論文の概要: LangSelect: Cost-Aware Target-Language Routing for LLM Code Generation

• arxiv url: http://arxiv.org/abs/2609.18959v1
• Date: Wed, 15 Jul 2026 16:02:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.580583
• Title: LangSelect: Cost-Aware Target-Language Routing for LLM Code Generation
• Title（参考訳）: LangSelect: LLMコード生成のためのコスト対応ターゲットランゲージルーティング
• Abstract要約: LLMコード生成システムは、通常、その選択を固定として扱い、復号する前にターゲット言語を選択する。 生成前にターゲット言語を選択し、最初の試行が失敗するとフォールバックする検証対応ルータであるLangSelectを導入する。
• 参考スコア（独自算出の注目度）: 0.5833117322405447
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM code-generation systems usually choose a target programming language before decoding and treat that choice as fixed. We show that, for language-flexible programming tasks -- tasks where several target languages are acceptable and checkable by the same tests -- this choice is a measurable cost lever: verified implementations of the same task can differ substantially in generated-token length. We introduce LangSelect, a verification-aware router that selects the target language before generation and falls back when the first attempt fails. To separate offline routing opportunity from end-to-end behavior, we evaluate verified-solution replay, which chooses among already accepted corpus solutions, and live GPT-5 generation, which charges every generation attempt, including failures and fallbacks. On MultiLang-Bench, a 3,000-task, 8-language verified corpus, replay shows substantial language-routing headroom. In live evaluation on 450 held-out tasks, a train-split Domain heuristic baseline reduces harness-proxy tokens, which include wrapper and entrypoint overhead, by 50.3\% at 92.9\% pass after fallback, while a learned CodeBERT+metadata selector reaches the highest pass after fallback, 93.8\%, with a 3.7\% token increase. These results show that output-language routing can define a practical cost-correctness frontier for unit-test-verifiable code generation.
• Abstract（参考訳）: LLMコード生成システムは、通常、その選択を固定として扱い、復号する前にターゲットプログラミング言語を選択する。 言語フレキシブルなプログラミングタスク -- 複数のターゲット言語が同じテストで許容され、チェック可能なタスク -- に対して、この選択は測定可能なコストレバーである。 生成前にターゲット言語を選択し、最初の試行が失敗するとフォールバックする検証対応ルータであるLangSelectを導入する。 オフラインルーティングの機会をエンド・ツー・エンドの動作から切り離すため、すでに受け入れられているコーパス・ソリューションの中から選択した検証ソリューションのリプレイと、障害やフォールバックを含む全ての世代を課金するライブGPT-5生成を評価した。 3000タスクの8言語認証コーパスであるMultiLang-Benchでは、言語ルーティングのヘッドルームがリプレイされている。 450のホールトアウトタスクのライブ評価では、列車分割のドメインヒューリスティックベースラインは、ラッパーとエントリーポイントオーバーヘッドを含むハーネスプロキシトークンを、フォールバック後の92.9%パスで50.3\%削減し、学習したCodeBERT+metadataセレクタは、フォールバック後の最高パス93.8\%、トークンの増加3.7\%を達成している。 これらの結果から,単体テストで検証可能なコード生成のための実用的コスト補正フロンティアを出力言語ルーティングで定義できることが示唆された。

関連論文リスト

• Latent Mechanisms of Language Control in Multilingual Language Models [2.24159028524593]
  本稿では,多層トランスコーダにおける言語制御ラテントを識別する3つの手法の比較研究を行う。 生成言語を効果的に操作する3つの手法がすべて,FreqSelが全体的なパフォーマンスで最強を達成していることがわかった。 ノックアウト分析は、メソッドが重複しないが各機能的な潜在サブセットを選択し、単一の標準言語方向ではなく冗長性を示すことを示唆している。
  論文  参考訳（メタデータ） (2026-08-31T20:21:21Z)
• LinguaMap: Which Layers of LLMs Speak Your Language and How to Tune Them? [3.809788214307542]
  多言語転送ボトルネックと言語一貫性ボトルネックという,2つの重要な障害モードを特定し,特徴付ける。 我々はロジットレンズ解析を拡張し、言語確率層を層単位で追跡し、隠れ状態の言語間セマンティックな類似性を計算する。 これは、効率的な多言語適応のために言語制御の層局所化を利用する最初のアプローチである。
  論文  参考訳（メタデータ） (2026-01-27T19:38:12Z)
• A Multi-Language Object-Oriented Programming Benchmark for Large Language Models [61.267115598083315]
  35の既存ベンチマークの調査では、3つの大きな不均衡が明らかになった。 85.7%は単一のプログラミング言語に重点を置いている。 94.3%は関数レベルまたはステートメントレベルのタスクのみを対象としている。 80%以上は平均10件未満のテストケースを含む。
  論文  参考訳（メタデータ） (2025-09-30T11:30:08Z)
• ChatZero:Zero-shot Cross-Lingual Dialogue Generation via Pseudo-Target Language [53.8622516025736]
  そこで本研究では,言語間符号切替方式に基づく,エンドツーエンドのゼロショット対話生成モデルChatZeroを提案する。 多言語DailyDialogとDSTC7-AVSDデータセットの実験は、ChatZeroが元のパフォーマンスの90%以上を達成することを示した。
  論文  参考訳（メタデータ） (2024-08-16T13:11:53Z)
• Multilingual Contrastive Decoding via Language-Agnostic Layers Skipping [60.458273797431836]
  対照的なレイヤ(DoLa)によるデコーディングは、大規模言語モデルの生成品質を改善するために設計されている。 このアプローチは英語以外のタスクではうまくいきません。 モデルの前方通過における言語遷移に関する従来の解釈可能性の研究から着想を得て,改良されたコントラスト復号アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-15T15:14:01Z)
• AdaCCD: Adaptive Semantic Contrasts Discovery Based Cross Lingual Adaptation for Code Clone Detection [69.79627042058048]
  AdaCCDは、その言語でアノテーションを使わずに、新しい言語のクローンコードを検出する新しい言語間適応手法である。 5つのプログラミング言語からなる多言語コードクローン検出ベンチマークを構築し,AdaCCDの言語間適応性を評価する。
  論文  参考訳（メタデータ） (2023-11-13T12:20:48Z)
• LEVER: Learning to Verify Language-to-Code Generation with Execution [64.36459105535]
  本稿では,プログラムの実行結果の検証を学習することで,言語からコードへの生成を改善するシンプルな手法であるLEVERを提案する。 具体的には、LLMからサンプリングされたプログラムが、自然言語入力、プログラム自体とその実行結果に基づいて正しいか否かを判定するために、検証者を訓練する。 LEVER はベースコード LLMs (4.6% から 10.9% まで) を継続的に改善し、それらすべてに対して新しい最先端の結果を得る。
  論文  参考訳（メタデータ） (2023-02-16T18:23:22Z)

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。