論文の概要: Not X, but When: Diagnosing a Mandarin LLM Writing Tic through Contextual Appropriateness

• arxiv url: http://arxiv.org/abs/2610.22249v1
• Date: Thu, 15 Oct 2026 17:22:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.22324
• Title: Not X, but When: Diagnosing a Mandarin LLM Writing Tic through Contextual Appropriateness
• Title（参考訳）: Xではなく、いつか: 文脈的適切性によるマンダリンLLM筆跡の診断
• Abstract要約: 本研究では, マンダリン補正工事における適切性判定について, ershi Yを用いて検討した。 5つの商業モデルは、人間の基準の2.5倍から9.2倍の密度で建設されている。 307の注釈付き使用例のうち、欠陥は1.30%しかなく、52.8%はオプション、すなわち正しいが不要である。
• 参考スコア（独自算出の注目度）: 5.1087933524315075
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recurring expressions in model-written text are often treated as signatures of machine authorship, yet most of them serve legitimate functions. Whether such an expression is a tic depends on whether the model knows when it is called for. This judgment of appropriateness, central to communicative competence, remains largely unexamined for language models. We study it through the Mandarin corrective construction bushi X, ershi Y ("not X, but Y"). Drawing on Gricean pragmatics and corrective negation, we introduce a decision tree that classifies uses as substantive, optional, or defective by testing whether the context makes X a live alternative and whether rejecting X is informative. Five commercial models use the construction 2.5 to 9.2 times as densely as a human reference. Of 307 annotated uses, only 1.30% are defective while 52.8% are optional, that is, correct but unneeded, so models fall short in appropriateness far more often than in correctness. Several reward models favor the construction even over quality-matched variants, an LLM judge favors it even where the context does not license it, and both supervised fine-tuning and preference optimization tend to raise its frequency in open-weight models. We hope this work encourages the development of models attentive to the appropriateness of their expressions.
• Abstract（参考訳）: モデルテキストにおける再帰表現は、しばしば機械の著者の署名として扱われるが、そのほとんどは正統な機能として機能する。 そのような式が tic であるかは、モデルがいつその式が呼び出されるかに依存する。 この適切な判断は、コミュニケーション能力の中心であり、言語モデルにはほとんど考慮されていない。 我々は、マンダリン正造の節 X, ershi Y(XではなくY)を通して研究する。 Gricean pragmatics と corrective negation を参考に、文脈が X を実効的な代替物にするか、X を拒否するが有益かを検証することによって、使用を実体的、オプション的、または欠陥として分類する決定木を導入する。 5つの商業モデルは、人間の基準の2.5倍から9.2倍の密度で建設されている。 307の注釈付き使用例のうち、欠陥は1.30%に過ぎず、52.8%はオプション、すなわち正しいが不要である。 いくつかの報酬モデルでは、品質にマッチしたバリエーションよりも構成を好んでおり、LLMの裁判官は、文脈がライセンスされていない場合でもその構成を好んでおり、教師付き微調整と選好の最適化は、オープンウェイトモデルにおいてその頻度を上昇させる傾向にある。 この研究によって、表現の適切性に配慮したモデルの開発が促進されることを願っています。

