論文の概要: When the API Speaks the Wrong Language: Revisiting Post-Training for Multilingual Tool Use

• arxiv url: http://arxiv.org/abs/2608.11715v1
• Date: Wed, 12 Aug 2026 06:55:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.483342
• Title: When the API Speaks the Wrong Language: Revisiting Post-Training for Multilingual Tool Use
• Title（参考訳）: APIが間違った言語を語るとき--多言語ツールの試行後再考
• Abstract要約: 一般的な失敗は、モデルが正しいツールを選択するが、一貫性のない言語で引数値を生成するときに発生する。 我々は、Argument Language Mismatch (ALM) の訓練後戦略を再考する。 教師付き微調整により、引数言語の一貫性が向上し、エンドツーエンドの関数呼び出し精度が向上することがわかった。
• 参考スコア（独自算出の注目度）: 2.4319925598898133
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The reliability of Large Language Models (LLMs) for API calling degrades in multilingual settings. A common failure occurs when a model selects the correct tool but generates argument values in an inconsistent language, which we term Argument Language Mismatch (ALM). Although semantically correct, such outputs are operationally invalid and not captured by standard API-calling metrics. We revisit post-training strategies for mitigating ALM and find that, in our benchmark, supervised fine-tuning (SFT) provides a strong baseline, substantially improving argument language consistency and end-to-end function call accuracy. Under consistent model selection, SFT achieves performance comparable to, and sometimes exceeding more complex reinforcement learning (RL) approaches. We further examine whether RL with structured, argument-aware rewards offers additional benefits. While methods such as Group Relative Policy Optimization (GRPO) can improve language consistency and better preserve general reasoning ability, these gains are incremental and most pronounced in generalization and multi-objective trade-offs. Overall, our results suggest that much of the performance in multilingual API grounding can be achieved through careful supervised training, with RL providing targeted rather than fundamental improvements.
• Abstract（参考訳）: API呼び出しのためのLLM(Large Language Models)の信頼性は、多言語設定で低下する。 一般的な失敗は、モデルが正しいツールを選択して、一貫性のない言語で引数値を生成するときに起こり、これはArgument Language Mismatch (ALM)と呼ばれる。 セマンティックに正しいが、そのような出力は運用上は無効であり、標準的なAPI呼び出しメトリクスではキャプチャされない。 我々はALMを緩和するための訓練後の戦略を再検討し、我々のベンチマークでは、教師付き微調整(SFT)が強力なベースラインを提供し、引数言語の一貫性とエンドツーエンドの関数呼び出し精度を大幅に改善することを発見した。 一貫性のあるモデル選択の下では、SFTはより複雑な強化学習(RL)アプローチに匹敵する性能を達成する。 さらに、構造化された議論対応報酬を持つRLが追加の利益をもたらすかどうかについても検討する。 グループ相対政策最適化(GRPO)のような手法は言語の一貫性を改善し、一般的な推論能力を向上するが、これらの利得は漸進的であり、一般化や多目的トレードオフにおいて最も顕著である。 全体としては,多言語APIグラウンドリングのパフォーマンスは,基本的改善ではなく,目標とするRLを提供することによって,注意深く教師付きトレーニングを行うことで達成できることが示唆されている。

