論文の概要: Compile by Training: Turning Natural-Language Specifications into Local Neural Functions

• arxiv url: http://arxiv.org/abs/2609.04199v1
• Date: Thu, 03 Sep 2026 17:59:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:39.203129
• Title: Compile by Training: Turning Natural-Language Specifications into Local Neural Functions
• Title（参考訳）: 学習によるコンパイル:自然言語仕様を局所神経機能に変換する
• Abstract要約: トレーニングによるコンパイルは、自然言語仕様を再利用可能な神経機能に変える。 FuzzyBench-Hardでは、Program-as-Weightsコンパイラが正確に一致しないサブセットが83.6%のセマンティック精度でコンパイルされた。
• 参考スコア（独自算出の注目度）: 8.34539885321864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many recurring text functions are easy to describe but difficult to implement with rules, while calling a large remote model for every input introduces repeated cost, latency, and dependency on a provider. We present compile by training, which turns a natural-language specification into a reusable neural function. At compile time, teacher models generate task-specific examples that are used to train a small adapter for a compact interpreter. The resulting function runs without the teachers and can be stored, versioned, and composed like ordinary software. On FuzzyBench-Hard, a subset on which the Program-as-Weights fast compiler produced no exact matches, compile by training reaches 83.6% semantic accuracy. This higher accuracy comes with a higher compile-time cost: roughly a minute rather than seconds for the fast compiler. We deploy the compiler in a public interactive service and demonstrate compiled functions in a multi-site website helper, a language-controlled 3D avatar, and a bidirectional English-Claudish translator.
• Abstract（参考訳）: 多くの繰り返しテキスト関数は記述が容易だが、ルールを実装するのが難しく、入力毎に大きなリモートモデルを呼び出すと、繰り返しコスト、レイテンシ、プロバイダへの依存性が導入される。 我々は、自然言語仕様を再利用可能なニューラル関数に変換する訓練によってコンパイルする。 コンパイル時に、教師モデルは、コンパクトなインタプリタ用の小さなアダプタをトレーニングするために使用されるタスク固有の例を生成する。 結果として得られた関数は教師なしで動作し、保存、バージョン管理、通常のソフトウェアのように構成できる。 FuzzyBench-Hardでは、Program-as-Weightsコンパイラが正確に一致しないサブセットが83.6%のセマンティック精度でコンパイルされた。 この高い精度はコンパイル時コストが高く、高速コンパイラでは秒ではなく1分程度である。 我々は,コンパイラを公開対話型サービスにデプロイし,多サイトWebサイトヘルパ,言語制御された3Dアバター,双方向の英語・クラウディッシュ翻訳装置でコンパイル機能を示す。

