論文の概要: When Should Enterprise Policy Decisions Be Learned, and When Should They Be Reasoned?
- arxiv url: http://arxiv.org/abs/2610.17643v1
- Date: Tue, 13 Oct 2026 03:14:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.497284
- Title: When Should Enterprise Policy Decisions Be Learned, and When Should They Be Reasoned?
- Title（参考訳）: 企業方針決定はいつ学ぶべきで、いつ再検討されるべきなのか?
- Abstract要約: 書面された方針の下で回答する企業エージェントは、何かを言う前に行動を選択する必要がある。
決定が生成されたオブジェクトか、あるいは単一の制約付きトークンであるか、モデルが最初に理由付けするかどうかが異なります。
2800件のin-distribution項目では,2つの配置パスの精度差を検出できなかった。
- 参考スコア（独自算出の注目度）: 9.875772420350168
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An enterprise agent that answers under a written policy must choose an action before it says anything: answer, ask for a missing fact, ask for confirmation, call one or several tools, escalate, or refuse. Holding one 27B Korean enterprise model fixed, we vary whether the decision is a generated JSON object or a single constrained token, and whether the model may reason first. On 2800 in-distribution items we did not detect an accuracy difference between the two deployed paths (93.46% vs 94.14%), while they differ about tenfold in restart stability (3.00% of actions flip vs 0.29%); they also differ in reasoning, so this is an operational comparison. On a sealed benchmark of 300 items whose labels come from a hidden executable policy, reasoning is worth +17.3 points [+12.3, +23.0] on exact action. With reasoning off, the format difference was 0.0 points [-4.3, +4.0], a failure to detect an advantage for either interface, not equivalence; with reasoning on it is unresolved. Against a token-matched random control, boundary-targeted supervision moves the two covered boundaries by +17.5 and +20.0 points and leaves a held-out boundary unchanged. In a 3-seed training x reasoning factorial, the sealed-rendering interaction is -4.9 [-8.1, -1.7], consistent with partial substitution. All supervision was Korean. On independently rendered English versions, the model is 0.82 points lower [-2.68, +0.93] with reasoning on, the same order as re-rendering in Korean; the reasoning-off gain from targeted supervision is not stable in either language, so we do not claim transfer. The original text stays private as the confirmatory set. An open-model re-rendering made after these results reproduced the reasoning effect and the English verdict; the interaction kept its sign but did not replicate under item-clustered intervals. We release the model and that re-rendering with gold labels.
- Abstract（参考訳）: 書面されたポリシーの下で回答するエンタープライズエージェントは、何かに答える前にアクションを選択する必要がある: 答え、行方不明の事実を尋ねる、確認を求める、あるいは複数のツールを呼び出す、エスカレートする、拒否する。
27B韓国のエンタープライズモデルを1つ固定しておくと、決定が生成されたJSONオブジェクトであるか、単一の制約付きトークンであるか、モデルが最初に理由になるかどうかが異なります。
2800のin-distriionアイテムでは、2つの配置されたパスの精度差(93.46%対94.14%)は検出されなかったが、再起動安定性の10倍(3.00%対0.29%)が異なる。
ラベルが隠された実行可能ポリシーから来る300項目の封印されたベンチマークでは、正確なアクションに対して +17.3 ポイント[+12.3, +23.0] の価値がある。
推論をオフにすると、フォーマットの違いは0.0点[-4.3, +4.0]であり、等価性ではなく、いずれのインターフェースの利点も検出できない。
