論文の概要: Explanatory Engagement Under Rare Anomalous Failure: Asymptotic Rarity in Model Behavior (or: The Asymptotic AI)

• arxiv url: http://arxiv.org/abs/2608.13063v1
• Date: Thu, 13 Aug 2026 10:25:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.477366
• Title: Explanatory Engagement Under Rare Anomalous Failure: Asymptotic Rarity in Model Behavior (or: The Asymptotic AI)
• Title（参考訳）: 希少異常障害下の説明的エンゲージメント:モデル行動における漸近的ラリティ(または漸近的AI)
• Abstract要約: 我々は3つのオープンウェイトモデル(qwen3:8b, llama3.1:8b, mistral:7b)上で、繰り返しツールコールタスクを実行するローカルでゼロコストハーネスを構築する。 障害が希少化するにつれてエンゲージメントが上昇し,検出可能性しきい値付近で崩壊したと仮定した。 保証された障害実行は、モデルが異常を認識しているかどうかを示すが、一度認識されたエンゲージメントとは異なっている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prior work on LLM behavior under anomalous conditions asks whether a model notices anomalies. We ask a narrower question: once a model sits in a workflow with a low, controllable failure rate, does its explanatory engagement - length, specificity, self-reported confidence - change as failure grows asymptotically rarer? We built a local, zero-cost harness on three open-weight models (qwen3:8b, llama3.1:8b, mistral:7b) running a repeated tool-call task where one call fails at probability p, swept across eight rates from 0.2 to 0.0001, under five elicitation conditions from immediate prompting to none. We hypothesized a rise in engagement as failures grew rarer, then a collapse near a detectability threshold. Pooled across conditions this appeared false: length fell in a flat, monotonic pattern. Splitting by condition overturned that. Under immediate_forced, where the model must explain every failure instantly, the predicted rise is confirmed but followed by a plateau, not a collapse: length peaks at 28.4 words at p=0.05, settles to 17.4-19.0 words at the rarest rates, and confidence rises unevenly from about 53% to the 70s-90s. Under grouped_runs, explanation batched to run-end, no collapse appears. Under passive_unprompted, aggregate magnitude is a floor artifact, but a recovered logging gap revealed real, model-specific self-monitoring: llama3.1:8b volunteers structured confidence reports unprompted, sometimes eroding its own confidence as trials accumulate; the other two do so only once, as boilerplate. Elicitation structure is a first-class moderator of collapse observability. A companion guaranteed-failure run (72 cells, backfilling rates where random sampling gave zero real failures) shows models differ in whether they recognize an anomaly, distinct from engagement once recognized. Limitation: discrete rate points cannot capture behavior between them, a direction for future work.
