Fugu-MT 論文翻訳(概要): Settle: Learning When to Stop Reasoning

論文の概要: Settle: Learning When to Stop Reasoning

arxiv url: http://arxiv.org/abs/2609.38997v1
Date: Wed, 30 Sep 2026 05:12:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-01 18:57:27.204741
Title: Settle: Learning When to Stop Reasoning
Title（参考訳）: 落ち着く - いつ推論をやめるかを学ぶ
Abstract要約: Settle氏は、完了したトレースで回答の安定性を止める方法を学ぶ。 Qwen3-4B の MATH-500 では、セトルはトークン数を 0.5 ポイントの精度で 40% 削減する。
参考スコア（独自算出の注目度）: 9.608752144616842
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Reasoning models often continue generating after their answers have settled. Settle learns when to stop from answer stability in completed traces. It trains the existing end-of-reasoning token while keeping other predictions close to the base model, and requires only ordinary decoding at inference. On MATH-500 with Qwen3-4B, Settle reduces token count by 40% with a 0.5-percentage-point decrease in accuracy. It gains 6.16 percentage points over supervised fine-tuning on the same traces shortened at their first stable answer, at nearly identical token counts. Its stopping score predicts whether a correct answer will remain correct. Settle extends the accuracy-token-count Pareto frontier of the evaluated stopping methods.
Abstract（参考訳）: 推論モデルは、回答が解決した後も生成し続けます。 Settle氏は、完了したトレースで回答の安定性を止める方法を学ぶ。既存の終端トークンをトレーニングし、他の予測をベースモデルに近く保ち、推論時に通常の復号化しか必要としない。 Qwen3-4B の MATH-500 では、セトルはトークン数を 0.5 ポイントの精度で 40% 削減する。ほぼ同じトークン数で、最初の安定解で短縮された同じトレースの教師付き微調整で6.16ポイントを得る。その停止スコアは正しい答えが正しいかどうかを予測する。 Settleは、評価された停止方法の精度とカウントのParetoフロンティアを拡張している。

関連論文リスト

Probability is Not Enough: Exploring and Counting Divergent Tokens for Reasoning Uncertainty Quantification in LLMs [19.305400976811107]
大規模言語モデルの信頼性を推定する現在の手法は、一般に選択されたキートークンの確率に基づいている。 2つのモデルが強く反対するトークンを数えることによって信頼性を推定するフレームワークであるDivergent Token Confidence(DTC)を紹介する。
論文参考訳（メタデータ） (2026-09-29T17:33:36Z)
Shorter Reasoning, Earlier Answers? An Evaluation of Reasoning Interfaces [4.821442958610436]
大規模な言語モデルは、答えの前に長さを推論し、コストとレイテンシを増大させる。 GPQAダイヤモンド198問とMMLU-Pro500問を比較検討した。
論文参考訳（メタデータ） (2026-08-04T09:54:37Z)
Stage-Replay Divergence Follows the KV Cache: Fixed-Prefix Precision Controls and Bidirectional Cache Transplantation [51.56484100374058]
Stage-replayは中間トークンプレフィックスを再構築し、プレフィックスに最初に到達したデコーダ状態からの継続として、新しいプリフィル継続を処理する。一致した200itemの実験では、保持されたライブキャッシュと同一の整数トークンのワンショットプリフィルを比較し、両側に正確なレプリカを配置する。
論文参考訳（メタデータ） (2026-07-30T16:41:40Z)
Think Again or Think Longer? Selective Verification for Budget-Aware Reasoning [15.231928045776293]
sevraは、凍結したソルバの初期応答を保存するか、アクティブな検証を実行するかを決定するサーブレイヤーコントローラである。数学では、選択的検証は76.3%の精度で行われ、検証は常に75.5%である。 CommonsenseQAでは、常時オンの検証が問題になり、Self-Consistency@5では、実現したトークンコストの約5倍の精度が向上する。
論文参考訳（メタデータ） (2026-06-18T05:25:43Z)
Understanding and Mitigating Premature Confidence for Better LLM Reasoning [76.16007941549857]
現在の言語モデルからの思考の長い連鎖(CoT)は、しばしば論理的ギャップと不正な跳躍を含んでいる。このような信号は、モデルの信頼性が推論中にどのように進化するかを示す。これは、モデルを早期にコミットするのではなく、理由によってモデルの信頼性を更新するように訓練する強化学習の目標です。
論文参考訳（メタデータ） (2026-05-23T04:42:45Z)
CEPO: RLVR Self-Distillation using Contrastive Evidence Policy Optimization [50.59956036193097]
検証可能な報酬(RLVR)を用いた強化学習における正しい解を生成するモデル各トークンは、決定的な推論ステップであれ、文法的なフィラーであれ、同じ報酬信号を受信する。コントラストエビデンスポリシー最適化(CEPO)を提案する。 CEPOは、全てのトークンに対してよりシャープな質問をする:「正しい答えは、このトークンを好むか?」が、「正しい答えは、正しい答えは、それを好む一方で、間違った答えはそれを好まないか?」。
論文参考訳（メタデータ） (2026-05-19T06:46:19Z)
Rethinking Dense Sequential Chains: Reasoning Language Models Can Extract Answers from Sparse, Order-Shuffling Chain-of-Thoughts [51.84894623128418]
現代の推論言語モデルは、すべてのトークンが寄与し、ステップを順番に消費しなければならないと暗黙的に仮定して、シーケンシャルな連鎖トレースを生成する。我々は、モデル生成推論連鎖に適用した、系統的な介入パイプライン、除去、マスキング、シャッフル、ノイズ注入により、両方の仮定に挑戦する。解答抽出は, スパース, 秩序不感, 構造的に堅牢な情報基板上で行う。
論文参考訳（メタデータ） (2026-05-08T06:15:50Z)
Large Language Models Decide Early and Explain Later [47.20810161393936]
本研究では, 強制解の完成度を用いた推理段階における予測解の進化について検討する。プローブベースの停止を含むシンプルさは、クエリ毎の推論トークン使用量を500トークン削減できることを示す。
論文参考訳（メタデータ） (2026-04-24T06:26:24Z)
LYNX: Learning Dynamic Exits for Confidence-Controlled Reasoning [15.597220136913258]
LYNXはオンラインのアーリーエグジットメカニズムで、モデル自身の隠れ状態の認識を信頼性制御による停止決定に変換する。一般的な数学的コーパスで一度このプローブをトレーニングして校正し、ベンチマーク、復号化温度、さらには非数学的なタスクで再利用します。
論文参考訳（メタデータ） (2025-12-05T00:04:42Z)
Think-at-Hard: Selective Latent Iterations to Improve Reasoning Language Models [22.525318796588568]
シンク・アット・ハード(Think-at-Hard, TaH)は、ハードトークンでのみ深く反復する動的潜在思考法である。 TaHは5つの挑戦的なベンチマークで推論のパフォーマンスを向上する。
論文参考訳（メタデータ） (2025-11-11T18:57:02Z)
Prune Spatio-temporal Tokens by Semantic-aware Temporal Accumulation [89.88214896713846]
STAスコアは、時間的冗長性と意味的重要性の2つの重要な要因を考慮に入れている。市販のビデオトランスフォーマーとビデオウィンにSTAモジュールを適用する。結果: Kinetics-400 と something-Something V2 は 30% のオーバーシェルフ削減を実現し,0.2% の精度低下を実現した。
論文参考訳（メタデータ） (2023-08-08T19:38:15Z)

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。