論文の概要: From Fixed Keys to Readable Schemas: Small Language Models for Vehicle Agent Function Calls
- arxiv url: http://arxiv.org/abs/2609.09476v1
- Date: Tue, 08 Sep 2026 21:46:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.824144
- Title: From Fixed Keys to Readable Schemas: Small Language Models for Vehicle Agent Function Calls
- Title（参考訳）: 固定キーから可読スキーマへ:自動車エージェント関数呼び出しのための小言語モデル
- Abstract要約: 車載アシスタントは、厳格なメモリとレイテンシの制約の下で、自然言語要求を正確な車両関数呼び出しに変換する必要がある。
2つのアプローチは、各関数を専用の機能トークン(FT)で表現するか、プロンプト内で関数スキーマを直接提供することである。
FTはコンパクトな推論を可能にするが、訓練中に学習した関数に制限されるが、SIPはより長いプロンプトを犠牲にして見えない関数に一般化することができる。
- 参考スコア（独自算出の注目度）: 9.651124018371158
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In-vehicle assistants must translate natural-language requests into accurate vehicle function calls under strict memory and latency constraints, making small language models (SLMs) attractive for on-device deployment. For such models, a key design choice is how the available function surface is presented. Two approaches are to represent each function with a dedicated Functional Token (FT) or provide function schemas directly in the prompt. FTs enable compact inference but are restricted to functions learned during training, whereas Schema-in-Prompt (SIP) can generalize to unseen functions at the cost of longer prompts and higher inference overhead. We introduce a benchmark of 9,822 single-turn examples spanning 79 vehicle functions derived from Android Automotive, including held-out functions and requests requiring refusal. We compare both approaches under matched fine-tuning across four SLMs from 270M to 1.7B parameters. On functions seen during training, scaling provides limited benefit: the 270M model can match the 1.7B model, while the strongest overall performance occurs at 0.6B. On held-out functions, FT achieves zero accuracy by construction, whereas SIP generalizes and improves substantially with scale. On out-of-scope requests, FT can invoke an unavailable function it was trained to emit, while SIP more reliably refuses based on the functions offered. This flexibility comes with higher memory use and latency. Our theoretical analysis explains how SIP enables generalization and why longer schema contexts increase inference cost. Overall, function-surface representation, rather than model scale alone, determines the capabilities and failure modes of SLM-based vehicle function calling.
- Abstract（参考訳）: 車載アシスタントは、自然言語要求を厳格なメモリとレイテンシの制約の下で正確な車両機能コールに変換する必要があり、デバイス上でのデプロイメントには小さな言語モデル(SLM)を魅力的なものにする必要がある。
このようなモデルでは、利用可能な関数曲面がどのように表現されるかが重要な設計選択である。
2つのアプローチは、各関数を専用の機能トークン(FT)で表現するか、プロンプト内で関数スキーマを直接提供することである。
一方、SIP(Schema-in-Prompt)は、より長いプロンプトとより高い推論オーバーヘッドを犠牲にして、見えない関数に一般化することができる。
我々はAndroid Automotiveから派生した79の車両機能にまたがる9,822のシングルターン例のベンチマークを紹介した。
270M から 1.7B のパラメータの 4 つの SLM でマッチングされた微調整のアプローチを比較した。
270Mモデルは1.7Bモデルと一致するが、全体的なパフォーマンスは0.6Bである。
ホールドアウト関数では、FTは構成によってゼロの精度を達成するが、SIPはスケールで大きく一般化し、改善する。
スコープ外要求では、FTは出力するように訓練された不利用可能な関数を呼び出し、SIPは提供された関数に基づいてより確実に拒否する。
この柔軟性は、メモリ使用量の増加とレイテンシが伴う。
我々の理論的分析は、SIPが一般化を可能にし、なぜより長いスキーマコンテキストが推論コストを増大させるのかを説明する。
全体として、モデルスケールのみではなく関数表面表現は、SLMに基づく車両機能呼び出しの機能と障害モードを決定する。
関連論文リスト
- Small Reasoning Models are Instruction Followers in Function Calling [4.549831511476248]
関数呼び出しはエージェント型大規模言語モデル(LLM)のコア機能を表す
Instruction-Followed Function Calling (IFFC) は,関数呼び出しロジックを一次LLMから分離する新しいフレームワークである。
