論文の概要: Don't Let the Model Write the YAML: Deterministic, Minimal-Diff GitOps Remediation from LLM-Proposed Field Changes

• arxiv url: http://arxiv.org/abs/2609.00227v1
• Date: Mon, 31 Aug 2026 18:37:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:35.976921
• Title: Don't Let the Model Write the YAML: Deterministic, Minimal-Diff GitOps Remediation from LLM-Proposed Field Changes
• Title（参考訳）: モデルにYAMLを書かせてはいけない: LLMが提案するフィールド変更による決定論的かつ最小限のGitOpsの修正
• Abstract要約: GitOpsでは、モデル作者に編集されたファイルや差分を持てば、最初に実践者が到達できる。 ファイルを編集する構文的行為から意味的決定(リソース、フィールド、値)を分離する代替案を提案する。 ファイルは再シリアライズされないため、diffは構成によって最小限であり、編集はモデルから独立して正確で決定論的である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM agents increasingly diagnose incidents and propose remediations. In a GitOps workflow, applying a fix means editing a version-controlled config file, and the obvious implementation, having the model author the edited file or a diff, is what practitioners reach for first. Evaluating that choice on real Kubernetes manifests, we find no text-generation strategy is safe for unattended automation. Unified diffs are unsafe: under strict patching almost none apply, but that is an artifact, since a tolerant tool (GNU patch) applies 96%, yet silently misapplies about 1 in 7 (14-20%) with no error signal. Full-file rewrite is capability-dependent: a small model corrupts the file, while a frontier model is usually correct but non-deterministic (it silently drops a field or edits a neighbor on some runs) and must regenerate the whole file, costing O(file size) per edit. We present an alternative that separates the semantic decision (which resource, field, and value) from the syntactic act of editing the file. The agent emits only a structured field-change intent; a deterministic pipeline indexes manifests by (kind, name), locates the target scalar's exact character span via the YAML parser's node position marks, and replaces only that span in the raw text. Because the file is never re-serialized, the diff is minimal by construction, formatting and comments are preserved, and the edit is correct and deterministic independent of the model, at O(1) generation cost. The contribution is the pairing of an LLM-proposed intent with a deterministic, fail-closed application contract for GitOps. We implement it in KubeAstra (Apache-2.0) and release the benchmark. Our claim is scoped to faithful application of a known change; whether the change is right is left to human PR review.
• Abstract（参考訳）: LLMエージェントは、ますますインシデントを診断し、修復を提案する。 GitOpsワークフローでは、修正の適用はバージョン管理された設定ファイルの編集を意味する。 実際のKubernetesマニフェストでその選択を評価すると、テキスト生成戦略が意図しない自動化には安全ではないことが分かります。 厳密なパッチの下ではほとんど適用されないが、これはアーティファクトである。耐性ツール(GNUパッチ)は96%が適用されるが、エラー信号のない7分の1(14～20%)が無音で誤適用されるためである。 フルファイルの書き直しは機能に依存している: 小さなモデルではファイルが破損するが、フロンティアモデルは通常正しいが非決定論的である(フィールドを静かにドロップするか、いくつかの実行時に隣人を編集する)。 ファイルを編集する構文的行為から意味的決定(リソース、フィールド、値)を分離する代替案を提案する。 決定論的パイプラインインデックスは (kind, name) によって表示され、YAMLパーサのノード位置マークを介してターゲットスカラーの正確な文字が特定され、原文のスカラーのみを置き換える。 ファイルは再シリアライズされないため、diffは構築によって最小限に抑えられ、フォーマットとコメントは保存され、編集はO(1)生成コストでモデルから独立して正確で決定論的である。 このコントリビューションは、LLMが提案する意図と、GitOpsのための決定論的でフェールクロースされたアプリケーションコントラクトのペアリングである。 KubeAstra(Apache-2.0)で実装し、ベンチマークをリリースしています。 私たちの主張は、既知の変更の忠実な適用を対象としており、変更が正しいかどうかは、人間のPRレビューに委ねられています。