関連論文リスト

• Neural Code Translation of Legacy Code: APL to C# [0.0]
  本稿では,大規模言語モデルを用いたAPLのC#への変換について検討する。 本稿では,APL-to-C#翻訳のための新しいフレームワークを提案する。 この結果から,APLとC#のギャップをニューラルネットワークによる翻訳で埋めることが可能であることが示唆された。
  論文  参考訳（メタデータ） (2026-05-12T12:11:33Z)
• Decaf: Improving Neural Decompilation with Automatic Feedback and Search [64.02615739798277]
  高レベルな構文、識別子、カスタムデータ型は一般的に失われ、コンパイラは人間可読なコードを低レベルなマシンコードに変換する。 生成AIモデルは、ハイレベルな構文、識別子、型を再構築するのに自然なものだ。 コンパイラフィードバックは,サーチによるニューラルデコンパイラ出力のセマンティックな正当性の向上に有効である,と我々は主張する。
  論文  参考訳（メタデータ） (2026-05-12T04:21:26Z)
• Small Language Models as Compiler Experts: Auto-Parallelization for Heterogeneous Systems [0.0]
  本稿では,小 (約1B パラメータ) 言語モデル駆動型コンパイラの自動並列化の総合評価について述べる。 我々は、11の現実世界のカーネルにわたる6つの推論戦略を用いて、gemma3、llama3.2、qwen2.5の3つのモデルを評価する。 376件の総合評価において,提案手法は畳み込み動作における平均速度6.81倍,ピーク性能43.25倍を達成する。
  論文  参考訳（メタデータ） (2025-12-22T10:34:45Z)
• Guided Tensor Lifting [54.10411390218929]
  機械学習のためのドメイン固有言語(s)は、機械学習ワークロードのスピードと効率に革命をもたらしている。 これらの機能を利用するには、ユーザはまず、現在記述されている言語からレガシーコードを新しいDSLに変換する必要があります。 これらのDSLにコードを自動的に持ち込むプロセスは、プログラム合成を解決策として提案する最近のいくつかの研究によって特定されている。
  論文  参考訳（メタデータ） (2025-04-28T12:00:10Z)
• Developing a Modular Compiler for a Subset of a C-like Language [0.0]
  本稿では,C型言語のサブセットに対するモジュール型コンパイラの開発について紹介する。 このモジュラーアプローチにより、開発者は必要に応じてサブセットを追加または削除することで言語を変更でき、最小限のメモリ効率のコンパイラが実現される。
  論文  参考訳（メタデータ） (2025-01-08T13:42:54Z)
• Dcc --help: Generating Context-Aware Compiler Error Explanations with Large Language Models [53.04357141450459]
  dcc --helpはCS1とCS2のコースにデプロイされ、2565人の学生が10週間で64,000回以上このツールを使っている。 LLMが生成した説明は、コンパイル時間の90%と実行時の75%で概念的に正確であるが、コードに解決策を提供しない命令を無視することが多かった。
  論文  参考訳（メタデータ） (2023-08-23T02:36:19Z)
• Decomposed Prompting for Machine Translation Between Related Languages using Large Language Models [55.35106713257871]
  DecoMTは、単語チャンク翻訳のシーケンスに翻訳プロセスを分解する、数発のプロンプトの新しいアプローチである。 DecoMTはBLOOMモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-22T14:52:47Z)
• QParallel: Explicit Parallelism for Programming Quantum Computers [62.10004571940546]
  並列量子プログラミングのための言語拡張を提案する。 QParallelは、現在の量子プログラミング言語における並列性に関する曖昧さを取り除く。 並列化によって最も利益を上げるサブルーチンを識別し,並列領域の配置にプログラマを誘導するツールを提案する。
  論文  参考訳（メタデータ） (2022-10-07T16:35:16Z)
• Compilable Neural Code Generation with Compiler Feedback [43.97362484564799]
  本稿では、言語モデルの微調整、コンパイル可能性強化、コンパイル可能性判定を含む、コンパイル可能なコード生成のための3段階パイプラインを提案する。 2つのコード生成タスクの実験は,提案手法の有効性を示し,平均44.18から89.18に,テキスト・コード生成では70.3から96.2に向上した。
  論文  参考訳（メタデータ） (2022-03-10T03:15:17Z)
• AVATAR: A Parallel Corpus for Java-Python Program Translation [77.86173793901139]
  プログラム翻訳とは、ある言語から別の言語へソースコードを移行することを指す。 AVATARは9,515のプログラミング問題とそのソリューションをJavaとPythonという2つの人気のある言語で記述したものです。
  論文  参考訳（メタデータ） (2021-08-26T05:44:20Z)
• Leveraging Language to Learn Program Abstractions and Search Heuristics [66.28391181268645]
  LAPS(Language for Abstraction and Program Search)は、自然言語アノテーションを用いて、ライブラリとニューラルネットワークによる合成のための検索モデルの共同学習をガイドする手法である。 最先端のライブラリ学習システム(DreamCoder)に統合されると、LAPSは高品質なライブラリを生成し、検索効率と一般化を改善する。
  論文  参考訳（メタデータ） (2021-06-18T15:08:47Z)
• LazyTensor: combining eager execution with domain-specific compilers [0.0]
  LazyTensorは、定義による人間工学を犠牲にすることなく、ドメインコンパイラをターゲットとする技術である。 当初、クラウドTPUでPyTorchをサポートするために開発され、実質的に共有された実装テクニックとともに、Swiftは特定のアクセラレータに使用されている。
  論文  参考訳（メタデータ） (2021-02-26T02:22:16Z)

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。