• Abstract（参考訳）: 異常条件下でのLCMの挙動に関する先行研究は、モデルが異常に気づくかどうかを問うものである。 モデルが低いコントロール可能なフェール率のワークフローに座っていると、その説明的エンゲージメント – 長さ、特異性、自己報告された信頼 – は、障害が漸近的に稀になるにつれて変化するのでしょうか? 我々は3つのオープンウェイトモデル (qwen3:8b, llama3:1:8b, mistral:7b) に局所的にゼロコストハーネスを構築した。 障害が希少化するにつれてエンゲージメントが上昇し,検出可能性しきい値付近で崩壊したと仮定した。 長さは平らで単調なパターンに落ちました。 条件による分割がそれを覆した。 immediate_forcedでは、モデルが即座にすべての失敗を説明する必要があるが、予測された上昇は確認されるが、台地は崩壊せず、p=0.05で28.4ワード、最も稀な速度で17.4-19.0ワードに落ち着き、自信が約53%から70-90年代に不均一に上昇する。 grouped_runsでは、説明が実行末にバッチ化され、崩壊は発生しない。 アラマ3.1:8bのボランティアは、信頼性レポートを構造化し、試験が蓄積されるにつれて、時には自分自身の信頼を損なう。 発光構造は崩壊可観測性の第一級モデレーターである。 一致した保証された障害実行(72細胞、ランダムサンプリングが実際の障害をゼロにするバックフィル率)は、一度認識されたエンゲージメントとは異なる異常を認識するかどうかのモデルが異なることを示している。 限界: 離散的なレートポイントは、将来の作業の方向性である、それらの間の振る舞いをキャプチャできない。

関連論文リスト

• A Fragility Spectrum for Recursive Language-Model Training [9.563027159959587]
  異なるモデルが同じプロセスで非常に異なる振る舞いをすることを示す。 5世代後のユニークな4グラムの結果は、チェックポイント毎に0.187から0.940まで様々である。 共有プールの構成を変更したり、人文で混合したりすることで、スピアマンの順序の相関は0.91--0.97に保たれる。
  論文  参考訳（メタデータ） (2026-09-10T06:56:22Z)
• CAROL: Context-Aware Online Learning for Fuzzer Scheduling [30.06459480586687]
  アンサンブルファズリングはターゲット上で複数のファズーを動作させ、スケジューラはそれらの間のCPU時間を割り当てる。 本稿では,各ファザの現在の状況を利用したオンラインスケジューラCAROLを紹介する。 CAROLは、結果が異なるたびに3つのアンサンブルスケジューリングベースラインのそれぞれよりもユニークなバグをトリガーする。
  論文  参考訳（メタデータ） (2026-09-06T18:24:28Z)
• Wrong Prediction, Right Answer: Recovering Evidence from Collapsed LLM Sequence Scores [31.709549159768727]
  多様な推論ベンチマーク間で一貫した読み出しギャップを観察する。 隠れ状態プローブは、ネイティブシークエンススコアが完全に崩壊しても正解を復号することに成功した。 以上の結果から,無作為な内部論理を隠蔽する表現障害が明らかにゼロショット推論の欠点であることが明らかとなった。
  論文  参考訳（メタデータ） (2026-08-31T16:43:55Z)
• A Calibration Audit of Confidence in Feed-Forward 3D Reconstruction [45.496856835431885]
  3D再構成モデルは、下流システムが信頼性信号として読み取る画素当たりの信頼を出力する。 4つの特性に対する信頼度、エラーのランク付けの正確さ、そのレベルが平均的に正しいかどうか、信頼範囲を越えて保持されているかどうか、そしてその間隔が真実をカバーしているかどうか。 信頼度は誤差をよくランク付けするが、予測された不確実性は、トレーニングの正確さではない条件下で読み取られると低すぎる。
  論文  参考訳（メタデータ） (2026-08-30T10:21:34Z)
• Agent Behavioral Contracts II: Certifying Compositional Reliability Without Assuming Independence [0.0]
  1つのモデルの2つの例は、2つのエージェントのハンドオフにおいて、ミッションの90.0%で共失敗する。 異なるモデルの置換は、6つのコントラストのうち6つのコントラストの関連を減少させる。
  論文  参考訳（メタデータ） (2026-08-13T07:25:05Z)
• Mapping and Measuring the Behavioral Evolution of Large Language Models [28.603443859513153]
  ベンチマークのリーダーボードは、言語モデルのパフォーマンスを概説するが、その振る舞いが他のモデルとどのように関係しているか、世代によって異なる。 1万のプロンプトの共有バンクに対する応答を用いて、6つのファミリーから32モデルの出力挙動を特徴付ける。
  論文  参考訳（メタデータ） (2026-08-11T15:07:28Z)
• Accurate Ensembles, Fragile Narratives: Multi-Scale Stacking and a Fidelity Audit of LLM-Generated Explanations for Credit Risk [0.0]