関連論文リスト

• Diffs vs. Whole Files: An Empirical Comparison of Iterative Edit-Based and Direct Generation for Flutter/Dart Code Models [0.0]
  直接生成と差分ベース生成という2つの出力方式で2つのコードモデルをトレーニングします。 直接生成は、測度毎に差分ベースの生成を大幅に上回る。 差分ベースの生成が勝つ条件の背後にある、アーキテクチャに依存しない単一のメカニズムを特定します。
  論文  参考訳（メタデータ） (2026-09-05T00:13:49Z)
• Belief-Calibrated Optimization: An Explicit World Model for Agentic Optimization [31.31831511580543]
  本稿では,Belief-Calibrated Optimization (BCO)について述べる。 蓄積された文書が与えられた新しい予測器は、コンテンツが偽造された文書や同形コピーよりも、どのように環境がより正確に応答するかを予測する。
  論文  参考訳（メタデータ） (2026-09-01T20:47:04Z)
• PatchWrite: One Line, Not One Section -- Compile-Gated, Validity-Preserving Editing for AI-Drafted Manuscripts [2.7819582252059405]
  PatchWriteは、候補編集がコミットされた原稿状態になる方法を制約する。 EDIT N Mの編集とロールバックを再利用するが、コンパイルの受け入れを致命的なログチェックで制限する。 いずれのチェックも失敗する候補は拒否され、前のHEADは保持される。
  論文  参考訳（メタデータ） (2026-08-24T09:04:19Z)
• Independent Patch Verification for Coding Agents with a Bidirectional Reconstruct-and-Verify Framework [49.16055123488827]
  大規模言語モデルを利用したコーディングエージェントは、バグレポートから直接コードパッチを生成することができる。 報告された問題を真に解決するかどうかを独立に検証するメカニズムは存在しない。 本稿では,RETRACE をトレーニング不要なポストジェネレーション検証フレームワークとして提案する。
  論文  参考訳（メタデータ） (2026-08-09T22:59:13Z)
• SemaDiff: Identifying Semantic-Changing Commits with Generated Code and Tests [5.3138104073306005]
  変更点からのセマンティック保存コミットの排除は、ソフトウェアリポジトリのマイニングにおいて、依然としてオープンな課題である。 SemaDiffは、プレコミットとポストコミットバージョンでの同様のテスト実行の比較を通じて、セマンティック保存コミットを特定するための新しいアプローチである。 SemaDiffは、セマンティックな保存と -- 約76%のケースでコミットを変更する -- を正確に区別し、セマンティックなコミット検出の精度は100%である。
  論文  参考訳（メタデータ） (2026-07-14T12:23:22Z)
• PatchOptic for Shared-State LLM Workflows with Projected Views and Verified Structured Updates [0.013714053458441644]
  ローカルな更新とグローバルな妥当性の契約であるPatchOpticを紹介します。 各ワークフローステップは、プロジェクションされた読み込みビュー、承認された書き込みリージョン、パッチソースリージョンを宣言する。 この設計をPatchBenchで評価した。PatchBenchは、報告されたリークとトークンコストの46ケースのベンチマークである。
  論文  参考訳（メタデータ） (2026-07-06T16:13:56Z)
• What Context Does a Coding Agent Actually Need to Act? [0.0]
  現代的なコーディングエージェントは、リポジトリ全体をコンテキストウィンドウに保持することができる。 エージェントがいつコードをエンフェディットしなければならないかを調査する。 SWE-bench Verified上で、実際の課題解決に対してコンテキストをスコアする。
  論文  参考訳（メタデータ） (2026-06-19T04:22:17Z)
• SWE-Edit: Rethinking Code Editing for Efficient SWE-Agent [17.74253780030394]
  SWE-Editは、コード編集を2つの特別なサブエージェントに分解する。 SWE-bench Verifiedでは、SWE-Editは推論コストを17.9%削減し、解決率を2.1%改善する。
  論文  参考訳（メタデータ） (2026-04-28T20:35:09Z)
• MEMOIR: Lifelong Model Editing with Minimal Overwrite and Informed Retention for LLMs [76.28901550926021]
  寿命の長いモデル編集のための既存の方法は、妥協の一般化、過去の編集の妨害、長い編集シーケンスへのスケールの失敗である。 我々は,学習済みモデルのコア能力を保ちながら,残メモリを介して知識を注入する,新しいスケーラブルなフレームワークMEMOIRを提案する。 MeMOIRは信頼性、一般化、ローカリティのメトリクスにまたがる最先端のパフォーマンスを実現し、最小限の忘れ物で数千のシーケンシャルな編集にスケールする。
  論文  参考訳（メタデータ） (2025-06-09T16:16:42Z)
• ELDER: Enhancing Lifelong Model Editing with Mixture-of-LoRA [55.697627106315004]
  大規模言語モデル(LLM)は、特定の知識を効率的に更新し、事実の誤りを避けるためにモデル編集を必要とする。 従来のアプローチでは、元のパラメータを凍結し、知識更新毎に新しいパラメータを個別に割り当てることで、シーケンシャルな編集を管理する。 本稿では,データとアダプタを連続的に関連付ける新しい手法であるELDERを提案する。
  論文  参考訳（メタデータ） (2024-08-19T02:27:00Z)
• Editing Arbitrary Propositions in LLMs without Subject Labels [88.67755930096966]
  GT(Gradient Tracing)と呼ばれるシンプルで高速なローカライゼーション手法を提案する。 GTは、単にバイナリではなく任意の命題を編集できる。 提案手法は, 対象ラベルにアクセスせずに, 対象ラベルを持つ最先端のL&E手法に近い動作を行うことを示す。
  論文  参考訳（メタデータ） (2024-01-15T08:08:24Z)
• Does Localization Inform Editing? Surprising Differences in Causality-Based Localization vs. Knowledge Editing in Language Models [68.03946716358335]
  既存の方法と異なる位置にある重みを編集することで、その事実をモデルに格納する方法を変えることができる。 特定のモデルパラメータに事実をローカライズすることで、モデル内の知識を操作する場所がわかると期待しているからです。 我々の結果は、事前訓練された言語モデルがどのように機能するかのより優れた機械的理解が、必ずしも行動の最良の変更方法に関する洞察に結びつくとは限らないことを示唆している。
  論文  参考訳（メタデータ） (2023-01-10T21:26:08Z)
• Memory-Based Model Editing at Scale [102.28475739907498]
  既存のモデルエディタは、編集対象のスコープを正確にモデル化するのに苦労する。 SERAC(Retrieval-Augmented Counterfactal Model)を用いた半パラメトリック編集を提案する。 SERACは、編集を明示的なメモリに格納し、必要に応じてベースモデルの予測を変更できるように、それらを推論することを学ぶ。
  論文  参考訳（メタデータ） (2022-06-13T23:40:34Z)

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。