論文の概要: Behaviour Is an Incomplete Measure of Reasoning Development: Cross-surface pre-arrival accessibility and the limits of developmental inference in a recurrent-depth reasoner

• arxiv url: http://arxiv.org/abs/2608.16085v1
• Date: Mon, 17 Aug 2026 04:30:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.535303
• Title: Behaviour Is an Incomplete Measure of Reasoning Development: Cross-surface pre-arrival accessibility and the limits of developmental inference in a recurrent-depth reasoner
• Title（参考訳）: 行動は推論の不完全な尺度である:再帰的深度推論器における対地的アクセシビリティと発達的推論の限界
• Abstract要約: 閉オラクル定義世界における再帰的深度関係推論器について検討する。 トレーニング時間と推論時間軸は、至る所で分離される。 行動能力、内部アクセシビリティ、訓練時間の開発は、異なる可観測性である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Capability development is routinely inferred from behavioural thresholds, from final checkpoints, or from what a decoder can read out of a hidden state. These quantities need not identify the same event. We study a 30M-parameter recurrent-depth relational reasoner in a closed, oracle-defined world, using dense behavioural trajectories, two training surfaces, preregistered pre-arrival hidden-state probes, prospectively checked evaluability, and explicit untrained and negative controls, holding the training-time and inference-time axes separate throughout. Behaviour first: under one frozen acquisition criterion, three-hop competence cost 70 logical epochs on the symbolic surface and 13,055 on the verbal surface, a 186.5-fold contrast, after which verbal four-hop competence cleared in 8 logical epochs. Across the 13,055-epoch grind, four-hop held-out behaviour never exceeded 3/40 and ended at 0/40. Internal measurement next: on the verbal surface a linear probe recovered future-answer identity before behavioural arrival at 0.056159 against uniform chance 0.025, an untrained control of 0.024758 and a population frequency baseline of 0.048309 (p = 0.012987; 16/40 answer classes contributing). Analogous pre-arrival accessibility survived the surface change, reaching 0.1020 against a zero-step control of 0.0460 (p = 0.000999) at the upstream structural position and 0.0618 at the readout comparator (p = 0.004), with 21/40 classes contributing. Finally, the natural attempt to track that accessibility across training was not cleanly evaluable: probe eligibility is defined by behavioural arrival, so the measured population changes with the measurand. Behavioural competence, internal accessibility, and training-time development are distinct observables, and neither behaviour nor decoder accessibility identifies the computation training acquired; causal intervention is the necessary next step.