関連論文リスト

• AdaMame: A Training Recipe for Adaptive Multilingual Reasoning [32.31269959716733]
  大規模推論モデル(LRM)は、クエリの言語ではしばしば推論に失敗する。 AdaMameは多言語数学的推論のための2段階のトレーニングレシピである。
  論文  参考訳（メタデータ） (2026-06-13T03:22:35Z)
• Learning to Route Languages for Multilingual Policy Optimization [50.044784120224335]
  大規模言語モデルは異種多言語コーパスで訓練される。 本稿では,言語を選択可能な変数として扱うオンラインポリシー最適化フレームワークLRPOを提案する。
  論文  参考訳（メタデータ） (2026-05-25T02:28:41Z)
• TLPO: Token-Level Policy Optimization for Mitigating Language Confusion in Large Language Models [6.468917070386353]
  大規模言語モデル(LLM)は、強い多言語機能を示すが、意図した言語で一貫して応答を生成できないことが多い。 Token-Level Policy Optimization (TLPO) は,局所化およびトークンレベルの更新による言語混乱を軽減するための微調整フレームワークである。
  論文  参考訳（メタデータ） (2026-04-29T11:39:43Z)
• Can Linguistically Related Languages Guide LLM Translation in Low-Resource Settings? [0.1957338076370071]
  本稿では,言語関連ピボット言語と数ショットのインコンテキストの例を組み合わせたデータ効率のセットアップについて検討する。 我々の分析では、ピボットベースのプロンプトは特定の構成の改善をもたらすが、その利得は控えめで、ほとんどショットの例構築に敏感であることが多い。 本研究は,低リソース翻訳環境における微調整の軽量な代替手段として,推論時間プロンプトとピボットベースの例をいかに,いつ,どのように使用することができるか,という経験的ガイダンスを提供する。
  論文  参考訳（メタデータ） (2026-03-17T15:28:46Z)
• Optimizing Language Models for Crosslingual Knowledge Consistency [90.86445137816942]
  大規模な言語モデルは、しばしば一貫性のない知識を示すことが知られている。 これは、モデルが異なる言語で同様の質問をすることが多い、多言語シナリオにおいて特に問題となる。 本研究では,この問題を構造化報酬関数を用いた強化学習を用いて緩和することができることを示す。
  論文  参考訳（メタデータ） (2026-03-04T23:36:55Z)
• Language-Coupled Reinforcement Learning for Multilingual Retrieval-Augmented Generation [73.54930910609328]
  多言語検索強化学習フレームワークLcRLを提案する。 LcRLは言語に結合したグループ相対ポリシー最適化をポリシーと報酬モデルに統合する。 我々は,言語結合型グループサンプリングをロールアウトモジュールに導入し,知識バイアスを低減し,報酬モデルにおける補助的反一貫性のペナルティを正規化し,知識衝突を軽減する。
  論文  参考訳（メタデータ） (2026-01-21T11:32:32Z)
• Lost in Execution: On the Multilingual Robustness of Tool Calling in Large Language Models [5.6688028729584055]
  大規模言語モデル(LLM)は、構造化関数呼び出しを通じて外部ツールを呼び出すエージェントとして、ますます多くデプロイされている。 診断ベンチマークであるMLCLを導入し,中国語,ヒンディー語,低リソース言語Igboを対象とした多言語ツールコールの体系的評価を行う。
  論文  参考訳（メタデータ） (2026-01-08T20:44:28Z)
• The Unreasonable Effectiveness of Model Merging for Cross-Lingual Transfer in LLMs [45.08958917457921]
  大規模言語モデル(LLM)は、ハイソース言語以外のタスクで依然として苦戦している。 本研究では,タスク固有のポストトレーニングデータが不足している低リソース言語への言語間移動について検討する。
  論文  参考訳（メタデータ） (2025-05-23T20:28:31Z)
• SMILE: Speech Meta In-Context Learning for Low-Resource Language Automatic Speech Recognition [55.2480439325792]
  音声メタインコンテキスト学習(SMILE)は、メタラーニングと音声インコンテキスト学習(SICL)を組み合わせた革新的なフレームワークである SMILEは、トレーニング不要な多言語ASRタスクにおいて、ベースライン手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-16T16:04:16Z)
• Offline RL for Natural Language Generation with Implicit Language Q Learning [87.76695816348027]
  ユーザ指定タスクの完了に関して、大きな言語モデルは矛盾する可能性がある。 本稿では,RLのフレキシブル・ユーティリティ・フレームワークと教師あり学習能力を組み合わせた新しいRL手法を提案する。 ILQLの実証的な検証に加えて、オフラインRLが自然言語生成設定で有用となるような、詳細な経験的分析状況も提示する。
  論文  参考訳（メタデータ） (2022-06-05T18:38:42Z)
• Distributionally Robust Multilingual Machine Translation [94.51866646879337]
  本稿では,分散的ロバストな最適化に基づくMNMT(Multilingual Neural Machine Translation)の新しい学習目標を提案する。 この目的を,反復的最適応答方式を用いて,大規模翻訳コーパスに対して実用的に最適化する方法を示す。 本手法は,多対一の翻訳設定と多対多の翻訳設定の両方において,平均と言語毎のパフォーマンスにおいて,強いベースライン法より一貫して優れる。
  論文  参考訳（メタデータ） (2021-09-09T03:48:35Z)

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。