論文の概要: Verification Turns Capability Gaps into Routing Decisions: Small Language Models for Clinical Documentation
- arxiv url: http://arxiv.org/abs/2610.19169v1
- Date: Tue, 13 Oct 2026 20:34:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.80353
- Title: Verification Turns Capability Gaps into Routing Decisions: Small Language Models for Clinical Documentation
- Title（参考訳）: 検証は機能ギャップを経路決定に変換する: 臨床文書化のための小さな言語モデル
- Abstract要約: 医師-患者対話による臨床ノート生成は高用量および幻覚消失である。
エージェントのエンフェリフィケーションアーキテクチャが、ジェネレータスケールではなく、ここで小さな言語モデルを実現することができるかどうかを問う。
- 参考スコア（独自算出の注目度）: 0.10874100424278173
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clinical note generation from doctor--patient dialogue is high-volume and hallucination-intolerant: a fabricated laboratory value can create patient-safety risk, not a quality regression. We ask whether an agentic \emph{verification} architecture, rather than generator scale, can make a small language model viable here. Holding a four-evaluator verification stack and refinement policy fixed and swapping only the generator between a 4B-parameter model with a QLoRA adapter and a frontier baseline, the small model reaches $0.984$ claim-level factual entailment against $0.992$ and comes within $3.3$ points on completeness, generating entirely on-device. Its deficit is confined to \emph{inter-section structural fidelity}---arrangement rather than clinical comprehension, and the axis on which it also falls furthest below the corpus's reference notes. Because that deficit is an explicit verifier decision rather than a silent quality difference, it becomes a routing policy: run the small model by default, escalate what the verifier rejects. Measured end to end, that it achieved a similiar verified-rate acceptance to the frontier-only acceptance in this test set ($99.6\%$ vs.\ $98.4\%$ over $250$ encounters) while routing $62$, documenting three quarters without a frontier \emph{generation} call. Ablating the loop separates architecture from scale: unrefined, the small model is accepted on $26.8\%$ of encounters and the frontier model on $74.8\%$, so verification does the most work where the generator is weakest. We also contribute section-scoped refinement, which preserves unflagged sections by construction rather than instruction, and find the baseline is not uniformly stronger---its provider refused two trauma-related transcripts the on-device model handled and certified, one facet of a provider dependency a served adapter does not carry.
- Abstract（参考訳）: 医師-患者対話による臨床ノート生成は、高量かつ幻覚検査であり、製造された実験室の価値は、品質の低下ではなく、患者-安全リスクを生み出す可能性がある。
我々は、ジェネレータスケールではなく、エージェント型 \emph{verification} アーキテクチャが、ここで小さな言語モデルを実現することができるかどうかを問う。
4つの評価器の検証スタックと修正ポリシーを固定し、4BパラメータモデルとQLoRAアダプタとフロンティアベースラインの間でジェネレータのみを交換することで、小さなモデルは0.984$のクレームレベルの事実的制限を0.992$に対して達成し、完全性で3.3ドルの範囲内となり、完全にデバイス上で生成される。
その欠陥は臨床的理解よりも「emph{inter-section structure fidelity}--アレンジメント」に限られており、その軸もコーパスの基準値より下にある。
この欠陥はサイレントな品質差というよりも明確な検証者決定であるので、ルーティングポリシーとなり、小さなモデルをデフォルトで実行し、検証者が拒否するものをエスカレートする。
最終的に、このテストセットでのフロンティアのみの受け入れ(99.6\%対..........)に対して、シリアルな検証レートの受け入れを達成した。