• Abstract（参考訳）: 機能開発は、最終的なチェックポイントから、あるいはデコーダが隠された状態から読むことができるものから、行動しきい値から定期的に推論される。 これらの量は同じ事象を特定する必要はない。 本研究では,密集した行動軌跡,2つの訓練面,事前登録済みの隠れ状態プローブ,将来的な評価可能性,および訓練時間と推論時間の軸を分離して,学習時間と推論時間とを連続的に保持する,30Mパラメタリレーショナル・リレーショナル推論器について検討した。 まず、凍結した取得基準の下では、3ホップのコンピテンスコストが70エポックでシンボル面が13,055であり、186.5コントラストであり、その後8エポックで4ホップのコンピテンスをクリアした。 13055エポックグラインでは4ホップホールドアウト動作が3/40を超えず,0/40で終わった。 内部測定は次の通り: 線形プローブは 0.056159 で行動的到着前に、一様確率 0.025 で、未訓練の 0.024758 で、人口頻度 0.048309 (p = 0.012987; 16/40 の回答クラスが寄与する) で、将来の問合せを復元した。 地上でのアクセシビリティは0.1020、上流で0.0460(p = 0.000999)、読み出しコンパレータで0.0618(p = 0.004)となり、21/40クラスが寄与した。 最後に、トレーニング間のアクセシビリティを追跡する自然な試みは、明確に評価できない: プローブの適性は行動的到着によって定義されるので、測定された人口は測定値によって変化する。 振る舞い能力、内部アクセシビリティ、トレーニング時間の開発は別個の観測可能であり、振る舞いもデコーダアクセシビリティも取得した計算トレーニングを特定しない。

関連論文リスト

• Scored vs. Generated Readouts in Behavioral Language Models: An Empirical Study of Elicitation Format [0.0]
  回答トークンのスコアリングによって得られる確率と、文章の合理化後に生成された予測とを比較した。 13個のモデルドメイン細胞が4つの小売業務を網羅し、13個の細胞のうち12個で結果がより正確にランク付けされた。
  論文  参考訳（メタデータ） (2026-09-09T08:37:46Z)
• Best Friends, Not Forever: Evaluating Long-Horizon Persona Collapse and Behavioral Drift in AI Companions [34.277389276831435]
  本研究では,2つの長期的障害について検討する。「人的崩壊」,展開された役割の喪失,境界,値,スタイル,および「行動漂流」である。 本稿では,人的行為とトラジェクティブリコールを別々に計測する制御型総合監査システムANCHORを紹介する。 この研究には、27人のペルソナにまたがる2,008の会話、9つのインタラクションスケジュール、3つの生成されたメモリ設定、そして4つの評価モデルが含まれている。
  論文  参考訳（メタデータ） (2026-07-30T20:18:39Z)
• Stage-Replay Divergence Follows the KV Cache: Fixed-Prefix Precision Controls and Bidirectional Cache Transplantation [51.56484100374058]
  Stage-replayは中間トークンプレフィックスを再構築し、プレフィックスに最初に到達したデコーダ状態からの継続として、新しいプリフィル継続を処理する。 一致した200itemの実験では、保持されたライブキャッシュと同一の整数トークンのワンショットプリフィルを比較し、両側に正確なレプリカを配置する。
  論文  参考訳（メタデータ） (2026-07-30T16:41:40Z)
• Hidden APIs in Language Models: Discovering Reusable Causal Interfaces from Forked Futures [16.400856187081473]
  将来の操作はプレフィックス状態が形成された後にのみサンプリングされる。 これにより、研究者によって特定された潜伏ラベルを必要とせず、隠れた状態に対する経験的因果商が得られる。 結果は、試験された運転銀行内の経済的再利用可能な因果関係を支持する。
  論文  参考訳（メタデータ） (2026-07-30T03:10:24Z)
• Interaction valence reveals contrasting social networks in dairy cattle [0.0]
  社会関係は資源へのアクセス、紛争への曝露、グループの安定を形作る。 本稿では,ビデオからのインタラクションを群レベルでの表現に変換する,有能なソーシャル・ネットワーク・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-26T10:22:49Z)
• Operational Proto-Introspection in Looped Language Models: Process-Quality Taps, Executable Branching, and the Readout-Control Boundary [0.0]
  言語モデルは、進行中の計算の質を読み取ることができるか? 外部介入は、その読み出しをより良い結果に変えることができるか? 凍結した2.6Bループ変換器,Ouro-RLTTで両質問を検証した。
  論文  参考訳（メタデータ） (2026-07-20T22:40:36Z)
• Discrete Action Space as a Prerequisite for GRPO Convergence in Small-Model Continuous Control [0.0]
  グループ相対ポリシー最適化は、シミュレートされた四重項連続制御タスクのための小さな言語モデルを微調整することができる。 このベンチマークでは、25Hzの4乗子速度制御のためのQwen-0.5BのバニラGRPO微調整が、自明なゼロ作用に崩壊する。 Crazyflie 2.1 ダイナミックスを用いた高忠実度シミュレーションは、ホバー領域のトレーニングと分配のギャップを表面化する。
