Fugu-MT 論文翻訳(概要): Design Docs Are All You Need: An AI-native Machine-Learning Performance Tool

論文の概要: Design Docs Are All You Need: An AI-native Machine-Learning Performance Tool

arxiv url: http://arxiv.org/abs/2609.05364v1
Date: Fri, 04 Sep 2026 17:08:51 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-07 18:15:24.136852
Title: Design Docs Are All You Need: An AI-native Machine-Learning Performance Tool
Title（参考訳）: AIネイティブな機械学習パフォーマンスツールDesign Docs
Abstract要約: 機械学習のパフォーマンスモデリングは、長期間のソフトウェアにとってユニークな敵意のある分野である。本稿では,ほとんどコードを持たないMLシステムのための厳密なシンボル的性能モデリングライブラリについて述べる。人間の変更はすべて、自然言語でドキュメントを編集する作業です。
参考スコア（独自算出の注目度）: 11.868531447858372
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Machine-learning performance modeling is a uniquely hostile terrain for long-lived software: the assumptions baked into today's abstractions are invalidated by tomorrow's models and systems, forcing perpetual refactoring of performance-modeling frameworks. Meanwhile, AI coding agents have become fast and capable enough that regenerating an entire library is cheaper than paying down the tech debt of incrementally patching it. We describe SMART, a rigorous symbolic performance-modeling library for ML systems whose main branch contains almost no code: the repository is a DAG of self-contained natural-language design docs, coding sub-agents regenerate the implementation from only the docs on new version updates, and every human change is a natural-language edit to a doc--self-documenting by construction. Two ingredients make regeneration reliable: (i) a design-doc style built around step-by-step worked examples that act as in-context demonstrations for the generating agents, and (ii) a minimal, recursively defined operator IR with symbolic (SymPy) cost expressions, a fast analytical roll-up mode for large sweeps, and a slow modulo-scheduling mode for fine-grained schedule studies. Regenerated implementations reproduce hand-audited reference models--including DeepSeek-V3 serving on a TPU pod slice--to round-off precision, suggesting that design docs--not code--can be the durable artifact for ML-systems co-design tools.
Abstract（参考訳）: 今日の抽象化に組み込まれた仮定は、明日のモデルやシステムによって無効化され、パフォーマンスモデリングフレームワークの永続的なリファクタリングを余儀なくされます。一方、AIコーディングエージェントは、ライブラリ全体の再生が、段階的なパッチ適用による技術的負債を支払うよりも安くなるように、迅速かつ十分な能力を持つようになった。このリポジトリは、自己完結した自然言語デザインドキュメントのDAGであり、コーディングサブエージェントは、新しいバージョン更新のドキュメントのみから実装を再生し、すべての人的変更は、構築によるドキュメントへの自然言語編集である。 2つの材料が再生を信頼できるものにする。 (i)生成エージェントのインコンテキストデモとして機能するステップ・バイ・ステップの例を中心に構築されたデザイン・ドック形式 (II) シンボリック(SymPy) コスト表現を持つ最小再帰型演算子IR, 大規模スイープの高速解析ロールアップモード, きめ細かいスケジュール研究のための緩やかな変調スケジューリングモード。再現された実装は、TPUポッドスライスで機能するDeepSeek-V3を含む手書きの参照モデルを再現し、設計ドキュメント(コードではない)がMLシステムの共同設計ツールの耐久性のあるアーティファクトであることを示唆している。