  クレジットスコアリングは、決定ロジックをパラメータから読み取ることができないモデルに依存している。 共通する提案は、言語モデルとのギャップを埋める: 特徴属性を計算し、それらを LLM に渡し、合理的に記述させる。 このようなシステムをエンド・ツー・エンドに構築し、約束の後半が成立するかどうかをテストします。
  論文  参考訳（メタデータ） (2026-08-08T13:22:14Z)
• The Low Frequency Trap: Video Language Models Fail at Simple Event Bookkeeping [70.07961857926377]
  3つの制御されたビデオタスクにおけるイベントカウントのためのトレーサグラウンドパラメトリックプロファイリングを導入する。 2,190本のビデオでは,レンダリングを保ちながらイベントカウントNと周波数Fが異なる。 80%の信頼性しきい値において、Gemini 3.6 Flashは、0.5Hzと1.0Hzの12イベントまでの永続的な状態遷移を確実にカウントするが、過渡的点滅イベントに対する信頼性の高い正カウント領域は示さない。
  論文  参考訳（メタデータ） (2026-08-06T17:57:06Z)
• Bayesian Repetition Penalty: A Principled Adjacent-Conditional Framework for Reversing Attention Collapse in Autoregressive Language Models [9.240704665480939]
  本稿では, 崩壊した生成パターンから生じる異常な信頼度を解析し, 補償する原理的枠組みを提案する。 結果として生じる自己正規化ペナルティ比$R=f(m,n,p)/f(np,n,p)$は、アドホックな標準化を必要としない。
  論文  参考訳（メタデータ） (2026-07-17T17:01:57Z)
• Self-Compacting Language Model Agents [44.3231488987671]
  SelfCompactは、モデル自体がいつ、どのようにコンパクトになるかを決定できる足場である。 微調整や外部の監督なしに、効果的な適応圧縮を付与する。 以上の結果から,SelfCompactはトークンコストのごく一部で,固定区間の要約と一致するか,あるいは超えていることがわかった。
  論文  参考訳（メタデータ） (2026-06-22T16:08:34Z)
• When Do Autoregressive Sequence Models Forecast Physical Wavefields? A Controlled Study on Synthetic Seismograms [43.8784307709823]
  物理信号の長距離自己回帰予測は誤差蓄積によって制限される。 物理的に構造化されたテストベッドとして,合成3成分地震計を用いて,このようなロールアウトが安定であるかどうかを問う。
  論文  参考訳（メタデータ） (2026-06-09T13:46:14Z)
• Trivium: Temporal Regret as a First-Class Objective for Causal-Memory Controllers [0.0]
  これは構造的な問題であり、単にモデルキャパシティの問題ではないと我々は主張する。 作業因果モデルに対する結果後悔と認識後悔とを併せ持つ一級目的として,長期的時間的後悔を提案する。
  論文  参考訳（メタデータ） (2026-06-03T04:06:20Z)
• Disposition Distillation at Small Scale: A Three-Arc Negative Result [0.0]
  内部ドラフトでは、Qwen3-0.6Bの学生に+33.9ポイントのMCASと+15.3ポイントのHumanEvalを報告している。 コンテントを損なうことなく, 判断された配置をスタイル的な模倣に転換するオペレータは見つからない。 我々は, 線形H_lastプローブに対する3つのアーク負の結果, 線形H_lastプローブに対する2つの欠陥モード分類, および, 自分たちが生成した偽陽性のクラスを, 公開可能な負に変換する正直なファルシフィケーションパイプラインを寄与する。
  論文  参考訳（メタデータ） (2026-04-13T17:40:31Z)
• IMPACT: Influence Modeling for Open-Set Time Series Anomaly Detection [41.04237014380757]
  Open-set Anomaly Detection (OSAD) は、トレーニングで見られる異常なクラスからラベル付きデータを限定的に利用して、テスト中に見られる異常と見えない異常の両方を特定するために設計された、新興パラダイムである。 現在のアプローチは、目に見えない異常を再現する擬似異常を生成するための単純な拡張法に依存している。 この作業では、o$underlinetextbfp$en-set 時系列に対して $textbfi$nfluence $underlinetextbfm$odelingを導入している。
  論文  参考訳（メタデータ） (2026-03-31T02:49:46Z)
• Causal Understanding by LLMs: The Role of Uncertainty [43.87879175532034]
  近年の論文では、LLMは因果関係分類においてほぼランダムな精度を達成している。 因果的事例への事前曝露が因果的理解を改善するか否かを検討する。
  論文  参考訳（メタデータ） (2025-09-24T13:06:35Z)

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。