  論文  参考訳（メタデータ） (2026-07-07T17:14:19Z)
• Ghost: Plausible Yet Unlearnable Trajectories via On-Manifold Substitution for Next-POI Privacy [34.07056031726073]
  チェックイントラジェクトリをリリースするパブリッシャは、ユーザの将来位置の強い予測器を不注意に公開する。 このリスクに対処するために、クリーンなテスト入力に対して次点次点(next-POI)の精度を低下させた被害者モデルを生成する、学習不能なトラジェクトリ、摂動シーケンスを生成する。 我々はGhostを提案する。Ghostは、摂動が人間のチェックインシーケンスのように見えるが、学習可能な信号は残っていない。
  論文  参考訳（メタデータ） (2026-06-02T14:31:14Z)
• ESPO: Early-Stopping Proximal Policy Optimization [78.79610718910628]
  ESPO(Early-Stopping Proximal Policy Optimization)は、軌道上の障害を検出し、ロールアウトを早期に終了する。 DeepSeek-R1-Distill-Qwen-7Bでは、ESPOはAIME2024(46.28%対45.25%)、AMC2023(85.83%対82.94%)、MATH-500(87.42%対85.43%)でPPOを上回っている。
  論文  参考訳（メタデータ） (2026-05-28T12:40:22Z)
• LaTER: Efficient Test-Time Reasoning via Latent Exploration and Explicit Verification [35.08680804423239]
  CoT(Chain-of- Thought)推論は、難しいタスクにおいて大きな言語モデル(LLM)を改善するが、推論コストも高くつく。 本稿では,連続潜伏空間における有界探索を最初に行う2段階のパラダイムであるLaTERを提案する。 LaTERは入力の埋め込み空間に隠された最後の層を投影し、潜伏KVキャッシュを保持し、エントロピーとモデルネイティブのストップトーケンプローブを使用していつ切り替えるかを決定する。
  論文  参考訳（メタデータ） (2026-05-08T06:23:58Z)
• The "Astonishing Regularity'' Revisited: Sensitivity of Learning-Rate Estimates to Practice-Sequence Length [0.7966335996690441]
  学生ログデータの観察長は混合効果推定では無視できないという不測の仮定を探索する。 学生スキルペアあたりの最初の10回の捕獲は、学生の学習率の平均的なICCを75%に膨らませることを示した。 実例列長分布は,観測学習データに対する混合効果推定の未検討特性である,と我々は主張する。
  論文  参考訳（メタデータ） (2026-05-03T03:07:36Z)
• Predicting Upcoming Stuttering Events from Three-Second Audio: Stratified Evaluation Reveals Severity-Selective Precursors, and the Model Deploys Fully On-Device [0.0]
  我々は,SEP-28k(Apple,20,131本の3秒クリップ)でCNNをトレーニングし,次の連続クリップに障害があるかどうかを予測する。 集合目的は、重大事象が韻律前駆体を持つため、重大選択予測器に収束する。 相互人口移動: 微調整無しで、同じチェックポイントが1024名の小児Who-Stutter発話に適用され、AUC 0.674 の検出と 0.655 の予測が達成される。
  論文  参考訳（メタデータ） (2026-04-30T00:30:28Z)
• Design and Validation of a Lightweight 1D CNN for Affective Touch Classification in Soft Plush Companions [59.49967357689445]
  ソフトなセンサー付きコンパニオンは、社会的支援技術のための物理的に安全で感情的に直感的なインターフェースを提供する。 本研究では,ソフト・インタラクティブ・コンパニオンにおける感情的触覚認識のためのディープラーニングモデルの開発と検証を目的とした,オープンソースで拡張されたリアルタイムフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-16T10:20:05Z)
• Reliable Control-Point Selection for Steering Reasoning in Large Language Models [28.288321095634128]
  ステアリングベクトルは、大規模言語モデルにおける推論動作を制御するためのトレーニング不要のメカニズムを提供する。 しかし、有効なベクトルを構成するには、モデルが隠した状態にある真の行動信号を特定する必要がある。 提案手法は,全ての検出された境界が真の行動信号を符号化していることを暗黙的に仮定して,チェーンオブソートトレースのキーワードマッチングによってこれらの挙動を検出する。 本研究では,コンテキスト依存的なトリガ確率を持つ事象として固有の推論動作を形式化する確率モデルを構築し,不安定な境界が操舵信号を弱めることを示す。
  論文  参考訳（メタデータ） (2026-04-02T14:48:56Z)

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。