論文の概要: When Does Reasoning Help in Machine Translation? A Hierarchical Analysis of LRM Reasoning Traces
- arxiv url: http://arxiv.org/abs/2609.21247v1
- Date: Fri, 18 Sep 2026 02:43:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 18:40:16.83661
- Title: When Does Reasoning Help in Machine Translation? A Hierarchical Analysis of LRM Reasoning Traces
- Title（参考訳）: 機械翻訳における推論はいつ役に立つか : LRM推論トレースの階層的解析
- Abstract要約: モデル、言語、ドメイン、データセット間の推論トレースを分析します。
最良推論言語はモデル固有であり、推論長は品質と非単調な関係を持ち、トレースは繰り返し機能パターンを示す。
その結果,MT推論は一様に奨励されるのではなく,モデル認識,長さ認識,パターン認識で制御されるべきであることが示唆された。
- 参考スコア（独自算出の注目度）: 20.595243035914056
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Large Reasoning Models increasingly use intermediate traces for machine translation, but it remains unclear when such reasoning helps or hurts. We analyze reasoning traces across models, languages, domains, and datasets, focusing on reasoning language, length, and structure. We find that the best reasoning language is model-specific, reasoning length has a non-monotonic relationship with quality, and traces exhibit recurring functional patterns. To uncover these patterns, we introduce Hierarchical Meta-Summarization (HMS), a scalable framework that induces coarse- and fine-grained reasoning structures without predefined taxonomies. HMS reveals a shared organization--understanding/planning, translating/drafting, and refining/verifying--alongside domain-specific variation. Our results suggest that MT reasoning should be controlled in a model-aware, length-aware, and pattern-aware manner rather than uniformly encouraged.
- Abstract（参考訳）: 大規模な推論モデルでは機械翻訳に中間的トレースがますます使用されているが、そのような推論がいつ役に立つかは定かではない。
モデル、言語、ドメイン、データセット間の推論トレースを分析し、推論言語、長さ、構造に注目します。
最良推論言語はモデル固有であり、推論長は品質と非単調な関係を持ち、トレースは繰り返し機能パターンを示す。
これらのパターンを明らかにするために,階層的メタ要約(Hierarchical Meta-Summarization, HMS)を導入する。
HMSは共有組織 – 理解/計画,翻訳/描画,精製/検証 – とドメイン固有のバリエーションを明らかにしている。
その結果,MT推論は一様に奨励されるのではなく,モデル認識,長さ認識,パターン認識で制御されるべきであることが示唆された。
関連論文リスト
- Reasoning Structure of Large Language Models [35.831509191370095]
論理パズルのスケーラブルな LRM ベンチマークと,非構造化トレースをクレームと依存関係の検証可能な推論グラフに変換するパイプラインを導入する。
この理論は、トポロジーを定量的に分析できる構造化された測定可能な対象へと変換される。
オープンソース推論モデルを用いた解析により, トークン数と精度を比較検討した。
論文 参考訳（メタデータ） (2026-06-02T16:49:19Z) - Unlocking Reasoning Capability on Machine Translation in Large Language Models [57.60641851466707]
推論指向の大規模言語モデル(RLM)は、明示的な中間推論を生成することにより、数学やコーディングといったタスクに強い利益をもたらす。
WMT24++ベンチマークを用いて,オープンおよびクローズドヘビー級のRCMを系統的に評価した。
明示的な推論を可能にすることは、言語やモデル間の翻訳品質を一貫して低下させる。
論文 参考訳（メタデータ） (2026-02-16T14:05:59Z) - Structured Reasoning for Large Language Models [59.215789462977206]
本研究では、推論を明示的、評価可能、トレーニング可能なコンポーネントに分解するフレームワークであるStructured Reasoning(SCR)を提案する。
SCRは推論効率と自己検証を大幅に改善する。
既存の推論パラダイムと比較して、出力トークンの長さを最大50%削減する。
論文 参考訳（メタデータ） (2026-01-12T04:04:01Z) - Large Reasoning Models Are (Not Yet) Multilingual Latent Reasoners [48.68444770923683]
大きな推論モデル(LRM)は、数学的推論タスクにおいて高い性能を達成する。
LRMは、これらのテキスト推論ステップを完了する前に、正しい答えに到達することが多い。
この現象は英語で研究されてきたが、多言語的行動はほとんど分かっていない。
論文 参考訳（メタデータ） (2026-01-06T13:20:17Z) - Schoenfeld's Anatomy of Mathematical Reasoning by Language Models [56.656180566692946]
我々は、Schoenfeldのエピソード理論を誘導型中間スケールレンズとして採用し、ThinkARM(モデルにおける推論の解剖学)を紹介する。
ThinkARMは、推論トレースを分析、探索、実装、検証などの機能的推論ステップに明示的に抽象化する。
エピソードレベルの表現は推論ステップを明確にし、現代の言語モデルにおける推論がどのように構造化され、安定化され、変更されるかの体系的な分析を可能にする。
論文 参考訳（メタデータ） (2025-12-23T02:44:25Z) - Understanding Chain-of-Thought in Large Language Models via Topological Data Analysis [28.69471462319666]
この研究は、構造的観点から推論チェーンの品質を分析し評価した最初のものである。
推論ステップを意味空間にマップし、トポロジ的特徴を抽出し、構造的変化を分析する。
その結果, 推論鎖のトポロジカルな構造複雑性は, 正の相関関係があることが示唆された。
論文 参考訳（メタデータ） (2025-12-22T08:28:08Z) - Exposing Attention Glitches with Flip-Flop Language Modeling [55.0688535574859]
この研究は、大きな言語モデルにおける注意点の現象を特定し、分析する。
ニューラルネットワークモデルの外挿挙動を探索するために設計された,合成ベンチマークのファミリであるフリップフロップ言語モデリング(FFLM)を導入する。
その結果,Transformer FFLM は散発的推論誤差の長い尾に悩まされていることがわかった。
論文 参考訳（メタデータ） (2023-06-01T17:44:35Z) - Language Models Are Greedy Reasoners: A Systematic Formal Analysis of
Chain-of-Thought [10.524051272257614]
大規模言語モデル(LLM)は、チェーン・オブ・シークレット・プロンプトが与えられた顕著な推論能力を示している。
本稿では, PrOntoQAと呼ばれる合成質問応答データセットを提案し, それぞれの例を合成世界モデルとして生成する。
これにより、生成された連鎖を形式解析の象徴的な証明に解析することができる。
論文 参考訳（メタデータ） (2022-10-03T21:34:32Z)
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。