関連論文リスト

Code as Representation: A Compilable Parsing Paradigm for Academic Documents [50.40789738182074]
Compilable Academic Document Parsing (CADP)は、コンテキストラプラス実行可能なPythonとして全ページを再構築するパラダイムである。テキストと複数のSAEタイプを含む全学術ページのエキスパート検証ベンチマークであるCADP-Benchを紹介する。その結果、フロンティアモデルでさえも、高忠実度で実行可能な再構築を行うのに苦戦していることがわかった。
論文参考訳（メタデータ） (2026-08-18T09:10:43Z)
Model-Driven Discipline for Multi-Agent LLMs: Requirement-to-Verification Generation of Traceable System Models [62.62160094849002]
RADIANTは、MDEとMulti-Agent Large Language Modelを組み合わせたエンジニアリング方法論である。工学的なフェーズにまたがる異種モデルを自動的に生成する。正確かつ自動的な変更インパクト分析を提供する。
論文参考訳（メタデータ） (2026-07-18T08:50:55Z)
The Illusion of Agentic Complexity in README.md Generation: Evaluating Single-Agent vs. Multi-Agent RAG Systems [3.7149543017244238]
この研究は、GitHubリポジトリ用のファイル生成のためのRAG(Retrieval-Augmented Generation)依存アーキテクチャを実証的に評価する。シングルエージェントパイプラインは、MASに匹敵する語彙品質を達成し、トークンの消費量を86%削減し、その2倍の速度で運用する。
論文参考訳（メタデータ） (2026-06-29T16:29:31Z)
Understanding by Reconstruction: Reversing the Software Development Process for LLM Pretraining [66.89012795621349]
大規模言語モデル(LLM)は、複雑なソフトウェア工学に必要な、深く、長期にわたる推論に苦しむことが多い。本稿では,再構築による理解という,新しいパラダイムを提案する。マルチエージェントシミュレーションを用いて潜在エージェント軌道を合成するフレームワークを提案する。
論文参考訳（メタデータ） (2026-03-11T09:23:20Z)
Architecture-Aware Multi-Design Generation for Repository-Level Feature Addition [53.50448142467294]
RAIMは、リポジトリレベルの機能追加のための、多設計およびアーキテクチャ対応のフレームワークである。複数の多様な実装設計を生成することで、線形パッチから切り離される。 NoCode-bench Verifiedデータセットの実験では、RAIMが新しい最先端のパフォーマンスを確立することが示されている。
論文参考訳（メタデータ） (2026-03-02T12:50:40Z)
Steerable Instruction Following Coding Data Synthesis with Actor-Parametric Schema Co-Evolution [30.919665619254]
IFCodeEvolveは,大規模命令ペアプログラミングデータを合成するフレームワークである。 IFCodeEvolveはベースモデルの性能を大幅に向上させ,我々の32BモデルはプロプライエタリなSOTAモデルと同等であることを示す。我々はまた、ソリューションと堅牢なASTベースの検証を備えた総合的人間認証ベンチマークIFCodeBenchにも貢献する。
論文参考訳（メタデータ） (2026-02-27T21:31:41Z)
Generating Software Architecture Description from Source Code using Reverse Engineering and Large Language Model [2.6126272668390373]
ソフトウェアアーキテクチャ記述(SAD)は、現代のソフトウェアシステムの本質的な複雑さを管理するために不可欠である。 SADは、しばしばシステムの実際の実装に不整合、時代遅れ、あるいは不整合である。逆エンジニアリング(RE)技術とLarge Language Model(LLM)を統合し,ソースコードからSADを半自動生成する手法を提案する。
論文参考訳（メタデータ） (2025-11-07T11:35:46Z)
Every Step Counts: Decoding Trajectories as Authorship Fingerprints of dLLMs [63.82840470917859]
本稿では,dLLMの復号化機構をモデル属性の強力なツールとして利用できることを示す。本稿では、デコードステップ間の構造的関係を捉え、モデル固有の振る舞いをよりよく明らかにする、DDM(Directed Decoding Map)と呼ばれる新しい情報抽出手法を提案する。
論文参考訳（メタデータ） (2025-10-02T06:25:10Z)
Repeton: Structured Bug Repair with ReAct-Guided Patch-and-Test Cycles [1.387448620257867]
大規模言語モデル(LLM)は、コード生成と理解において強力な能力を示しているが、複雑なソフトウェアエンジニアリングタスクへの応用は、しばしば低い精度と限定的な解釈可能性に悩まされている。実世界のGitの正確かつ自動化されたコード操作にLLMを活用する、完全にオープンソースなフレームワークであるRepetonを紹介します。
論文参考訳（メタデータ） (2025-06-09T19:36:40Z)
Paper2Code: Automating Code Generation from Scientific Papers in Machine Learning [70.04746094652653]
機械学習論文を機能コードリポジトリに変換するフレームワークであるPaperCoderを紹介した。 PaperCoderは3つの段階で動作する。計画、図によるシステムアーキテクチャの設計、ファイル依存の特定、構成ファイルの生成である。次に、モデルベースおよび人的評価の両方に基づいて、機械学習論文からコード実装を生成するPaperCoderを評価する。
論文参考訳（メタデータ） (2025-04-24T01:57:01Z)
VeriMind: Agentic LLM for Automated Verilog Generation with a Novel Evaluation Metric [4.590930025882158]
We propose VeriMind, a agentic LLM framework for Verilog code generation。本稿では,従来のpass@k測度とARC(Average Refinement Cycles)を組み合わせた新しい評価手法を提案する。様々なハードウェア設計タスクの実験結果によると、我々のアプローチはpass@kメトリックで最大8.3%、pass@ARCメトリックで最大8.1%向上した。
論文参考訳（メタデータ） (2025-03-15T23:43:06Z)

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。