論文の概要: Message capacity and claim wording set the transition points of collective truth-finding in language-model networks

• arxiv url: http://arxiv.org/abs/2609.19183v1
• Date: Tue, 15 Sep 2026 14:46:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.934564
• Title: Message capacity and claim wording set the transition points of collective truth-finding in language-model networks
• Title（参考訳）: 言語モデルネットワークにおけるメッセージキャパシティとクレームワードセットによる集合真理探索の遷移点
• Abstract要約: 集合の運命は、クレームのワードセットのしきい値と、遷移点を設定するメッセージキャパシティの2つの単一エージェント測定によって決定される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Whether human or large language model (LLM), an agent in a discussion reads only a few of the others' contributions, bounded by cognition, context, or cost. LLM collectives can settle on a wrong consensus even when a majority starts out correct; we ask how far that reading bound alone decides the outcome. We model the bound with one number, the message capacity, which sets how many of the others' messages an agent reads, and generate the communication network from it. Over 31,824 randomized queries, we found that an 8-billion-parameter model's judgment of a claim effectively reduces to a logistic function of a weighted sum of its inbox, the update rule of a stochastic binary neuron with divisively normalized weights. From these weights and the network's degree statistics alone, the wrong consensus should become unreachable from any start once agents read, on average, fewer than 6.4 of their 31 sources. In 1,414 episodes with assigned starts the prediction failed: the correct side won in fewer than 50% of episodes from every start, and in only 28-45% when 75% of agents started correct. The failure traces to the field, the threshold that a claim's wording sets for the agent's answer before any message is read: the experimental claims' fields lay below the calibration mean, and with each claim's own field the same weights reproduce the outcomes. Reversing the wording showed that the threshold follows what a claim asserts, not whether it is true. On a second 8B model the pipeline predicts claim-dependent bistability; transition points appeared where computed, and an eight-claim calibration matched in 15 of 16 conditions. At 70B the assertion bias is not detected. Thus a collective's fate is largely set by two single-agent measurements: the threshold a claim's wording sets, and the message capacity that sets the transition point.
• Abstract（参考訳）: 人または大きな言語モデル(LLM)にかかわらず、議論のエージェントは、認知、文脈、コストによって制限された、他者のコントリビューションのごく一部だけを読み取る。 LLMの集合体は、多数派が正しい結果を出したとしても、間違ったコンセンサスに落ち着くことができる。 我々は、1つの番号、つまりメッセージキャパシティでバウンダリをモデル化し、エージェントが読み込んだ他のメッセージの数を設定し、そこから通信ネットワークを生成する。 31,824以上のランダム化クエリにおいて、8ビリオンパラメータモデルによるクレームの判断は、そのインボックスの重み付け和のロジスティック関数、分別正規化重み付き確率的二乗ニューロンの更新規則に効果的に還元されることがわかった。 これらの重みとネットワークの次数統計だけでは、エージェントが平均して31ソースの6.4未満を読み取ると、間違ったコンセンサスはどのスタートからでも到達できなくなる。 1,414回に割り当てられたエピソードでは、予測が失敗し、各エピソードから正しい側が50%以下で勝利し、75%のエージェントが正しいときにわずか28-45%で勝利した。 実験的なクレームのフィールドはキャリブレーション平均を下回り、各クレームのフィールドが同じ重みで結果が再現される。 言い換えると、しきい値が真かどうかではなく、クレームが主張するものに従っていることが示される。 第2の8Bモデルでは、パイプラインはクレーム依存の安定性を予測し、遷移点が計算された場所に出現し、16条件のうち15条件で8値のキャリブレーションが一致した。 70Bではアサーションバイアスは検出されない。 したがって、集合の運命は、クレームのワードセットのしきい値と、遷移点を設定するメッセージキャパシティの2つの単一エージェント測定によって決定される。