トークンマッチングされたランダム制御に対して、境界対象の監督は2つのカバー境界を+17.5と+20.0で移動させ、保持された境界は変わらない。
3シードのトレーニングx推論因子では、封印されたレンダリング相互作用は-4.9[-8.1, -1.7]であり、部分置換と一致する。
監督はすべて朝鮮人であった。
独立に翻訳された英語版では、このモデルは、韓国語で再レンダリングするのと同じ順序で、[-2.68, +0.93]よりも0.82ポイント低い [-2.68, +0.93]。
原文は校正セットとして非公開のままである。
これらの結果の後に行われたオープンモデルの再レンダリングは、推論効果と英語の評定を再現した。
モデルをリリースし、ゴールドレーベルで再レンダリングします。
関連論文リスト
- Off-Target Effects of Response-Style Alignment in a Korean 27B Language Model [2.8678936590409028]
本研究の目的は,不明瞭な社会的質問の棄却と証券ガイダンスの未公表の2つの行動を測定することである。
一致したターゲットフォームコントロールは、回答の妥当性がトレーニング対象に依存していることを示し、プロンプトセットやレシピのみに依存しない。
論文 参考訳（メタデータ） (2026-09-10T09:23:04Z) - Part Grounding, Not Action Knowledge: Locating the Bottleneck in VLM Affordance Prediction [0.0]
3人の開発者を対象にした8つのモデルと、ロボットが適用すべき動きについて尋ねます。
オープンプロンプトの下で、プッシュは64評価で1度生成され、19のオブジェクトのうち8つが正しいにもかかわらず、提案されたラベルセットに毎回表示される。
目標部分を命名すると、各モデルのアクション精度が0.158-0.474から0.684-0.947に0.32から0.63に上昇し、0-1/8から7-8/8にリコールされる。
オープンプロンプトの下のイメージを無視する一定の答えを負うモデルは存在しない。
論文 参考訳（メタデータ） (2026-09-01T05:03:51Z) - PROOF: Profiling Reliability of Object-Level Facts in Large Language Models [33.72751145910978]
PROOFは、命令調整言語モデルにおける事実カバレッジのためのプロファイル指向のベンチマークである。
各質問には、明示的な"I don't know"オプション、"No correct option"コントロール、および9つの制御された定式化がある。
我々は166,374個のオープンウェイトモデル配置を18個のオープンウェイトモデル配置で評価し,各プロンプトと固定10%のサブセットで個別にパーターブデコーディングを行う。
論文 参考訳（メタデータ） (2026-08-24T17:13:25Z) - Similarity Gates Approve Reversals: A Validity Audit of Embedding-Cosine Thresholds in Agent Systems [0.0]
エージェントフレームワークは、テキストブロックを埋め込みコサインの類似性によって比較し、固定されたカットオフを決定する品質ゲートを出荷する。
重複フィルタ、セマンティックキャッシュ、ドリフトガード、応答グレーダゲートは、質問に答えるために配置されます。
我々はこのゲートクラスを測定器として監査する。
論文 参考訳（メタデータ） (2026-08-10T20:36:40Z) - Privileged Likelihood Is Not Automatically Value: Three Checks for Token Credit in On-Policy Self-Distillation [41.01488608247856]
アウトカム検証器は、完了した推論トレースをスコアするが、中間トークンにクレジットを割り当てない。
原始的な自己蒸留は、モデル自身のロールアウトをトレーニング専用の情報で再現することで、このギャップを埋めようとする。
スコアがより良い行動を追跡するか、フィードバック構築が比較対象を変えるか、トレーニング損失が強化されるか、という3つの質問を分離する。
論文 参考訳（メタデータ） (2026-08-10T08:18:48Z) - Visual Credit Audit for Multimodal Spatial Reasoning [70.16915309526443]
Visual Credit Auditは、ベンチマーク画像がテキストのみとブランクコントロールよりもモデルの宣言された決定をもっとサポートするかどうか、モデルが関係性固有の視覚的エビデンスに反応するかどうかの2つの評価を分離する。
ラベルを適用すれば依存性認定正当性(D-CC)が得られる
4つのオープンMLLMと2つの空間ベンチマーク、12.73-26.25%の判定は正確であるが、証明されていない。
論文 参考訳（メタデータ） (2026-07-29T15:55:31Z) - Abliteration Is Not a Scalpel: Off-Target Effects of Refusal Removal on Decision Disposition Across Model Families [51.56484100374058]
放棄 — モデルの拒絶方向を重みから取り除く — は、一般的な"アンセンソルド"なオープンウェイトモデルの標準的なレシピである。
ディスポジションプローブとして21,600個の決定を不確実性の下で使用し、凍結パイプラインを通じて再生することにより、決定層モデルが唯一の変数となる。
3つのエフェクトは2つのファミリーにまたがって複製される(ゼロを除く週間クラスターCI)
4つ目の効果は符号を逆転する:同じ操作によりGemmaで読み取られた方が自信が弱まり、Qwenで読み取られたものがより多くなる(ファミリーCIは重複しない)。
論文 参考訳（メタデータ） (2026-07-19T22:27:00Z) - Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。
個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。
構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
論文 参考訳（メタデータ） (2026-05-15T17:08:27Z) - 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)
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。