IFFCは、ネイティブ関数呼び出し(NFC)とプロンプトベースの関数呼び出し(PFC)の両方のベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2026-08-23T15:51:26Z) - LFM2 Technical Report [87.58431408281973]
LFM2は、デバイス上での効率的なデプロイと強力なタスク機能を実現するために設計された、Liquid Foundation Modelsのファミリーである。
LFM2ファミリーは350M-8.3Bパラメータをカバーしており、密度の高いモデル(350M, 700M, 1.2B, 2.6B)と試験用混合物(合計8.3B, 1.5B)を含んでいる。
視覚遅延タスクのためのLFM2-VL,音声のためのLFM2-Audio,検索のためのLFM2-ColBERTを構築した。
論文 参考訳（メタデータ） (2025-11-28T17:56:35Z) - SlsReuse: LLM-Powered Serverless Function Reuse [0.0]
本稿では、サーバーレス関数の再利用のための最初のLLMフレームワークであるSlsReuseについて述べる。
効果的なプロンプトエンジニアリングを通じて、不均一関数の統一意味強調表現を学ぶ。
最も代表的なLCMの一つであるChatGPT-4o上に構築されたSlsReuseはRecall@10の91.20%を達成し、最先端のベースラインを24.53ポイント上回っている。
論文 参考訳（メタデータ） (2025-11-21T14:08:12Z) - Small Models, Big Tasks: An Exploratory Empirical Study on Small Language Models for Function Calling [6.102559098873098]
関数呼び出しは、情報検索、ソフトウェア工学、自動化といった分野に広く応用される複雑なタスクである。
LLM(Large Language Models)はこのプロセスを自動化できるが、計算コストが高く、リソース制約のある環境では実用的ではない。
小型言語モデル(SLM)は効率よく動作し、応答時間を短縮し、計算要求を低減できる。
論文 参考訳（メタデータ） (2025-04-27T15:26:51Z) - Magnet: Multi-turn Tool-use Data Synthesis and Distillation via Graph Translation [85.68881632498909]
本稿では,大規模言語モデルエージェントのための高品質なトレーニングトラジェクトリを合成するための原則的フレームワークを提案する。
このフレームワークは、関数シグネチャパスからクエリのシーケンスと実行可能な関数呼び出しへの自動的で反復的な変換に基づいている。
実験の結果,14BモデルであるMagnetic-14B-mDPOでは,BFCL-v3では68.01,ToolQueryでは73.30が得られた。
論文 参考訳（メタデータ） (2025-03-10T20:13:07Z) - Reasoning with Reinforced Functional Token Tuning [70.96651128307985]
本稿では,大規模言語モデル(LLM)に自己学習能力を持たせるためにRFTT(Reinforced Functional Token Tuning)を提案する。
RFTTは、学習可能な関数トークンの豊富なセットをモデル語彙に直接埋め込んで、多様な人間のような推論行動によるチェーン・オブ・思想の構築を可能にする。
論文 参考訳（メタデータ） (2025-02-19T02:59:42Z) - Scaling Embedding Layers in Language Models [61.939921364422936]
$SCONE$は入力埋め込み層を拡張して言語モデルのパフォーマンスを向上させる新しいメソッドである。
SCONE$は、n-gramの頻繁なセットに埋め込みを導入しながら、元の語彙を保持します。
これらの埋め込みは、各入力トークンに対してコンテキスト化された表現を提供し、トレーニング中に別のモデルで学習する。
$SCONE$は、n-gram埋め込みの数を増やし、それらを学ぶために使用するモデルをスケーリングする、という2つの新しいスケーリング戦略を可能にします。
論文 参考訳（メタデータ） (2025-02-03T18:59:32Z) - Unlock the Correlation between Supervised Fine-Tuning and Reinforcement Learning in Training Code Large Language Models [12.656574142412484]
本研究では,教師付き微調整と強化学習の相関関係の解明を試みる。
SFTの一般化には原子関数と合成関数の両方が不可欠である。
論文 参考訳（メタデータ） (2024-06-14T03:39:01Z) - SpaFL: Communication-Efficient Federated Learning with Sparse Models and Low computational Overhead [75.87007729801304]
SpaFL: 計算オーバーヘッドの少ないスパースモデル構造を最適化する通信効率のよいFLフレームワークを提案する。
プルーニングプロセス自体を最適化するためには、パラメータの代わりにサーバとクライアントの間でしきい値だけが通信される。
グローバルしきい値は、集約されたパラメータの重要度を抽出することで、モデルパラメータの更新に使用される。
論文 参考訳（メタデータ） (2024-06-01T13:10:35Z) - First-Order Stable Model Semantics with Intensional Functions [2.1955512452222696]
我々は、フェラーリス、リー、リフシッツによる一階安定モデル意味論を拡張して、インテンショナル函数を許容する。
ASPMT(Answer Set Programming Modulo Theories)の定義基盤としてこの拡張を使用します。
ASPMTは実数を含む領域に適用でき、基底問題を軽減することができる。
論文 参考訳（メタデータ） (2023-07-15T06:03:35Z) - FedYolo: Augmenting Federated Learning with Pretrained Transformers [61.56476056444933]
本研究では,デバイス上での学習目標を達成するための事前学習型トランスフォーマー(PTF)について検討する。
大規模化により,代替手法間の精度ギャップが小さくなり,ロバスト性も向上することを示す。
最後に、クライアントは単一のPTFを使用して複数の無関係なタスクを同時に解決できる。
論文 参考訳（メタデータ） (2023-07-10T21:08:52Z) - AutoFIS: Automatic Feature Interaction Selection in Factorization Models
for Click-Through Rate Prediction [75.16836697734995]
自動特徴相互作用選択(AutoFIS)と呼ばれる2段階のアルゴリズムを提案する。
AutoFISは、目標モデルを収束させるためにトレーニングするのと同等の計算コストで、因子化モデルに対する重要な特徴的相互作用を自動的に識別することができる。
AutoFISはHuawei App Storeレコメンデーションサービスのトレーニングプラットフォームにデプロイされている。
論文 参考訳（メタデータ） (2020-03-25T06:53:54Z)
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。