、ノーオップ制御と比較し、個別に分離された確認分割から候補構築を分離する。
  論文  参考訳（メタデータ） (2026-08-16T15:37:26Z)
• GenOS: Compositional Certificates for Semantic Robustness in AI Code Generation [0.0]
  GenOSはプロンプト、コントラクト、ジェネレータ、プログラムを置き換える確率論的操作意味論である。 等価性に適合するカーネルは商類に従属し、商化の可換性は分布拡大や逐次合成と一致することを証明する。 また,音の検証,全変量非拡張性,付加的境界の下でのワークフロー・バイコミットの安全性を確立した。
  論文  参考訳（メタデータ） (2026-08-04T12:42:11Z)
• Speculative Refinement: A Hybrid Autoregressive Diffusion Decoding Strategy and Its Behavior Across Benchmarks [1.9800951131982487]
  我々はSpecRef(Speculative Refinement)を用いて、ARドラフトからマスク付き拡散言語モデルをウォームスタートする。 We evaluate SpecRef across six benchmarks (HumanEval, MBPP, GSM8K, BBH, ARC-Challenge, HellaSwag) with three distinct evaluation protocol。 これらの観察は、多段階または非自己回帰生成パイプラインに適用され、より診断評価の実践に向けて向けられる。
  論文  参考訳（メタデータ） (2026-06-25T18:52:24Z)
• Teaching Diffusion to Speculate Left-to-Right [3.205247598097648]
  大規模言語モデル(LLM)は、幅広いタスクにわたって顕著なパフォーマンスを達成するが、その自己回帰的復号処理は、かなりの推論コストを発生させる。 投機的復号化はこのボトルネックに対処するため、軽量なドラフトモデルを使用して、後により大きなターゲットモデルによって並列に検証される複数の将来のトークンを提案する。 最近の研究は、拡散言語モデルがこの設定に適しており、パラレルでドラフトトークンのブロック全体を生成できることを実証している。
  論文  参考訳（メタデータ） (2026-06-10T01:21:56Z)
• The Deterministic Horizon: Impossibility Results as Design Specifications for Trustworthy AI Systems [0.0]
  この論文は、好奇心から不合理性の結果を設計規則に変える。 そのフラッグシップとなる結果は、アーキテクチャだけで設定された精度の高い天井を証明している。 同じ引数がサブフィールドにまたがって再キャストされる。
  論文  参考訳（メタデータ） (2026-05-21T20:48:35Z)
• Reject, Resample, Repeat: Understanding Parallel Reasoning in Language Model Inference [60.48486820968353]
  複数のサンプルを集約・プルークする推論時間法が,大規模言語モデルを操る強力なパラダイムとして登場した。 SMC (Sequential Monte Carlo) のような * Particle filtering* アルゴリズムのレンズを用いて,そのようなアプローチを厳格に研究する手法を導入する。
  論文  参考訳（メタデータ） (2026-03-09T01:50:31Z)
• Blockwise SFT for Diffusion Language Models: Reconciling Bidirectional Attention and Autoregressive Decoding [60.06816407728172]
  離散拡散言語モデルは、テキスト生成に強い可能性を示している。 半自己回帰推論による微調整ミスアライメントの標準化 我々は、応答を固定サイズブロックに分割するBlockwise SFTを提案する。
  論文  参考訳（メタデータ） (2025-08-27T02:49:33Z)
• Datarus-R1: An Adaptive Multi-Step Reasoning LLM for Automated Data Analysis [0.0]
  本稿では,Qwen 2.5-14B-Instructの言語モデルであるDatarus-R1-14Bを提案する。 Datarusは、独立した問合せペアではなく、推論ステップ、コード実行、エラートレース、自己補正、最終的な結論を含む完全な分析トラジェクトリに基づいて訓練されている。
  論文  参考訳（メタデータ） (2025-08-18T21:58:18Z)
• Reviving Any-Subset Autoregressive Models with Principled Parallel Sampling and Speculative Decoding [55.2480439325792]
  任意の順序言語モデルでは、正しい関節分布からトークンを並列にサンプリングする方法がオープンな問題である。 我々は,任意のサブセット自動回帰モデル (AS-ARM) という,異なるモデルのクラスが解を持っていることを発見した。 我々は,AS-ARMがベンチマークタスクを埋め込んだ200M未満のパラメータモデル間で最先端の性能を実現し,コード生成における50倍のモデルの性能とほぼ一致していることを示す。
  論文  参考訳（メタデータ） (2025-04-29T06:33:13Z)
• Conformal Language Modeling [61.94417935386489]
  生成言語モデル(LM)の共形予測のための新しい手法を提案する。 標準共形予測は厳密で統計的に保証された予測セットを生成する。 我々は,オープンドメイン質問応答,テキスト要約,ラジオロジーレポート生成において,複数のタスクに対するアプローチの約束を実証する。
  論文  参考訳（メタデータ） (2023-06-16T21:55:08Z)

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。