論文の概要: What You Sign Is Not What You Run: The Verifiability Gap in Quantized LLM Supply Chains

• arxiv url: http://arxiv.org/abs/2610.19498v1
• Date: Wed, 14 Oct 2026 03:16:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.93359
• Title: What You Sign Is Not What You Run: The Verifiability Gap in Quantized LLM Supply Chains
• Title（参考訳）: 量子化LDMのサプライチェーンにおける検証可能性のギャップ
• Abstract要約: Independent Verifiability Rate (IVR)は、サードパーティがビット・フォー・ビットを導出できる人気サンプルGGUFエコシステムのごく一部である。 E は必要座標であり、一方のコンパイラ設定は、テスト対象のプラットフォームに対して、無視できる品質のコストで独自の出力を出力することを示す。
• 参考スコア（独自算出の注目度）: 0.6159133786557903
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Model signing authenticates the full-precision weights W an LLM is released with, yet users run a quantized artifact Q whose producing transformation is not uniquely determined under current disclosure. We separate the non-environment inputs from the execution environment E and measure a quantity that, to our knowledge, has not been measured before: the Independent Verifiability Rate (IVR), the fraction of a popularity-sampled GGUF ecosystem that a third party can re-derive bit-for-bit. Across the 200 most-downloaded Hugging Face GGUF repositories (198 in scope), no artifact or model card records the build environment, so under a recorded-inputs protocol the IVR is 0/198. Yet the artifacts are not irreproducible. On four in-sample repositories that disclose their inputs, the card's information alone reproduces no Q4_K_M file, but two coordinates the card omits - the build's floating-point-contraction setting and, for hybrid models, the per-tensor quantization recipe - re-derive 7/8 target-quant files bit-for-bit on x86 (5/8 on arm64); the fp16 re-derives from the provider's checkpoint, but the calibration imatrix must be shipped and hash-bound, since recomputing it did not match. An older release additionally pins the instruction set and did not re-derive. Reproducing the divergence reported with llama.cpp PR #25353, we show that E is a necessary coordinate and that one compiler setting yields a unique output across the tested platforms at negligible quality cost (+0.06% perplexity). As a security characterization, benign floating-point non-determinism separates from uniformly placed nibble-flip tampering above a detection floor that grows with the environments a verifier must allow, but a targeted embedding edit evades the statistic, so the proposed protocol rests on exact re-derivation; adversarial-fp16 attacks lie outside it. We release the audit data and a re-runnable harness.
• Abstract（参考訳）: モデル署名は、LCMがリリースした全精度重みWを認証するが、ユーザは現在の開示下では、生成する変換が一意に決定されない量子化されたアーティファクトQを実行する。 我々は、実行環境Eから非環境入力を分離し、これまで測定されていない量を測定する。 独立性検証可能性率(Independent Verifiability Rate, IVR)は、サードパーティがビットをビットに再帰できる人気サンプルGGUFエコシステムのごく一部である。 最もダウンロード数の多いHugging Face GGUFレポジトリ(スコープ198)では、ビルド環境を記録するアーティファクトやモデルカードが存在しないため、記録されたインプットプロトコルでは、IVRは0/198である。 しかし、人工物は再現不可能ではない。 入力を開示する4つのサンプルリポジトリでは、カードの情報はQ4_K_Mファイルのみを再生するが、ビルドの浮動小数点抽出設定(floating-point-contraction set)とハイブリッドモデル(re-derive 7/8 target-quant file bit-for-bit on x86 (5/8 on arm64)、プロバイダのチェックポイントから fp16 re-derive が再帰されるが、キャリブレーション imatrix は送らなければならない。 古いリリースは命令セットをピン留めし、再帰しない。 llama.cpp PR #25353で報告された発散を再現すると、Eは必要座標であり、1つのコンパイラ設定が無視できる品質コスト(+0.06%パープレキシティ)でテスト対象プラットフォームに一意な出力をもたらすことが分かる。 セキュリティ特性として、良質な浮動小数点非決定論は、検証者が許容する環境とともに成長する検出フロア上に一様に配置されたニブルフリップのテーパーから分離するが、対象の埋め込み編集は統計を回避し、提案プロトコルは正確な再導出に依存し、対逆fp16攻撃はその外にある。 私たちは監査データと再実行可能なハーネスをリリースします。