関連論文リスト

• How reliable are LLMs when it comes to playing dice? [0.0]
  離散確率問題に対する制御ベンチマークによる大規模言語モデルの推論能力について検討する。 モデルの平均精度は標準問題では0.96であるが、直観に反するものでは0.59である。 このプロンプトに誤解を招く提案を埋め込むことで、パフォーマンスが最大34%低下し、免疫力を示すモデルが存在しない。
  論文  参考訳（メタデータ） (2026-06-05T17:59:42Z)
• Fine-tuning Language Models for Factuality [96.5203774943198]
  大規模な事前訓練型言語モデル(LLM)は、しばしば伝統的な検索エンジンの代替として、広く使われるようになった。 しかし、言語モデルは説得力のあるが事実的に不正確な主張をしがちである(しばしば「幻覚」と呼ばれる)。 本研究では,人間のラベル付けなしに,より現実的な言語モデルを微調整する。
  論文  参考訳（メタデータ） (2023-11-14T18:59:15Z)
• RLCD: Reinforcement Learning from Contrastive Distillation for Language Model Alignment [121.45689748315125]
  Reinforcement Learning from Contrastive Distillation (RLCD) は、人間のフィードバックを使わずに言語モデルを調整する方法である。 RLCDは2つの対照的なモデル出力から選好ペアを生成し、1つは、与えられた原則に従うように設計された正のプロンプトを使用し、もう1つは、それらに違反するように設計された負のプロンプトを使用する。 次に、選好ペアを用いて選好モデルを訓練し、強化学習によりベース非整合言語モデルを改善する。
  論文  参考訳（メタデータ） (2023-07-24T17:23:22Z)
• Discovering Latent Knowledge in Language Models Without Supervision [72.95136739040676]
  既存の言語モデルをトレーニングするテクニックは、真実と正しく一致していない可能性がある。 本稿では,言語モデルの内部アクティベーション内部の潜伏知識を,純粋に教師なしの方法で直接見つけることを提案する。 本手法は, 教師なし, モデル出力がないにもかかわらず, 大規模言語モデルで表される多様な知識を復元できることを示す。
  論文  参考訳（メタデータ） (2022-12-07T18:17:56Z)
• Lexical Generalization Improves with Larger Models and Longer Training [42.024050065980845]
  本稿では,自然言語推論,パラフレーズ検出,読解理解における語彙重なりの活用について分析する。 より大型のモデルでは、語彙的な重複を採用することへの感受性がはるかに低いことが分かりました。
  論文  参考訳（メタデータ） (2022-10-23T09:20:11Z)
• GAPX: Generalized Autoregressive Paraphrase-Identification X [24.331570697458954]
  このパフォーマンス低下の主な原因は、ネガティブな例によって導入されたバイアスである。 我々は、推論中にどれだけの重量を与えるべきかを効果的に、かつ自動的に決定できるパープレキシティーに基づくアウト・オブ・ディストリビューション・メトリックを導入する。
  論文  参考訳（メタデータ） (2022-10-05T01:23:52Z)
• Quark: Controllable Text Generation with Reinforced Unlearning [68.07749519374089]
  大規模言語モデルは、しばしばユーザの期待に合わない振る舞いを学ぶ。 本稿では,(不必要な)特性を定量化する報酬関数を最適化するアルゴリズムQuarkを紹介する。 未学習の毒性、ネガティブな感情、反復について、我々の実験はQuarkが強いベースラインと最先端の強化学習法の両方より優れていることを示している。
  論文  参考訳（メタデータ） (2022-05-26T21:11:51Z)
• How Can We Know When Language Models Know? On the Calibration of Language Models for Question Answering [80.82194311274694]
  言語モデルがいつ、自信を持って、特定のクエリに対する答えを知っているか、どのように知ることができるか? 我々は,T5,BART,GPT-2の3つの強力な生成モデルを検討した。 次に、そのようなモデルの校正方法を検討し、その信頼性スコアを正しさの確率と相関させる。
  論文  参考訳（メタデータ） (2020-12-02T03:53:13Z)
• When Hearst Is not Enough: Improving Hypernymy Detection from Corpus with Distributional Models [59.46552488974247]
  本稿では,大きなテキストコーパスの助けを借りて,単語 (x, y) 間のis-a関係が存在するかどうかを論じる。 近年の研究では、大規模なハーストペアを抽出して給餌し、目に見えない(x, y)ペアの親和性が緩和された場合、パターンベースのペアの方が優れていることが示唆されている。 本稿では,これらの特定の事例の非無視的存在を初めて定量化し,その場合の分布法がパターンベースの事例を補うのに最適であることを示す。
  論文  参考訳（メタデータ） (2020-10-10T08:34:19Z)

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。