論文の概要: How to Train a Real-World Silicon Concierge? Internalizing Complex Business Workflow to Only OneModel

• arxiv url: http://arxiv.org/abs/2608.20350v1
• Date: Tue, 16 Jun 2026 03:13:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.276776
• Title: How to Train a Real-World Silicon Concierge? Internalizing Complex Business Workflow to Only OneModel
• Title（参考訳）: 現実世界のシリコンコンシェルジュをトレーニングする方法? 複雑なビジネスワークフローを1モデルのみに内部化する
• Abstract要約: OneModelは複雑なビジネスロジックとExecutorを直接モデルパラメータに集約する。 オンラインA/Bテストでは、エンドツーエンドのレイテンシが50%以上削減されている。
• 参考スコア（独自算出の注目度）: 23.42154073459257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional industrial agents rely on modular pipelines, including Router, Retriever, Planner, Executor, Responder, Reviewer, and other components. These systems often fracture into a labyrinth of ad-hoc patches, leading to cascading errors and high latency. We propose OneModel, an applicable paradigm shift from external workflows to internalized knowledge representation. Unlike modular systems that slice fluid user intents into static steps, OneModel consolidates complex business logic and SOPs directly into the model parameters. Through Continual Pre-training (CPT) and logic-compilation SFT, we transform fragmented business rules into intuitive model reasoning within a unified attention space. Deployed in our global financial service system, OneModel effectively breaks the trade-off between latency, accuracy, and complexity. Online A/B testing demonstrates an end-to-end latency reduction of more than 50 percent, from 18.7 seconds to 8.0 seconds, while the Intelligent Resolution Rate (IRR) increases from 64.3 percent to 83.3 percent. The results show that OneModel can replace brittle engineering logic with internalized cognitive intuition, offering a scalable blueprint for transitioning industrial agents from complex, error-prone workflows to unified model architectures.
• Abstract（参考訳）: 従来の産業エージェントはルーター、レトリバー、プランナー、エクゼクター、レスポンダ、レビュアー、その他のコンポーネントを含むモジュラーパイプラインに依存している。 これらのシステムは、しばしばアドホックパッチのラビリンスに分解され、カスケードエラーと高いレイテンシをもたらす。 本論文では,外部ワークフローから内部知識表現へのパラダイムシフトとして,OneModelを提案する。 流動的なユーザ意図を静的なステップにスライスするモジュールシステムとは異なり、OneModelは複雑なビジネスロジックとSOPを直接モデルパラメータに集約する。 本研究では,CPT(Continuous Pre-training)とSFT(Logic-compilation SFT)を通じて,断片化されたビジネスルールを統一された注意空間内での直感的なモデル推論に変換する。 グローバルな金融サービスシステムにデプロイされたOneModelは、レイテンシ、正確性、複雑さの間のトレードオフを効果的に破壊します。 オンラインA/Bテストでは18.7秒から8.0秒まで、エンドツーエンドの遅延が50%以上減少し、Intelligent Resolution Rate(IRR)は64.3%から83.3%に増加した。 その結果、OneModelは脆いエンジニアリングロジックを内部的な認知的直感に置き換え、複雑なエラーを起こしやすいワークフローから統一されたモデルアーキテクチャへ産業エージェントを移行するためのスケーラブルな青写真を提供することができた。

関連論文リスト

• Design Methodology and Performance Trade-offs Management for Distributed and Compound AI Systems [1.1470070927586018]
  複合AIシステムは、明示的な制御ロジックを通じて、分散AIシステムとして複数のモデル、アルゴリズム、ツールを編成することで、このシフトを実現する。 本稿では、この空間をワークフロートポロジと構成選択という2つの次元に沿って整理し、8つのデザインパターンを識別する設計方法論を提案する。
  論文  参考訳（メタデータ） (2026-06-12T11:09:57Z)
• DynaGraph: Lightweight Multi-Model Interaction Framework via Dynamic Topological Reconfiguration [7.0972889296550825]
  DynaGraphは、動的トポロジ的再構成によって駆動される軽量なマルチモデルフレームワークである。 タイムディビジョンのPEFTアダプタを共有ベースモデルに倍増し、完全なシステムトレーニングとデプロイメントを可能にする。 制限のない動的アーキテクチャと比較してレイテンシを最大68.1%削減し、トークン消費を68.6%削減する。
  論文  参考訳（メタデータ） (2026-05-28T07:33:29Z)
• RefEvo: Agentic Design with Co-Evolutionary Verification for Agile Reference Model Generation [17.822629270807283]
  RefEvoはアジャイルで信頼性の高い参照モデリング用に設計された動的マルチエージェントフレームワークである。 RefEvoが95%のパスレートを達成し、静的なベースラインを大きなマージンで上回ることを示す。
  論文  参考訳（メタデータ） (2026-04-27T09:22:02Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• Operationalization of Machine Learning with Serverless Architecture: An Industrial Operationalization of Machine Learning with Serverless Architecture: An Industrial Implementation for Harmonized System Code Prediction [0.0]
  本稿では、データ取り込み、トレーニング、デプロイメント、監視、再トレーニングからイベント駆動パイプラインとマネージドサービスまで、完全なMLライフサイクルをオーケストレーションするサーバレスMLOpsフレームワークを提案する。 本研究では,グローバル取引において税関当局が使用する標準化コードに,短い非構造化製品記述をマッピングするコンプライアンスクリティカルなタスクである,調和システム(HS)コード予測の産業的実装を通じて,実践的適用性を実証する。 私たちのソリューションは、複数のディープラーニングアーキテクチャを埋め込んだカスタムテキストを使用します。
  論文  参考訳（メタデータ） (2026-02-19T05:59:55Z)
• Towards Efficient Agents: A Co-Design of Inference Architecture and System [66.59916327634639]
  本稿では,エージェントアクセラレーションのための統合フレームワークであるAgentInferを提案する。 問題をAgentCollab、AgentSched、AgentSAM、AgentCompressの4つの相乗的コンポーネントに分解する。 BrowseComp-zhとDeepDiverベンチマークの実験では、これらの手法の相乗的コラボレーションを通じて、AgentInferは非効率なトークン消費を50%以上削減することを示した。
  論文  参考訳（メタデータ） (2025-12-20T12:06:13Z)
• Lightweight Task-Oriented Semantic Communication Empowered by Large-Scale AI Models [66.57755931421285]
  大規模人工知能(LAI)モデルは、リアルタイム通信シナリオにおいて重大な課題を提起する。 本稿では,LAIモデルから知識を抽出・凝縮するために知識蒸留(KD)技術を活用することを提案する。 本稿では,反復推論の必要性を排除したプレストア圧縮機構を備えた高速蒸留法を提案する。
  論文  参考訳（メタデータ） (2025-06-16T08:42:16Z)
• Thinking Longer, Not Larger: Enhancing Software Engineering Agents via Scaling Test-Time Compute [61.00662702026523]
  より大規模なモデルではなく、推論時間の増加を活用する統合されたテスト時間計算スケーリングフレームワークを提案する。 当社のフレームワークには,内部TTCと外部TTCの2つの補完戦略が組み込まれている。 当社の textbf32B モデルは,DeepSeek R1 671B や OpenAI o1 など,はるかに大きなモデルを上回る 46% の課題解決率を実現している。
  論文  参考訳（メタデータ） (2025-03-31T07:31:32Z)

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。