980.4\%$$250$オーバーの出会い) と 62$ をルーティングし、フロンティアの 'emph{gene} コールなしで4分の3を記録します。
ループはアーキテクチャをスケールから分離する:未精製で、小さなモデルは26.8 %$で、フロンティアモデルは74.8 %$で受け入れられる。
また, 提案手法は, 使用済みアダプタが持たないプロバイダ依存性の1面である, デバイス上で処理し, 認証した2つのトラウマ関連転写文を拒絶した。
関連論文リスト
- FUSE: An Evaluating Framework for Dangerous Capabilities of LLMs [24.30721158142313]
フラグメンテッド安全評価は、危険なAI機能のガバナンスを損なう。
Knowledge、Defense、Harmの3つの直交パイプラインを通して各モデルを評価するモジュラーフレームワークを提案する。
最初のコントリビューションは、モデルとモデルファミリ間の危険能力の水平比較です。
モデルリリース日に対する$K$、$D$、および$H$の追跡は、危険な能力が単調に低下していないことを示している。
論文 参考訳（メタデータ） (2026-09-02T06:31:39Z) - Structure for Reading, Prose for Writing: Asymmetric Structural Conditioning in Multi-Agent Document Authoring [7.404990869677114]
形式文書を執筆するマルチエージェントパイプラインは、要求者のフォームを読み取って、それに対して書き込まなければならない。
我々は,独立性制約の下でオープンウェイトモデルを実行し,同じ組織が提出した人手による入札に対して評価する,デプロイされたテンダーレスポンスシステムについて報告する。
システムが有効に機能していない盲目比較では、審査員は答えを最低でも40ドル(約4万4000円)、50ドル(約5万5000円)の地味なセクションで評価した。
論文 参考訳（メタデータ） (2026-08-21T06:57:46Z) - Located but Not Releasable: Silent Gate Inversion and Bounded Linear Release [0.0]
完全なパイプライン -- 検出、ローカライズ、リリース -- を、25.7Mトランス上で完全に事前登録されたストレステストに送信します。
中層層の観測エビデンスチャネルでの干渉は、他の抑圧された世界における標的の挙動を復元する。
配当外のキャリブレーションをゼロにするために調整された検出器は、6.9-7.3%の配当前の世代と、実際にそれを必要とする2,400世代のうちゼロにトリガーをトリガーする。
論文 参考訳（メタデータ） (2026-08-12T09:04:54Z) - One Human, $N$ Agents: Audit-Budget Allocation for LLM Agent Fleets under Miscalibrated, Correlated Confidence [41.99844472131922]
一人の人間が1ラウンド当たり$N$ LLMエージェントを予算$B ll N$監査で監査しなければならない。
我々はこれを、2段階のガウス的コーパスに対する予算付きノイズ検査としてモデル化し、信頼度の高い監査がランダムである場合の誤校正しきい値($*$過去)を特定する。
論文 参考訳（メタデータ） (2026-07-30T14:52:36Z) - Resist and Update: Counterfactual Report Coordinates for Incentive-Compatible LLMs [4.721990925113432]
修飾言語モデルは、非証拠的な圧力下で定期的に誤レポートされる。
我々は2つの要求を調査し、抵抗(不当な圧力)と更新(認可された証拠をフォロー)する。
低ランクレポートのコーディネートを慎重にローカライズして,回答,信頼,注意を喚起する。
論文 参考訳（メタデータ） (2026-07-14T17:28:25Z) - 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) - What Do EEG Foundation Models Capture from Human Brain Signals? [64.48249643001402]
現代の脳波基礎モデルは、自己教師付き事前訓練を通じて生信号から直接学習する。
我々は3つのサブクエストに分解する: モデルが何を学習するか、モデルを何に使用するのか、そしてどのように説明できるのか。
3つの基礎モデル(CSBrain, CBraMod, LaBraM),5つの臨床タスク(MDD, Stress, ISRUC-Sleep, TUSL, Siena)と6ファミリー63機能レキシコンを含む。
論文 参考訳（メタデータ） (2026-05-12T01:57:53Z) - One Token Away from Collapse: The Fragility of Instruction-Tuned Helpfulness [12.183451602438753]
単純な語彙制約(句読解文字または共通単語の禁止)により、命令調整されたLLMが応答を崩壊させることを示す。
ベースモデルでは,同じ制約の下で,小さな,騒々しい,双方向的な効果を伴って,体系的な崩壊を示さないことを示す。
論文 参考訳（メタデータ） (2026-04-14T17:40:01Z) - From Black Box to Glass Box: Cross-Model ASR Disagreement to Prioto Review in Ambient AI Scribe Documentation [43.148402136307716]
異種ASRシステム間のクロスモデル不一致は、基準のない不確実性信号として機能する。
商用APIとオープンソースエンジンにまたがる8つのASRシステムを備えた,50の公開医療用オーディオクリップを転写した。
低アグリメント領域は内容の不一致に富み、高リスク質量のクインタイル全体では53.9%から73.9%に増加した。
論文 参考訳（メタデータ） (2026-03-02T13:02:13Z) - Phase Transition for Budgeted Multi-Agent Synergy [41.486076708302456]
マルチエージェントシステムは信頼性を向上させることができるが、固定された推論予算の下では、しばしば役立つか、飽和するか、崩壊するかさえある。
我々は、現代のエージェントスタックの3つの束縛制約からこれらの状態を予測する最小限の校正可能な理論を開発する。
論文 参考訳（メタデータ） (2026-01-24T05:32:50Z)
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。