論文の概要: Repeated Queries Exhaust an LLM's Brand Recommendations but Not Its Sources
- arxiv url: http://arxiv.org/abs/2609.05059v1
- Date: Fri, 04 Sep 2026 12:22:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:24.03125
- Title: Repeated Queries Exhaust an LLM's Brand Recommendations but Not Its Sources
- Title（参考訳）: LLMのブランドレコメンデーションの繰り返しクェリ
- Abstract要約: 300の質問エンジンのセルで、ウェブ検索なしで答える5つのエンジンは、まだ15.7の時点では見当たらないブランドを追加している。
4つの深層細胞が24時間でドメインを追加し, 59～84%のChao2値が観測された。
エンジン全体の中央値は38の組織で、うち15の中央値は正確に1つのエンジンに表示される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Whether repeated identical buying questions exhaust a language model's brand recommendations depends on retrieval. Across 300 question-engine cells (50 questions, six engines, 15 runs each, open extraction over 1,470 adjudicated organizations), the five engines answering without web search were still adding never-seen brands at run 15 in 86-92% of cells, with median repertoires of 15-31 organizations; the one retrieval-enabled engine closed its list (median 8 organizations, 64% of cells still adding), matching four earlier deep cells where web-search runs saturated by run ten. Cited-domain accumulation keeps rising at every horizon tested: four deep cells were still adding domains at run 24 with 59-84% of the Chao2 lower-bound estimate observed, and 44% of the retrieval engine's breadth cells were still adding domains at run 15. A single run shows 62-77% of the five-run brand set, and across engines the median question draws 38 organizations, of which a median of 15 appear in exactly one engine. Estimators are exact rarefaction and Chao2 richness; a parallel fixed-roster extraction reproduces flat curves on identical responses, so roster-bounded tracking manufactures plateaus that open extraction removes.
- Abstract（参考訳）: 繰り返し同じ購入質問が言語モデルのブランドレコメンデーションを消費するかどうかは、検索に依存する。
300の質問エンジンセル(50の質問、6のエンジン、15の実行、1,470の調整済み組織に対するオープン抽出)と、ウェブ検索なしで答える5つのエンジンは、86-92%の細胞において、まだ目に見えないブランドを15個追加している。
4つの深い細胞が引き続き24時間にドメインを追加し、59～84%がChao2の低いバウンドの推定値を示し、検索エンジンの幅の44%が15時間にドメインを追加していた。
シングルランは5ランのブランドセットの62-77%を示し、エンジン全体の中央値は38の組織で、うち15の中央値は正確に1つのエンジンに表示される。
Estimator is exactly rarefaction and Chao2 richness; a parallel fixed-roster extracts repeats flat curve on same response, so so roster-bounded tracking produceds plateaus that open extracts。
関連論文リスト
- K-Bench: measuring model performance on real scientific agent requests [0.0]
K-Bench 01は、K-Dense Web上のライブユーザトラフィックからサンプリングされた一ターンリクエストから構築された評価である。
3人の盲目の言語モデル判事が8次元のルーリックに対して毎回得点した。
39,934点中47.6%が8点を下回った。
論文 参考訳（メタデータ） (2026-08-21T20:06:08Z) - OenoBench: A Wine-Domain Benchmark for Knowledge-Grounded Evaluation of Large Language Models [0.0]
OenoBenchは、6つの柱(地域、ブドウ品種、ブドウ栽培、ワイン製造、生産者、事業)にまたがる3,266の複数選択質問のワインドメイン知識ベンチマークである。
コーパスは、政府登録簿(INAO、TB、OIV)、査読されたジャーナル、ウィキペディア/ウィキデータから35の証明済みのスクレーカーによって抽出された38,104の原子的、情報源による事実から作られている。
すべてのクレームはURLに遡り、すべての質問は5つのジェネレータファミリーの5つの戦略のうちの1つによって生成される。