関連論文リスト

• Agora: Git as Shared Memory for Collective AutoResearch [54.31992252587096]
  Agoraは、自律的な研究ループのための共有メモリである。 研究は追加専用非巡回グラフとして記録されている。 多様性を意識した選択ルールは、コミュニティがひとつのリーダに崩壊しないようにします。
  論文  参考訳（メタデータ） (2026-09-16T04:00:54Z)
• Capability-Gated Conformance Testing of Quantum Error-Correction Decoder Libraries [2.8225611777999906]
  判決は各図書館が宣言する内容に基づいて公布されるので、解雇は発行された保証と矛盾する。 境界距離の正確さは0.0%と直接宣言されるが、仮説は62.1%のケースで成り立つ。 639の証明書はすべて、独立検証器のバンドルとして出荷され、最初の原則から再帰される。
  論文  参考訳（メタデータ） (2026-09-07T04:44:19Z)
• Split the Labor: Separating Evidence Interpretation from Decision Aggregation [0.0]
  言語モデルに多くの情報源から結論に達するよう要求するシステムは通常、それらを1つのプロンプトに分割する。 提案する4分野のエビデンス(仮説,信頼性バケット,合理性,証明)は,両半減期を決定することを示す。 この修正はアーキテクチャよりも算術的であり、言語モデル以外のルールのクラスに適用される。
  論文  参考訳（メタデータ） (2026-08-14T17:24:55Z)
• Actions Speak Louder than Words: Measuring Cross-Lingual Policy Retention in Tool-Using Agents [22.30468215041597]
  ツール使用エージェントは別の言語で同じタスクを与えられるが、それでも同じステップを踏むだろうか? アクションポリシーを,8つのモデル,6つの並列ベンチマーク,41の言語で測定対象とする。
  論文  参考訳（メタデータ） (2026-08-11T16:18:34Z)
• QuantiBias: Benchmarking Quantization-Induced Bias in LLMs [8.970269049715933]
  幅広い聴衆にリーチするほとんどの大きな言語モデルは定量化されています。 提案するベンチマークでは,複数言語ステレオタイププローブと,オープンエンド生成を分離する拒絶制御と多重選択制御を組み合わせている。 量子化されたビルドは、既にパスしているショートフォームのセーフガードだけでなく、オープンエンドのバイアスのために再評価されなければならない。
  論文  参考訳（メタデータ） (2026-07-23T08:56:11Z)
• Correct Answers from Sound Reasoning: Verifiable Process Supervision for Language Models [94.68358825189738]
  本稿では,予測精度と推論品質を協調的に最適化する検証済み領域の学習後フレームワークを提案する。 我々は,エンジン信号に対して推論ステップを確定的に検証できる制御テストベッドであるチェスのVPSを評価する。 VPSは、推論品質を著しく向上させながら精度を保ち、勝利率エラーを最大30%削減し、一貫性をほぼ飽和状態に回復する。
  論文  参考訳（メタデータ） (2026-04-03T15:19:46Z)
• From Chaos to Clarity: Claim Normalization to Empower Fact-Checking [57.024192702939736]
  Claim Normalization(別名 ClaimNorm)は、複雑でノイズの多いソーシャルメディア投稿を、より単純で分かりやすい形式に分解することを目的としている。 本稿では,チェーン・オブ・ソートとクレーム・チェック・バシネス推定を利用した先駆的アプローチであるCACNを提案する。 実験により, CACNは様々な評価尺度において, いくつかの基準値を上回る性能を示した。
  論文  参考訳（メタデータ） (2023-10-22T16:07:06Z)
• Conformal Language Modeling [61.94417935386489]
  生成言語モデル(LM)の共形予測のための新しい手法を提案する。 標準共形予測は厳密で統計的に保証された予測セットを生成する。 我々は,オープンドメイン質問応答,テキスト要約,ラジオロジーレポート生成において,複数のタスクに対するアプローチの約束を実証する。
  論文  参考訳（メタデータ） (2023-06-16T21:55:08Z)

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。