論文の概要: The Organization of Inference: Information, Resource Constraints, and AI Production
- arxiv url: http://arxiv.org/abs/2609.20449v1
- Date: Thu, 17 Sep 2026 14:17:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.317217
- Title: The Organization of Inference: Information, Resource Constraints, and AI Production
- Title（参考訳）: 推論の組織:情報、資源制約、AI生産
- Abstract要約: 推論の経済的価値は、AI生産の段階にまたがるキャパシティとタスク情報の分散方法に依存する。
外部検証されたソフトウェアエンジニアリングタスクにおける制御ワークフロー実験を用いて,これらの組織的マージンについて検討する。
- 参考スコア（独自算出の注目度）: 4.026212304760799
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The economic value of inference depends on how capacity and task information are distributed across stages of AI production. We study these organizational margins using controlled workflow experiments on externally verified software-engineering tasks. In two matched resource panels, direct execution records the same success rate of 59.6 percent at logical-token ceilings of 12,000 and 24,000, while success under information-constrained planning rises from 36.2 to 51.2 percent. The planning disadvantage narrows by 15.0 percentage points (95 percent task-cluster bootstrap interval: 4.2 to 25.8). A strict read-only planning campaign varies whether the planner sees the task issue. At 12,000 tokens, issue access raises success by about 16 percentage points over issue-hidden planning. Compared with direct execution, task-informed planning is about 10 points lower at 12,000 tokens; at 24,000 tokens, it shows a 29.6-point advantage. In the resource panels, direct execution uses substantially less than either ceiling, while the planning workflow's binding rate falls from 46.2 to 0.8 percent and downstream execution accounts for 89.9 percent of the increase in total use. Scale determines the capacity available to a system; workflow and information structure shape the productive value
- Abstract（参考訳）: 推論の経済的価値は、AI生産の段階にまたがるキャパシティとタスク情報の分散方法に依存する。
外部検証されたソフトウェアエンジニアリングタスクにおける制御ワークフロー実験を用いて,これらの組織的マージンについて検討する。
2つの一致した資源パネルでは、直接実行は12,000から24,000の論理的な天井で59.6%の成功率を記録したが、情報に制約のある計画では36.2から51.2%に上昇した。
計画の不利は15.0ポイント縮小(95%のタスククラスタブートストラップ間隔:4.2から25.8)。
厳格な読み取り専用計画キャンペーンは、プランナーがそのタスク問題に気付くかどうかによって異なる。
12,000のトークンでは、イシューアクセスはイシュー隠れの計画よりも約16ポイント成功している。
直接実行と比較すると、タスクインフォームドプランニングは12,000トークンで約10ポイント低く、24,000トークンでは29.6ポイントのアドバンテージを示している。
リソースパネルでは、直接実行はどちらの天井よりもかなり少ないが、計画ワークフローのバインディングレートは46.2から0.8%に低下し、ダウンストリームの実行は総使用量の89.9%を占める。
スケールはシステムに利用可能な能力を決定する; ワークフローと情報構造は生産的価値を形成する
関連論文リスト
- Repo-To-Skill: Distilling GitHub Repositories Into AI4AI Skills [86.15447717549154]
私たちは、スキルを創造し、研究中にそれらを使用する、スキル駆動型研究エージェントであるDisCoを紹介します。
私たちはこの欠落したレイヤの運用知識を、メソッドの知識を機能させるのと分離するノウハウと呼んでいる。
論文 参考訳（メタデータ） (2026-09-02T15:49:41Z) - EmbodiedSkills: A Unified Framework for Orchestrating, Training, and Deploying VLA Agents [56.25120535601186]
視覚言語アクション(VLA)モデルは、視覚観察と言語指示を直接ロボットアクションにマッピングする。
本稿では,各スキル決定を実行提案として扱うフレームワークであるEmbodiedSkillsを提案する。
共有可能スキルインタフェースは、ハイレベルスキル選択、バウンドローレベルVLA実行、ポストアクション検証を接続する。