論文 参考訳（メタデータ） (2026-08-20T14:37:22Z) - What Do Chinese-Language Generative Search Engines Cite and Surface? A Large-Scale Empirical Study [6.303656473095422]
生成型AI質問回答システムは、情報アクセスを仲介し、検索結果から検索結果の検索、引用、結果の提示へとコンテンツの可視性をシフトする。
我々は,4つの主流プラットフォームのWebおよびAppインターフェースにおける中国語生成検索について,大規模な実証的研究を行った。
214,119の生記録から,160,860レコードのクリーニングされた引用レベルデータセットを構築し,引用行動,ソース属性,エンティティ露出,インターフェース間の整合性を解析した。
論文 参考訳（メタデータ） (2026-07-17T09:03:12Z) - Argus: Evidence Assembly for Scalable Deep Research Agents [74.04848873346145]
本研究では,探索者とナビゲータが協力して,補完的な証拠からジグソーを組み立てるシステムを提案する。
我々は、強化学習でナビゲータを訓練し、検証、ディスパッチ、合成を行いながら、検索者が標準のReActエージェントのままでいられるように独立に訓練する。
サーチとナビゲータは35B-A3B MoEのバックボーン上に構築されており、Argusは1つのサーチと12.7ポイントの並列サーチと8つのベンチマークで5.5ポイントを獲得している。
論文 参考訳（メタデータ） (2026-05-15T17:29:27Z) - Caraman at SemEval-2026 Task 8: Three-Stage Multi-Turn Retrieval with Query Rewriting, Hybrid Search, and Cross-Encoder Reranking [0.0]
本稿では,SemEval-2026 Task 8 (MTRAGEval) を4つの英語ドメインにまたがるタスクA (Retrieval) に参加するシステムについて述べる。
提案手法では,(1) コンテキスト依存の追従質問をスタンドアロンのクエリに変換するLoRA-fine-tuned Qwen 2.5 7Bモデルによるクエリ書き換え,(2) ハイブリッドBM25とReciprocal Rank Fusionによる高密度検索,(3) クロスエンコーダをBGE-reranker-v2-m3で再配置する。
論文 参考訳（メタデータ） (2026-05-12T12:13:45Z) - How Far Is Document Parsing from Solved? PureDocBench: A Source-TraceableBenchmark across Clean, Degraded, and Real-World Settings [56.70440596502351]
昨年は20以上のオープンドキュメントパースモデルが見られたが、ベンチマークはほぼOmniDocBenchにのみ依存している。
HTML/CSSのドキュメントイメージをレンダリングするベンチマークであるPureDocBenchは、10のドメイン、66ページ、1,475ページをカバーしています。
論文 参考訳（メタデータ） (2026-05-08T09:30:31Z) - Iterative Multimodal Retrieval-Augmented Generation for Medical Question Answering [11.253079427884229]
我々は,OCR テキストの代わりに PMC 文書ページイメージを検索し,原因を判断する反復型マルチモーダル RAG フレームワーク MED-VRAG を提案する。
視覚言語モデル(VLM)はそのクエリを反復的に洗練し、メモリバンクにエビデンスを蓄積する。
4つのQAベンチマークで、MEDVRAGの平均精度は78.6%に達した。
論文 参考訳（メタデータ） (2026-04-30T11:16:07Z) - How Well Can Modern LLMs Act as Agent Cores in Radiology Environments? [54.36730060680139]
RadA-BenchPlatは、放射線学環境での大規模言語モデル(LLM)のパフォーマンスをベンチマークする評価プラットフォームである。
また、エージェント駆動型タスク解決ツールの10のカテゴリを定義し、7つの主要なLCMを評価している。
論文 参考訳（メタデータ） (2024-12-12T18:20:16Z) - Evaluating Verifiability in Generative Search Engines [70.59477647085387]
生成検索エンジンは、インラインの引用とともに、ユーザークエリへの応答を直接生成する。
我々は,一般的な4つの生成検索エンジンの評価を行う。
既存の生成検索エンジンからの応答は流動的であり、情報的に見えるが、しばしばサポートされていない文や不正確な引用を含んでいる。
論文 参考訳（メタデータ） (2023-04-19T17:56:12Z) - GMOT-40: A Benchmark for Generic Multiple Object Tracking [65.80411267046786]
我々はジェネリック・マルチプル・オブジェクト・トラッキング(GMOT)の研究を3つの側面で促進するために貢献する。
まず、GMOT-40と呼ばれる最初の公開GMOTデータセットを構築する。
第二に、専用追跡アルゴリズムの欠如に留意して、一連のベースラインGMOTアルゴリズムを設計した。
第3に、一般的なMOTアルゴリズムと提案したベースラインを含むGMOT-40の徹底的な評価を行う。
論文 参考訳（メタデータ） (2020-11-24T02:51:46Z) - On the Inference of Soft Biometrics from Typing Patterns Collected in a
Multi-device Environment [47.37893297206786]
本稿では,マルチデバイス環境における117人を対象に,性別,メジャー/マイナー,タイピングスタイル,年齢,身長の推測を行った。
分類タスクでは、6つの古典的機械学習(ML)と4つのディープラーニング(DL)分類器のパフォーマンスをベンチマークする。
この研究で挙げられた様々なアプリケーションシナリオを考慮して、結果は有望です。
論文 参考訳（メタデータ） (2020-06-16T20:25:58Z)
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。