論文の概要: OR for AI That Does OR: Routing LLMs up the Escalator inside the OSCAR Framework

• arxiv url: http://arxiv.org/abs/2610.00912v1
• Date: Thu, 01 Oct 2026 01:43:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.84339
• Title: OR for AI That Does OR: Routing LLMs up the Escalator inside the OSCAR Framework
• Title（参考訳）: OR for AI that OR: OSCARフレームワーク内のエスカレーターにLLMをルーティングする
• Abstract要約: 大規模言語モデルはビジネス記述を最適化モデルに変換することができるが、実行可能なコードは制約や目的を誤って表現する。 最適化モデリングを繰り返し使用する組織にとって、LLMベースのフレームワークは、正確な定式化を低コストで作成し、理想的には、ローカルで実行する必要がある。 我々はOSCAR (Optimization modeling by Simulator, Coder, and Reviewer) を開発した。
• 参考スコア（独自算出の注目度）: 1.0195618602298682
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models can translate business descriptions into optimization models, but executable code may misrepresent constraints or objectives. A solver can then return an optimal solution to the wrong problem. Even when the solution satisfies the intended operating rules, a better plan may exist. For organizations that repeatedly use optimization modeling, an LLM-based framework should produce accurate formulations at low cost and, ideally, run locally. We study how to verify improvements and allocate attempts across LLMs that differ in price and capability. We develop OSCAR (Optimization modeling by Simulator, Coder, And Reviewer), which uses an offline Simulator certified against labeled decision examples to compare candidates and continues searching beyond feasibility. We model the search for the next certified improvement as sequential decisions under unobserved difficulty: which LLMs to call and when to stop. In a simplified known-prior setting, we give conditions under which cost-ordered escalation is optimal. For general menus, we derive a prior-free competitive guarantee. On five benchmark problems, OSCAR achieves 95% to 100% accuracy at the reported settings using two small open-weight LLMs, each deployable locally on a single GPU. Their single-attempt accuracies average 29% and 48%. In five runs per problem, Codex and Claude Code incur average token costs 3.1 and 5.8 times OSCAR's, respectively. OSCAR supports open-weight models locally or in the cloud, depending on budget and confidentiality requirements. Firms should maintain labeled decision examples of feasible and infeasible decisions to clarify plain-language operating rules. OSCAR follows these labels when an LLM's interpretation conflicts with them. As LLM capabilities and prices change, OSCAR's simple operating rules and adjustable settings help firms adapt their model choices and benefit from these advances.
• Abstract（参考訳）: 大規模言語モデルはビジネス記述を最適化モデルに変換することができるが、実行可能なコードは制約や目的を誤って表現することができる。 解法は、間違った問題に対して最適な解を返すことができる。 ソリューションが意図された運用ルールを満たす場合でも、よりよい計画が存在する可能性がある。 最適化モデリングを繰り返し使用する組織にとって、LLMベースのフレームワークは、正確な定式化を低コストで作成し、理想的には、ローカルで実行する必要がある。 価格と能力の異なるLSMに対して改善の検証と試行を割り当てる方法について検討する。 我々はOSCAR (Optimization modeling by Simulator, Coder, and Reviewer) を開発した。 我々は、次の認定された改善の探索を、LLMがどの呼び出しをいつ停止するかという、観測不能な困難の下でのシーケンシャルな決定としてモデル化する。 単純化された事前設定では、コスト順序付きエスカレーションが最適である条件を与える。 一般的なメニューについては、事前のフリー競争保証を導き出す。 5つのベンチマーク問題において、OSCARは2つの小さなオープンウェイトLDMを使用して報告された設定で95%から100%の精度を達成し、それぞれ1つのGPU上でローカルにデプロイできる。 単行錯誤率は平均29%と48%である。 CodexとClaude Codeの平均トークンは、それぞれOSCARの3.1と5.8倍である。 OSCARは、予算と機密性要件に応じて、ローカルまたはクラウドでオープンウェイトモデルをサポートする。 企業は、平易なオペレーティングルールを明確にするために、実行可能かつ実現不可能な決定の例をラベル付けして保持すべきである。 OSCARは、LLMの解釈がそれらと矛盾する場合にこれらのラベルに従う。 LLMの能力と価格が変わるにつれて、OSCARのシンプルな操作ルールと調整可能な設定は、企業がモデルの選択に適応し、これらの進歩の恩恵を受けるのに役立つ。

