論文の概要: DimSteer: Steering LLM Authoring with Automatically Discovered Stylistic Controls

• arxiv url: http://arxiv.org/abs/2610.04174v1
• Date: Sat, 03 Oct 2026 00:28:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-12 19:38:43.388533
• Title: DimSteer: Steering LLM Authoring with Automatically Discovered Stylistic Controls
• Title（参考訳）: DimSteer: 自動ストリスティック制御によるLCMオーサリング
• Abstract要約: DimSteerは、プロンプトローカルな補完をサンプリングするオーサリングインターフェースである。 ユーザーは発見された次元を操作でき、各スタイリスティックな調整のためにプロンプトを変更する必要がなくなる。
• 参考スコア（独自算出の注目度）: 3.5808917363708734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model writing interfaces often make users steer outputs by repeatedly articulating desired changes in natural language. Yet writers may recognize useful stylistic directions only after seeing alternatives, making revision recall-heavy. We present DimSteer, an authoring interface that samples prompt-local completions, discovers high-variance activation-space axes of variation, labels them, and exposes them as sliders with pole previews, diff comparison, and reset controls. Users can manipulate discovered dimensions, reducing the need to reformulate prompts for each stylistic adjustment. In a within-subjects study with 16 participants against a matched prompt-only baseline, DimSteer reduced mental demand, effort, and frustration while preserving comparable perceived success. Participants valued the surfaced dimensions, yet 15 of 16 disagreed that they would have thought to request the same changes in a prompt. Results suggest prompt-local controls can shift LLM authoring from recall-based prompting toward recognition-based exploration and direct manipulation, while preserving prompting for open-ended edits.
• Abstract（参考訳）: 大規模な言語モデル記述インタフェースは、しばしば自然言語の望ましい変更を繰り返し強調することにより、ユーザーが出力を制御できるようにする。 しかし、ライターは代替案を見た後にのみ有用なスタイルの方向性を認識し、リフレッシュ・ヘビーにすることができる。 提案するオーサリングインタフェースであるDimSteerは,迅速な局所補完をサンプリングし,変動の高分散活性化空間軸を発見し,ラベル付けし,ポールプレビュー,差分比較,リセット制御を備えたスライダとして公開する。 ユーザーは発見された次元を操作でき、各スタイリスティックな調整のためにプロンプトを変更する必要がなくなる。 一致したプロンプトのみのベースラインに対する16人の被験者による内的調査では、DimSteerは、同等の成功を保ちながら、精神的な要求、努力、フラストレーションを減らした。 参加者は表面の寸法を評価したが、16人中15人は、プロンプトで同じ変化を要求すると考えただろうと反対した。 その結果、プロンプトローカル制御は、LLMオーサリングをリコールベースのプロンプトから、認識ベースの探索と直接操作へとシフトし、オープンな編集のプロンプトを保存できることが示唆された。

関連論文リスト

• Position: Vector Prompt Interfaces Should Be Exposed to Enable Customization of Large Language Models [79.63399445098759]
  テキストのみのプロンプトは、スケーラブルで安定的で推論のみのカスタマイズに適した制御インターフェースを構成していない、と我々は主張する。 標準ブラックボックス脅威モデルにおいて,ベクトルプロンプトの露出がモデル漏洩リスクを根本的に増大させる必要はない理由を論じる。
  論文  参考訳（メタデータ） (2026-03-04T17:08:47Z)
• Rethinking Prompt Design for Inference-time Scaling in Text-to-Visual Generation [63.042451267669485]
  Inference-time Scaling のための Prompt Redesign を提案する。これは、拡張された視覚世代に対応するために、推論中にプロンプトを適応的に修正するフレームワークである。 そこで我々は,素早い属性と生成した視覚の微粒化レベルでのアライメントを評価する,新しい検証手法である要素レベルの事実補正を導入する。 テキスト・ツー・イメージ・ベンチマークとテキスト・ツー・ビデオ・ベンチマークによる実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2025-12-03T07:54:05Z)
• SGDiff: Scene Graph Guided Diffusion Model for Image Collaborative SegCaptioning [53.638998508418545]
  本稿では,画像の協調とキャプション'(セグキャプション)を新たに導入する。 SegCaptioningは、オブジェクトを囲むバウンディングボックスのような直接的なプロンプトを、(カプセル、マスク)ペアで表されるさまざまな意味解釈に変換することを目的としている。 このタスクは、ユーザの意図を最小限のプロンプトから正確に把握し、同時に複数の意味的に整列したキャプションワードとマスクを予測するなど、大きな課題を生じさせる。
  論文  参考訳（メタデータ） (2025-12-01T18:33:04Z)
• Say It Another Way: Auditing LLMs with a User-Grounded Automated Paraphrasing Framework [17.91981142492207]
  本稿では,ユーザ行動に根ざした制御されたフレーズを生成するフレームワークであるAUGMENTを紹介する。 AUGMENTは言語的に情報を得た規則を活用し、命令の順守、意味的類似性、リアリズムのチェックを通じて品質を強制する。 ケーススタディでは、制御されたパラフレーズは、制約のない変動の下で隠されたままの系統的な弱点を明らかにする。
  論文  参考訳（メタデータ） (2025-05-06T14:17:30Z)
• Eliciting Human Preferences with Language Models [56.68637202313052]
  言語モデル(LM)は、ラベル付き例や自然言語のプロンプトを使用してターゲットタスクを実行するように指示することができる。 タスク仕様プロセスのガイドには*LM自身を使うことを提案します。 我々は、メール検証、コンテンツレコメンデーション、道徳的推論の3つの領域でGATEを研究している。
  論文  参考訳（メタデータ） (2023-10-17T21:11:21Z)
• ABScribe: Rapid Exploration & Organization of Multiple Writing Variations in Human-AI Co-Writing Tasks using Large Language Models [24.825435085579937]
  ABScribeは、迅速かつ視覚的に構造化され、探索され、書込みのバリエーションの組織化をサポートするインタフェースである。 ABScribeでは、再利用可能なボタンに自動変換されるLSMプロンプトを使用して、変更を迅速に修正することができる。 変化はテキストフィールドに隣接して格納され、ポップアップツールバー上のマウスオーバーインタラクションを用いた高速なインプレース比較を行う。
  論文  参考訳（メタデータ） (2023-09-29T20:11:15Z)
• TEMPERA: Test-Time Prompting via Reinforcement Learning [57.48657629588436]
  強化学習(TEMPERA)を用いたテスト時間プロンプト編集を提案する。 従来のプロンプト生成手法とは対照的に、TEMPERAは事前知識を効率的に活用することができる。 本手法は従来の微調整法と比較して試料効率の平均改善率を5.33倍に向上させる。
  論文  参考訳（メタデータ） (2022-11-21T22:38:20Z)
• Interactive and Visual Prompt Engineering for Ad-hoc Task Adaptation with Large Language Models [116.25562358482962]
  最先端のニューラルネットワークモデルは、教師付きトレーニングを必要とせずに、アドホックな言語タスクを解決するために使用することができる。 PromptIDEを使えば、ユーザはプロンプトのバリエーションを試すことができ、プロンプトのパフォーマンスを視覚化し、反復的にプロンプトを最適化できる。
  論文  参考訳（メタデータ） (2022-08-16T17:17:53Z)

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。