論文の概要: When Edit Flows are Edit Jumps: replicating Edit Flows and EvoFlows

• arxiv url: http://arxiv.org/abs/2609.18745v1
• Date: Wed, 16 Sep 2026 14:39:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.852641
• Title: When Edit Flows are Edit Jumps: replicating Edit Flows and EvoFlows
• Title（参考訳）: 編集フローが編集ジャンプであるとき:編集フローとEvoFlowの複製
• Abstract要約: 編集ベースの生成モデルは、編集位置、編集数、出力長を事前に固定することなく、そのような編集予算を割り当てる唯一のモデルである。 ここでは、両方のメソッドが、同じ基盤となるプロセスに従うことを示します。 我々は1.66Mで訓練された1つのジェネラリストエディタで、このフレームワークの最初のオープン実装を紹介する。
• 参考スコア（独自算出の注目度）: 1.295510990912869
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Antibody lead optimization calls for a small, bounded set of edits to an existing candidate: substitutions, but also insertions and deletions. Edit-based generative models are the only ones that allocate such an edit budget without fixing the edit positions, the edit count, or the output length in advance. However, the existing approaches Edit Flows and EvoFlows did not release code or complete training specifications. Here, we show that both methods follow the same underlying process -- edits firing one at a time, at learned rates, in continuous time -- the pure-jump case of generator matching over finite sequences. With EditJumps we introduce the first open implementation of this framework, with a single generalist antibody editor trained on 1.66M Observed Antibody Space homolog pairs to propose homolog-like variants of a seed sequence, editing unseen leads zero-shot, without the per-family retraining original approaches require. Replicating this system from scratch exposes why open code is essential for generative biology: reconciling published edit distributions required reverse-engineering an undocumented rate-scaling hyperparameter that dictates realized mutation counts. Moreover, we show that published evaluation metrics are highly sensitive to reference sample size, frequently flipping method rankings. We release our full codebase, automated test suite, and configurations at: https://github.com/VisiumCH/editjumps
• Abstract（参考訳）: 抗体リード最適化は、既存の候補である置換や挿入や削除といった、限定された編集の小さなセットを要求する。 編集ベースの生成モデルは、編集位置、編集数、出力長を事前に固定することなく、そのような編集予算を割り当てる唯一のモデルである。 しかし、既存のアプローチであるEdit FlowsとEvoFlowsは、コードや完全なトレーニング仕様をリリースしていない。 ここでは、両手法が、有限列上のジェネレータマッチングの純粋なジャンプケースである、一度に1回、学習した速度で、連続的に1つを編集する、同じ基礎的なプロセスに従うことを示す。 EditJumps では,1.66M の Observed Antibody Space のホモログペアをトレーニングした1つのジェネラリスト抗体エディタを用いて,シード配列のホモログ的変異を提案する。 このシステムをスクラッチから複製すると、なぜオープンコードが生成生物学に不可欠なのかが明らかになる。 さらに,評価指標が参照サンプルサイズに非常に敏感であることを示す。 完全なコードベース、自動テストスイート、設定をhttps://github.com/VisiumCH/editjumpsでリリースしています。

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)
• The Labyrinth and the Thread: Rethinking Regularizations in Sequential Knowledge Editing for Large Language Models [15.376868559569623]
  我々はまずAlphaEditの実証的な成功を分析し、厳密な最適化分析により、1回と逐次編集の形式的等価性を確立する。 信頼性の高いシーケンシャルアップデートには,多くの一般的な正規化戦略が不要であることを実証的に確認する。 私たちの研究は、Ariadne氏のスレッドにシーケンシャルな編集のラビリンスを通し、よりシンプルで、より解釈可能で、信頼性の高い知識更新への道をチャート化します。
  論文  参考訳（メタデータ） (2026-05-26T08:07:25Z)
• EditPropBench: Measuring Factual Edit Propagation in Scientific Manuscripts [0.0]
  科学的写本のローカルな事実編集は、しばしば非ローカルな修正義務を創出する。 最近のarXiv cs.CLベンチマークとデータセット論文の監査では、37.2%の論文で事実に依存した質的主張が見つかった。 LLMエディタが依存する原稿クレームを通じて実際の編集を伝播するかどうかを測定するベンチマークであるEditPropBenchを紹介する。
  論文  参考訳（メタデータ） (2026-05-03T22:46:47Z)
• 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)
• FlowDC: Flow-Based Decoupling-Decay for Complex Image Editing [52.54102743380658]
  本稿では,複雑な編集を複数のサブ編集エフェクトに分離し,編集プロセス中に並列に重畳するFlowDCを提案する。 FlowDCは既存の方法に比べて優れた結果を示した。
  論文  参考訳（メタデータ） (2025-12-12T09:08:39Z)
• 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)
• 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)
• Learning Structural Edits via Incremental Tree Transformations [102.64394890816178]
  構造化データのインクリメンタルな編集(すなわち「構造的編集」)のための汎用モデルを提案する。 我々の編集者は、反復的にツリー編集(例えば、サブツリーの削除や追加)を生成し、部分的に編集されたデータに適用することを学びます。 提案したエディタを2つのソースコード編集データセットで評価した結果,提案する編集エンコーダでは,従来よりも精度が向上していることがわかった。
  論文  参考訳（メタデータ） (2021-01-28T16:11:32Z)

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。