関連論文リスト

• Reward-Free Code Alignment from Pretrained or Fine-Tuned LLM: Unpacking the Trade-offs for Code Generation [2.2917707112773593]
  大規模言語モデル(LLM)は、好みのデータを使ってLLMを訓練し、品質基準を満たす出力を生成する。 LLMのコードアライメントが機能要件(実行可能で正しいコードを生成する)と非機能要件(コードの可読性、スタイル、保守性)の両方をサポートするかどうかは不明だ。 コードLLMのアライメントは、ベースで事前訓練されたバージョンから始めるべきか、LLMの微調整バージョン(命令調整バージョン)から始めるべきかも不明である。
  論文  参考訳（メタデータ） (2026-06-27T16:22:22Z)
• Calibrate-Then-Act: Cost-Aware Exploration in LLM Agents [39.79150560622891]
  これらのコスト不確実性トレードオフのバランスを明確に説明するために,LSMを誘導できることが示されています。 我々は、情報検索や符号化を含む複数のタスクを、不確実性の下でのシーケンシャルな意思決定問題として定式化する。 情報探索QAと簡易コーディングタスクの結果から,コスト対効果のトレードオフをCTAと明確にすることは,エージェントがより最適な意思決定戦略を発見するのに役立つことが示唆された。
  論文  参考訳（メタデータ） (2026-02-18T18:46:14Z)
• Improving Code Generation via Small Language Model-as-a-judge [14.067404766521607]
  我々は、コード正当性判断として最先端のSLMをいくつか訓練し、正しい実装と間違った実装を区別する能力を評価する。 現代のSLMは,実行ベース情報を活用することなく,RanEFよりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-02-12T13:07:36Z)
• LLM-Lasso: A Robust Framework for Domain-Informed Feature Selection and Regularization [59.75242204923353]
  LLM-Lassoは大規模言語モデル(LLM)を利用してラッソ回帰における特徴選択を導くフレームワークである。 LLMは各特徴に対してペナルティ因子を生成し、単純でチューニング可能なモデルを用いてラスソペナルティの重みに変換される。 LLMによりより関連づけられた特徴は、より低い罰を受け、最終モデルに保持される可能性を高める。
  論文  参考訳（メタデータ） (2025-02-15T02:55:22Z)
• Delta-CoMe: Training-Free Delta-Compression with Mixed-Precision for Large Language Models [79.46938238953916]
  多様なアプリケーションへの微調整された大規模言語モデル(LLM)は、複雑な要求を満たすために不可欠である。 近年の研究では、微調整LDMをベースモデルと対応するデルタウェイトに分解し、低ランクまたは低ビットのアプローチで圧縮してコストを削減することが示唆されている。 本研究では,従来の低ランク圧縮法と低ビット圧縮法がタスク固有の微調整LDMのモデル性能を著しく損なうことを観察する。
  論文  参考訳（メタデータ） (2024-06-13T07:57:27Z)
• GRACE: Discriminator-Guided Chain-of-Thought Reasoning [75.35436025709049]
  本稿では, 正しい推論手順を導出するために, GRACE (CorrectnEss Discriminator) を用いたチェーン・オブ・シークレット・リAsoningを提案する。 GRACEは、正しいステップと間違ったステップに対して対照的な損失で訓練された判別器を採用しており、復号時に次のステップ候補を採点するために使用される。
  論文  参考訳（メタデータ） (2023-05-24T09:16:51Z)

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。