論文の概要: Should SLMs be in the Driver's Seat? A Study of Local Models as Interpreters in Cloud-Written Agent Programs

• arxiv url: http://arxiv.org/abs/2610.14209v1
• Date: Fri, 09 Oct 2026 18:20:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.021497
• Title: Should SLMs be in the Driver's Seat? A Study of Local Models as Interpreters in Cloud-Written Agent Programs
• Title（参考訳）: SLMは運転席にいるべきか? : クラウド記述エージェントプログラムにおける解釈者としての局所モデルの検討
• Abstract要約: クラウドにホストされた大規模なモデルは、ユーザのプライベートデータを読み取ることによって、ユーザが提供するタスクを解決する。 エッジデバイス上で動かすのに十分な小さなモデルで動くエージェントは、データをローカルに保ちながら、はるかに悪い結果をもたらす。 第3の選択肢は、デバイスが実行するプログラムをクラウドモデルに記述させることである。データはローカルに保持されるが、プログラムがデータを見る前に記述されるため、ステップが実行時にのみ表示されるコンテンツの解釈に依存するたびにフェールする。 クラウドで書かれたプログラムがユーザデータ上の有界質問を通常の関数を通して小さなローカルモデルにフェールする中間アーキテクチャを探索する。
• 参考スコア（独自算出の注目度）: 3.0295800688192434
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The most accurate agents executing user-provided tasks are driven by large, cloud-hosted models, which solve them by reading the private data of the user. Agents powered by models small enough to run on edge devices keep that data local, but yield far worse results. A third option is to have cloud models write a program that devices execute: the data stays local, but as the program is written before any data is seen, it fails whenever a step depends on interpreting content that appears only at run time. We explore an intermediate architecture, in which the cloud-written program defers bounded questions over user data to a small local model through an ordinary function call. On AppWorld this improves the success rate of a code-only agent in all six combinations of backbone model and test partition we evaluate, by up to 14.9pp, recovering a substantial part of the gap to a cloud-hosted ReAct loop while keeping user data on the device.
• Abstract（参考訳）: ユーザが提供するタスクを実行する最も正確なエージェントは、大規模なクラウドホストモデルによって駆動される。 エッジデバイス上で動かすのに十分な小さなモデルで動くエージェントは、データをローカルに保ちながら、はるかに悪い結果をもたらす。 第3の選択肢は、デバイスが実行するプログラムをクラウドモデルに記述させることである。データはローカルに保持されるが、プログラムがデータを見る前に記述されるため、ステップが実行時にのみ表示されるコンテンツの解釈に依存するたびにフェールする。 クラウドで書かれたプログラムが、通常の関数呼び出しを通じて、ユーザデータ上の有界質問を小さなローカルモデルにフェールさせる中間アーキテクチャを探索する。 AppWorldでは、バックボーンモデルとテストパーティションの6つの組み合わせすべてにおいて、コード専用エージェントの成功率が最大14.9pp向上し、ユーザデータをデバイスに保持しながら、クラウドホストされたReActループとのギャップの大部分を回復する。

関連論文リスト

• Anaximander: Interactively Running Geospatial Deep Learning Models on Any Compute Backend [1.9670366504545094]
  本稿では,Anaximanderについて述べる。Anaximanderは,対話型インタフェースの裏側にあるモデルソースを統一し,位置選択を計算するオープンソースシステムである。 システムのバックエンドは、複数の一般的に使用されているソースからモデルをロードし、アクセス可能な任意の計算バックエンドでそれらを提供する推論サーバである。 本研究は,農業分野のデライン化作業における3つの異種モデルのコードフリー・サイド・バイ・サイド比較で実演する。
  論文  参考訳（メタデータ） (2026-10-06T20:31:38Z)
• AgBench: Agentic AI Benchmarks for Personal AI Devices [4.187015490920239]
  エージェントAIシステムは、計画、ツールの使用、反復実行のために、クラウドでホストされた大きな言語モデルにますます依存している。 既存のベンチマークは、デバイス、ワークロード、デプロイメントアーキテクチャ間のトレードオフを体系的に特徴付けるには不十分である。 我々は、パーソナルデバイス上でのエージェントAIの再現可能な評価のためのベンチマークスイートとオープンアーティファクトであるAgBenchを紹介する。
  論文  参考訳（メタデータ） (2026-09-29T23:18:37Z)
• AutoDataBench: Can Agents Write the Data That Feeds the Self-Improvement Loop? [62.41600992806851]
  エージェントがそのようなタスクを書く能力の現在の評価は、エージェントが生成したもののトレーニング後にモデルがどのように機能するかを測定する。 既存の評価では、個々のタスクがデータパイプラインの受け入れ基準を満たすかどうかを問わない。 AutoDataBenchは、自律データ合成のためのエージェントの能力を直接測定する。
  論文  参考訳（メタデータ） (2026-09-28T12:24:21Z)
• Agentic coding without the cloud: evaluating open-weight large language models on longitudinal data preparation tasks [0.0]
  大規模言語モデル(LLM)とエージェントは現在、コード開発で広く使われている。 個人データを用いた研究における彼らの採用は、一般的に外部サービスへのデータ転送を禁止しているガバナンス要件によって制限されている。 我々は,オープンウェイトLSMを用いたAIエージェントの有効性を評価するためのオープンソースフレームワークを,長手集団研究における最も永続的なボトルネックの1つとして紹介する。
  論文  参考訳（メタデータ） (2026-07-23T16:23:42Z)
• GenQA: Generating Millions of Instructions from a Handful of Prompts [67.54980063851605]
  ほとんどの公開命令微調整データセットは、業界モデルをトレーニングするために使用されるクローズドソースデータセットと比較して比較的小さい。 本研究では,1つのプロンプトから大規模命令データセットを生成する手法について検討する。 我々のデータセットは、知識集約型リーダーボードタスクと会話評価の両方で、WizardLMとUltrachatの両方に遭遇または超過します。
  論文  参考訳（メタデータ） (2024-06-14T17:44:08Z)
• Partial Federated Learning [26.357723187375665]
  Federated Learning(FL)は、エッジデバイスに制約されたユーザデータに基づいて機械学習モデルをトレーニングする一般的なアルゴリズムである。 そこで我々は、機械学習モデルに、データのサブセットをサーバに提供可能なデータを用いてトレーニングする、Partial Federated Learning (PartialFL) と呼ばれる新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-03T21:04:36Z)
• Pushing the Limits of Pre-training for Time Series Forecasting in the CloudOps Domain [54.67888148566323]
  クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。 強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。 これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
  論文  参考訳（メタデータ） (2023-10-08T08:09:51Z)
• DUET: A Tuning-Free Device-Cloud Collaborative Parameters Generation Framework for Efficient Device Model Generalization [66.27399823422665]
  デバイスモデル一般化(Device Model Generalization, DMG)は、デバイス上での機械学習アプリケーションにおいて、実用的ながら実証されていない研究トピックである。 本稿では,Device-cloUdコラボレーティブパラメトリクスフレームワークDUETを提案する。
  論文  参考訳（メタデータ） (2022-09-12T13:26:26Z)

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。