論文の概要: NoTB: Oracle-Free Triage of LLM-Generated RTL via Cross-Model Formal Consensus

• arxiv url: http://arxiv.org/abs/2608.21962v1
• Date: Sat, 22 Aug 2026 13:59:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 18:24:36.938949
• Title: NoTB: Oracle-Free Triage of LLM-Generated RTL via Cross-Model Formal Consensus
• Title（参考訳）: NoTB: Oracle-free Triage of LLM-Generated RTL via Cross-Model Formal Consensus
• Abstract要約: 大規模言語モデル (LLM) は、自然言語仕様からレジスタ変換レベル (RTL) の設計を生成するために、ますます使われている。 クロスモデル形式的コンセンサスから正当性を推定するオラクルフリートリアージフレームワークであるNoTBを導入する。
• 参考スコア（独自算出の注目度）: 0.49267406307701384
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) are increasingly used to generate register-transfer-level (RTL) designs from natural-language specifications. However, assessing functional correctness at early stages remains a fundamental challenge. Existing oracle-free approaches rely either on simulation-based agreement, which depends on LLM-generated testbenches that can fail or vary across models, or on LLM-as-a-judge heuristics, which produce inconsistent predictions. We introduce NoTB, an oracle-free triage framework that infers correctness from cross-model formal consensus. NoTB generates RTL implementations from multiple independently trained LLM families and applies Sequential Equivalence Checking (SEC) to identify designs that are provably equivalent. We show that the diversity of model families within an SEC-equivalent cluster induces a calibrated correctness signal, enabling risk-coverage tradeoffs without requiring testbenches. On 78 CVDP RTL-generation tasks, four-family formal consensus achieves 94.7% precision at 27% coverage; three-family consensus achieves 87% precision at 33% coverage. These operating points give designers a tunable accept/defer rule before a trusted testbench or golden RTL is available. Overall, NoTB demonstrates that formal cross-model agreement provides a reliable basis for high-confidence triage without model-dependent oracles
• Abstract（参考訳）: 大規模言語モデル(LLM)は、自然言語仕様からレジスタ・トランスファー・レベル(RTL)の設計を生成するために、ますます使われている。 しかし、初期における機能的正当性の評価は依然として根本的な課題である。 既存のオラクルフリーアプローチは、モデル間でフェールまたはバラエティが可能なLCM生成テストベンチに依存するシミュレーションベースの合意や、一貫性のない予測を生成するLSM-as-a-judgeヒューリスティックに依存する。 クロスモデル形式的コンセンサスから正当性を推定するオラクルフリートリアージフレームワークであるNoTBを導入する。 NoTBは、独立に訓練された複数のLLMファミリーからRTL実装を生成し、Sequential Equivalence Checking (SEC) を適用して、証明可能な等価な設計を識別する。 SEC等価クラスタ内のモデルファミリーの多様性は、校正された正当性シグナルを誘導し、テストベンチを必要とせずにリスク被覆トレードオフを可能にすることを示す。 78のCVDP RTL生成タスクでは、4つのファミリーのフォーマルコンセンサスは94.7%の精度で27%のカバレッジで達成し、3つのファミリーのコンセンサスは87%の精度で33%のカバレッジで達成している。 これらの操作ポイントは、信頼できるテストベンチやゴールデンRTLが利用可能になる前に、デザイナーに変更可能なアクセプション/遅延ルールを与える。 全体として、NoTBは形式的なクロスモデル合意が、モデル依存のオラクルなしで高信頼トリアージの信頼できる基盤を提供することを示した。