関連論文リスト

• Watermarking: from Impossibility to Auditable Compliance [78.87513208320995]
  EU人工知能法第50条(2)は、合成出力を機械可読かつ検出可能にするために、生成システムの提供者を要求する。 自由形式のテキストにとって、重要な実装の1つは、生成的な透かし処理の実装である。 本稿は、強い透かしに代わる聴覚的な代替品を開発する。
  論文  参考訳（メタデータ） (2026-10-05T13:32:41Z)
• When Residualization Helps an Audit: Format Effects, Slice Gains, and Their Limits [0.7734726150561088]
  LLMシステムで使用される評価スコアは、測定する品質ではなく、表面形状を追跡することができる。 観測的NLIおよびQA設定では、不随伴アノテータのラベルを用いて評価する前に、保持された複製を凍結し、再評価する。 完全な人口合意は、報告された正のスライスゲインを持つすべての観測条件に該当し、要求内ランキングはそのようなQA設定すべてに該当する。
  論文  参考訳（メタデータ） (2026-09-21T07:06:37Z)
• NovaFabric: Tamper-Evident, Replayable Evidence for Autonomous AI Agent Runs [0.0]
  我々はNovaFabricを紹介し、監査グレードの実行証拠を作成している。 エージェントロジックを変更することなく実行中のエージェントを、ポータブルなRun Capsuleに記録する。 シードランは4モードのリプレイプロトコルで再実行可能である。 我々は8つの研究課題を測定範囲で評価した。
  論文  参考訳（メタデータ） (2026-09-11T08:35:43Z)
• Measuring the Checker: Mutation Analysis for GPU-Kernel Benchmark Oracles [86.41218924166775]
  LLM生成のGPUカーネルのベンチマークは、ランダムな入力とゆるやかな浮動小数点耐性で正確性を決定する。 最近の研究は、これらのチェッカーは弱く、手動でパッチを当てることに同意している。 本稿では,カーネルベンチマークの精度指標として突然変異解析を導入する。
  論文  参考訳（メタデータ） (2026-09-02T10:30:05Z)
• Recognition Without Enforcement: Configuration-Dependent Failures in LLM Agent Instruction Arbitration and External Control [0.0]
  LLMエージェントはシステムプロンプト、ユーザ、メモリ、ツールから命令を仲裁するが、この仲裁は信頼境界を強制するものではない。 ソースフォーマット機能はモデルアクティベーションから線形にデオード可能であり、モデルがトリガーされたときの偽の権威を明示的に識別することができる。 モデル自己配置をセキュリティ境界ではなく機能として扱い、認証されたソースルーティングと機能限定ツールの実行を組み合わせた外部参照モニタを実装します。
  論文  参考訳（メタデータ） (2026-08-28T16:34:05Z)
• An Approach for Embedding-Guided Function Reuse Detection in Embedded C Software [1.3114114427206678]
  本稿では,組込みソフトウェア再利用検出のためのドメイン対応検索拡張生成パイプラインを提案する。 パイプラインは、既存のインラインコメント、コールグラフコンテキスト、そして8つのバックボーンモデルに組み込む前にプロジェクトを抽出することによって、各機能を充実させる。 パイプラインは、SonarQubeが再利用フィルタとして93.6%の偽陽性率を生成し、ハードウェア環境のミスマッチによって83.5%の障害が発生することを明らかにした。
  論文  参考訳（メタデータ） (2026-08-04T18:46:17Z)
• Bit-Exact AI Inference Verification Without Performance Tradeoffs [0.0]
  カバー敵は、監視された計算において検証不可能な自由度を利用することができる。 現代の推論エンジンが決定論的だが不変ではない出力をいかに生み出すかを分析する。 ビットワイズな再計算は同一ハードウェアへのアクセスを必要としないことを示す。
  論文  参考訳（メタデータ） (2026-05-29T19:15:15Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• Perfectly-Private Analog Secure Aggregation in Federated Learning [51.61616734974475]
  連合学習では、複数のパーティがモデルをローカルにトレーニングし、パラメータを中央サーバと共有する。 本稿では,有限場ではなくトーラスを用いた新しいセキュアパラメータアグリゲーション法を提案する。
  論文  参考訳（メタデータ） (2025-09-10T15:22:40Z)
• Robust Conformal Prediction with a Single Binary Certificate [58.450154976190795]
  コンフォーマル予測(CP)は、任意のモデルの出力を、真のラベルを(調整可能な)高い確率でカバーすることを保証した予測セットに変換する。 我々は,MCサンプルが著しく低い場合でも,より小さな集合を生成する頑健な共形予測を提案する。
  論文  参考訳（メタデータ） (2025-03-07T08:41:53Z)

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。