論文の概要: Where LLMs Fail with Visualization DSLs

• arxiv url: http://arxiv.org/abs/2610.01873v1
• Date: Thu, 01 Oct 2026 15:30:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.226486
• Title: Where LLMs Fail with Visualization DSLs
• Title（参考訳）: LLMが可視化DSLで失敗する場所
• Abstract要約: 3つのLLMに41のタスクを持つ10種類のDSLを評価し、可視化およびレンダリングチェックを用いて生成された仕様を評価し、失敗したケースの定性的なコーディングを行う。 繰り返し発生する4つの障害パターンを特定し、それぞれを特定のDSL特徴にリンクし、将来のDSL設計における設計上の考慮事項について議論する。
• 参考スコア（独自算出の注目度）: 3.0596124551079953
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As LLMs take up the role of authoring charts using visualization domain-specific languages (DSLs), the human constraints that shaped those languages may no longer apply, as what is easy for a person is not necessarily easy for a model. To understand how LLMs might work better with DSLs, we explore where and how they fail with current DSL designs. We evaluate 10 JSON-style visualization DSLs with 41 tasks across 3 LLMs, then assess the generated specifications with JSON and rendering checks, and qualitative coding of failed cases. Analyzing how this specification generation process fails, we identify four recurring failure patterns, link each to specific DSL features, and discuss design considerations for future DSL designs.
• Abstract（参考訳）: LLMが視覚化ドメイン固有言語(DSL)を使用してチャートを作成する役割を担っているため、そのような言語を形成する人間の制約はもはや適用されないかもしれない。 LLMがDSLでどのように機能するかを理解するために、現在のDSL設計で失敗する場所と方法を探る。 3つのLLMに41のタスクを持つ10のJSONスタイルの可視化DSLを評価し、生成された仕様をJSONとレンダリングチェックで評価し、失敗したケースの定性的なコーディングを行いました。 この仕様生成プロセスがどのように失敗するかを分析し、繰り返し発生する4つの障害パターンを特定し、それぞれを特定のDSL機能にリンクし、将来のDSL設計における設計上の考慮について議論する。

関連論文リスト

• LLM as a Neural Architect: Controlled Generation of Image Captioning Models Under Strict API Contracts [48.83701310501069]
  LLM誘導型ニューラルネットワーク探索パイプラインであるNN-Captionを提案する。 LEMURの分類バックボーンからCNNエンコーダを構成することで、実行可能な画像キャプチャモデルを生成する。 この作業では、プロンプトベースのコード生成と自動評価を統合するパイプラインを提示する。
  論文  参考訳（メタデータ） (2025-12-07T10:47:28Z)
• A Survey on LLM-based Code Generation for Low-Resource and Domain-Specific Programming Languages [3.619444603816032]
  LLM(Large Language Models)は、人気のあるプログラミング言語のコード生成機能を示す。 低リソースプログラミング言語(LRPL)とドメイン特化言語(DSL)のパフォーマンスは依然として大きな課題です。 LRPLやDSLは金融や科学といった専門分野の開発効率を高めるため、これらの課題に対処することが不可欠である。
  論文  参考訳（メタデータ） (2024-10-04T23:45:17Z)
• Reasoning on Efficient Knowledge Paths:Knowledge Graph Guides Large Language Model for Domain Question Answering [18.94220625114711]
  大きな言語モデル(LLM)は驚くほどよく機能し、多くのタスクにおいて人間の専門家より優れています。 本稿では,LLMに基づいてKGから推論経路を選択するパイプラインを統合し,最適化する。 また,思考の連鎖(CoT)とページランクに基づく,シンプルで効果的なサブグラフ検索手法を提案する。
  論文  参考訳（メタデータ） (2024-04-16T08:28:16Z)
• TAT-LLM: A Specialized Language Model for Discrete Reasoning over Tabular and Textual Data [73.29220562541204]
  我々は,言語モデル(LLM)の驚くべきパワーを活用して課題を解決することを検討する。 LLaMA2を微調整し,既存のエキスパートアノテートデータセットから自動生成したトレーニングデータを用いてTAT-LLM言語モデルを開発する。
  論文  参考訳（メタデータ） (2024-01-24T04:28:50Z)
• Understanding HTML with Large Language Models [73.92747433749271]
  大規模言語モデル(LLM)は、様々な自然言語タスクにおいて例外的な性能を示している。 我々は,HTML 理解モデル (微調整 LLM ) と,その機能に関する3つのタスクの詳細な分析に貢献する。 本稿では,標準自然言語コーパスで事前訓練されたLLMが,HTML理解タスクに極めて適していることを示す。
  論文  参考訳（メタデータ） (2022-10-08T07:27:17Z)

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。