論文 参考訳（メタデータ） (2026-09-01T14:14:47Z) - MANIGUARD: A Benchmark and Data Suite for Specification-Grounded Safety Evaluation and Improvement of Robotic Manipulation [25.45812606434053]
ManiGuardは、基礎モデル操作の安全性を評価し改善するためのフレームワークである。
ManiGuard-Benchは6つのコンタクトリッチホームタスクファミリーを200のロックされたベースタスクに編成している。
ManiGuard-Benchは自動的なモーションプランニングジェネレータと人間の遠隔操作を組み合わせ、同じステップ毎のモニターでアノテートする。
論文 参考訳（メタデータ） (2026-08-18T05:27:35Z) - A Structured Knowledge Infrastructure for Domain-Specific Data Asset Discovery [3.199771721348483]
本稿では,Xiaohongshuの商用広告データウェアハウスに展開する2層ソリューションについて紹介する。
3階層の二重目的知識ベースは、検索と生成の両方に役立っている。
Graph-Guided Retriever (GGR)は、2,859ノードのナレッジグラフを、意図的なルーティングを備えた候補ゲートとして使用して、71.6倍のトークン削減を実現している。
論文 参考訳（メタデータ） (2026-07-30T06:40:05Z) - Escaping the Context Bottleneck: Active Context Curation for LLM Agents via Reinforcement Learning [6.577332846728808]
タスク実行からコンテキスト管理を分離する共生フレームワークを導入する。
私たちのアーキテクチャは、軽量で特殊なポリシーモデルであるContextCuratorと、強力な凍結基盤モデルであるTaskExecutorを組み合わせています。
WebArenaでは,Gemini-3.0フラッシュの成功率を36.4%から41.2%に改善し,トークン使用率を8.8%削減した。
DeepSearchでは、53.9%と比べて57.1%の成功率を達成し、トークン消費を8.5%削減した。
論文 参考訳（メタデータ） (2026-04-13T13:39:17Z) - FIPO: Eliciting Deep Reasoning with Future-KL Influenced Policy Optimization [84.58281577727566]
本稿では,大規模言語モデルにおける推論ボトルネックを克服する強化学習アルゴリズムであるFuture-KL Influenced Policy Optimization (FIPO)を提案する。
FIPOは、割引先KLの分岐をポリシー更新に組み込むことでこの問題に対処し、その後の軌道行動への影響に基づいてトークンを再重み付けする密集した有利な定式化を作成する。
Qwen2.5-32Bで評価され、FIPOは平均チェーン長を約4,000から10,000以上のトークンに拡張し、AIME 2024 Pass@1の精度を50.0%から58.0%に向上させた。
論文 参考訳（メタデータ） (2026-03-20T10:24:50Z) - Post-Training Local LLM Agents for Linux Privilege Escalation with Verifiable Rewards [2.631069233394708]
LLMエージェントは、脆弱性発見のような研究領域にますます関係している。
しかし、最強のシステムは依然としてクローズドでクラウドのみであり、リソース集約的で再現が難しく、プロプライエタリなコードや機密データに関わる作業には適さない。
本稿では,厳格な資源予算の下でセキュリティタスクを実行できる,小規模でローカルなモデルを開発するための2段階のポストトレーニングパイプラインを提案する。
論文 参考訳（メタデータ） (2026-03-18T12:52:54Z) - DEPO: Dual-Efficiency Preference Optimization for LLM Agents [75.6723341304463]
本稿では、簡潔な応答とアクションステップの低減を両立させる二重効率優先最適化手法DEPOを提案する。
WebShopとBabyAIの実験によると、DECOはトークンの使用量を最大60.9%削減し、ステップを最大26.9%削減し、パフォーマンスは最大29.3%向上した。
論文 参考訳（メタデータ） (2025-11-19T12:38:43Z) - Learnable Conformal Prediction with Context-Aware Nonconformity Functions for Robotic Planning and Perception [4.694504497452662]
Learnable Conformal Predictionは、固定スコアを軽量なニューラル関数に置き換えて、コンテキスト認識の不確実性セットを生成する。
CPの理論的保証を維持しつつ、予測セットのサイズを18%減らし、検出間隔を52%減らし、経路計画の安全性を72%から91%に改善し、オーバーヘッドを最小限に抑えている。
ハードウェア評価では、LCPは1%未満のメモリと15.9%の推論オーバーヘッドを追加したが、検出タスクでは39 FPSを維持し、アンサンブルの7.4倍のエネルギー効率を保っている。
論文 参考訳（メタデータ） (2025-09-26T06:44:58Z) - Divergence-Based Domain Transferability for Zero-Shot Classification [78.55044112903148]
事前訓練されたニューラルネットワークモデルから学習パターンを転送することで、さまざまな言語ベースのタスクにおける効果が大幅に向上することが示されている。
中間タスクが目的タスクと十分に関係している場合、中間タスクのさらなるチューニングにより、さらなるパフォーマンス上のメリットが示される。
しかし、関連するタスクの特定方法はオープンな問題であり、効果的なタスクの組み合わせをブルートフォースで探すのは非常に高価である。
論文 参考訳（メタデータ） (2023-02-11T16:04:38Z)
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。