関連論文リスト

• Credal Large Language Models for Semantic Commitment under Uncertainty [7.18839452757154]
  大規模言語モデル (LLM) は、しばしば不確実な自信を持って、流動的だが誤った答えを生み出す。 Credal Large Language Models (CLLMs) は、より低い確率と高い確率で予測可能な分布が広がるクレダル集合を誘導する。 我々は, OpenBookQA, CoQA, TriviaQA, ARC-ChallengeでGemma-2-9B, Llama-3.1-8B, Qwen2.5-7Bの幻覚検出, 校正, 選択的予測, 推論を評価した。
  論文  参考訳（メタデータ） (2026-08-24T13:30:55Z)
• CauTion: Knowing When to Trust LLMs for Ensemble Causal Discovery [51.07538881798502]
  大規模言語モデル(LLM)は、統計的推論を補完する将来的なドメイン知識の源を提供する。 我々は、LLMドメイン知識を統計的因果探索アルゴリズムのアンサンブルに確実に統合するフレームワークであるCauTionを提案する。 CauTionは、データ中心とLLM拡張ベースラインの両方を一貫して上回る。
  論文  参考訳（メタデータ） (2026-06-02T13:07:43Z)
• Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
  大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。 個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。 構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
  論文  参考訳（メタデータ） (2026-05-15T17:08:27Z)
• IDEA: An Interpretable and Editable Decision-Making Framework for LLMs via Verbal-to-Numeric Calibration [19.137433878125247]
  IDEAはLLM決定知識を解釈可能なパラメトリックモデルに抽出するフレームワークである。 定量的な人間とAIのコラボレーションを可能にしながら、キャリブレーションされた確率を生成する。
  論文  参考訳（メタデータ） (2026-04-14T10:50:49Z)
• I Know What I Don't Know: Latent Posterior Factor Models for Multi-Evidence Probabilistic Reasoning [0.0]
  本稿では,遅延後続因子 (LPF) をSum-Product Network (SPN) 推論のソフトな可能性因子に変換するフレームワークとして紹介する。 LPF を LPF-SPN (structured Factor-based inference) と LPF-Learned (end-to-end learned aggregate) とみなす。 8つのドメイン(7つの合成およびFEVERベンチマーク)で、LPF-SPNは高い精度(最大97.8%)、低い校正誤差(ECE 1.4%)、強い確率適合を達成する。
  論文  参考訳（メタデータ） (2026-03-13T10:05:14Z)
• FormalJudge: A Neuro-Symbolic Paradigm for Agentic Oversight [21.731032636844237]
  本稿では,双方向のフォーマル・オブ・サートアーキテクチャを用いたニューロシンボリック・フレームワークを提案する。 行動安全,マルチドメイン制約順守,エージェントによる上向き偽装検出の3つのベンチマークにまたがって検証を行った。
  論文  参考訳（メタデータ） (2026-02-11T18:48:11Z)
• Reasoning with Confidence: Efficient Verification of LLM Reasoning Steps via Uncertainty Heads [104.9566359759396]
  データ駆動の不確実性スコアに基づくステップレベルの推論検証の軽量な代替案を提案する。 本研究は, LLMの内部状態が不確実性を符号化し, 信頼性の高い検証信号として機能することが示唆された。
  論文  参考訳（メタデータ） (2025-11-09T03:38:29Z)
• CoT-Saliency: Unified Chain-of-Thought Reasoning for Heterogeneous Saliency Tasks [96.64597365827046]
  本稿では,3つの運用上不均一なサリエンシタスクを共同で処理する,最初の統合フレームワークを提案する。 タスクの不均一性を橋渡しする視覚言語モデル(VLM)において、チェーン・オブ・ソート(CoT)推論プロセスを導入する。 我々は,全タスクにまたがる特別なSOTA手法と強力なクローズドソースVLMの整合性を示す。
  論文  参考訳（メタデータ） (2025-11-01T04:37:01Z)
• CLUE: Non-parametric Verification from Experience via Hidden-State Clustering [64.50919789875233]
  隠れアクティベーションの軌跡内の幾何的に分離可能なシグネチャとして解の正しさが符号化されていることを示す。 ClUE は LLM-as-a-judge ベースラインを一貫して上回り、候補者の再選において近代的な信頼に基づく手法に適合または超えている。
  論文  参考訳（メタデータ） (2025-10-02T02:14:33Z)
• Uncertainty Aware Learning for Language Model Alignment [97.36361196793929]
  異なるタスクシナリオのモデルアライメントを改善するために,不確実性認識学習(UAL)を提案する。 トレーニングのラベルの平滑化値を個々のサンプルの不確実性に応じて適応的に設定する。 広く使われているベンチマーク実験では、我々のUALは標準教師あり微調整よりも著しく優れています。
  論文  参考訳（メタデータ） (2024-06-07T11:37:45Z)
• Cycles of Thought: Measuring LLM Confidence through Stable Explanations [53.15438489398938]
  大規模言語モデル(LLM)は、様々なベンチマークで人間レベルの精度に到達し、さらに超えることができるが、不正確な応答における過度な自信は、依然として十分に文書化された障害モードである。 本稿では,LLMの不確実性を測定するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-05T16:35:30Z)
• Chain-of-Thought Unfaithfulness as Disguised Accuracy [0.0]
  CoT(Chain-of-Thought)世代は、大きな言語モデルの内部計算(LLM)と一致している。 モデルが回答を生成するためのCoTへの依存度を測定する指標を提案する。
  論文  参考訳（メタデータ） (2024-02-22T17:23:53Z)
• Decomposing Uncertainty for Large Language Models through Input Clarification Ensembling [69.83976050879318]
  大規模言語モデル(LLM)では、不確実性の原因を特定することが、信頼性、信頼性、解釈可能性を改善するための重要なステップである。 本稿では,LLMのための不確実性分解フレームワークについて述べる。 提案手法は,入力に対する一連の明確化を生成し,それらをLLMに入力し,対応する予測をアンサンブルする。
  論文  参考訳（メタデータ） (2023-11-15T05:58:35Z)

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。