論文の概要: LocalIntent: Outcome-Specific Structured Generation for Backend-Compatible Smart Building Automation with Local LLMs
- arxiv url: http://arxiv.org/abs/2610.23511v1
- Date: Fri, 16 Oct 2026 14:19:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.949141
- Title: LocalIntent: Outcome-Specific Structured Generation for Backend-Compatible Smart Building Automation with Local LLMs
- Title（参考訳）: Local Intent: ローカルLLMを用いたバックエンド対応スマートビル自動化のためのアウトカム型構造化生成
- Abstract要約: ローカル言語モデル(LLM)は、自然言語スマートビルド自動化のためのリモートクラウドサービスへの依存を減らすことができる。
完全な結果特異的なプロンプト設計がコンパクトモデル出力を改善するかどうかを検討する。
我々は,2B-9Bパラメータにまたがる局所的に実行されるGemmaとQwenの4つのモデルを評価した。
- 参考スコア（独自算出の注目度）: 5.571938393016687
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Locally deployed large language models (LLMs) can reduce reliance on remote cloud services for natural language smart building automation, but backend-facing processing requires correct outcome selection, alignment with local capabilities, and valid structured outputs. We investigate whether a complete outcome-specific prompting design improves compact-model outputs beyond generic route-then-generate prompting. The proposed LocalIntent approach routes requests to ordinary or persistent-rule branches: the former produces commands, clarifications, or rejections, while the latter generates trigger-action rules, followed by deterministic validation. We evaluate four locally executed Gemma and Qwen models spanning 2B-9B parameters on 101 non-persistent and 54 persistent-rule records, comparing Monolithic prompting, generic two-stage prompting, LocalIntent, and validation-guided repair. Across the evaluated datasets, LocalIntent achieves higher intent understanding, device identification, and action/parameter correctness than generic two-stage prompting, while clarification/mode correctness remains model-dependent. The largest gains occur for rules, where LocalIntent improves intent understanding from 26.4% to 80.6%, device identification from 59.3% to 84.7%, rule-mode correctness from 49.1% to 98.6%, and action/parameter correctness from 5.6% to 44.9%. For non-persistent requests, pooled gains are smaller: intent understanding increases from 39.6% to 53.2%, and action/parameter correctness from 30.7% to 42.8%.
- Abstract（参考訳）: ローカルにデプロイされた大規模言語モデル(LLM)は、自然言語によるスマートビルド自動化のためのリモートクラウドサービスへの依存を減らすことができるが、バックエンド対応の処理には、正確な結果の選択、ローカル機能との整合性、有効な構造化された出力が必要である。
完全な結果特異的なプロンプト設計が、一般的な経路列生成プロンプトよりもコンパクトなモデル出力を改善するかどうかを検討する。
提案されたLocalIntentアプローチは、リクエストを通常のあるいは永続的なブランチにルーティングする。前者はコマンド、明確化、拒否を生成し、後者はトリガアクションルールを生成し、続いて決定論的検証を行う。
101個の非永続レコードと54個の永続ルールレコードに対して2B-9Bパラメータにまたがる局所的に実行されるGemmaとQwenの4つのモデルを評価し、モノリシックプロンプト、ジェネリック2段階プロンプト、LocalIntent、バリデーション誘導修復を比較した。
評価されたデータセット全体にわたって、LocalIntentは汎用的な2段階プロンプトよりも高いインテント理解、デバイス識別、アクション/パラメータの正確性を達成する一方で、明確化/モードの正確性はモデル依存のままである。
ルールでは、LocalIntentが26.4%から80.6%に、デバイス識別が59.3%から84.7%に、ルールモードの正しさが49.1%から98.6%に、アクション/パラメータの正しさが5.6%から44.9%に改善されている。
意図理解は39.6%から53.2%に増加し、アクション/パラメータの正しさは30.7%から42.8%に向上した。
関連論文リスト
- Do I Need the Cloud? Uncertainty-Aware Step-Level Handoff for Small Language Model Agents [0.0]
小言語モデル(SLM)は、リモート推論、レイテンシ、デプロイメントのフットプリントを減らすため、ローカルエージェントコントローラとして魅力的である。
STEPGATEは、各ローカルSLMアクションをスコアし、より強力なモデルに挑戦するステップを選択的にエスカレートする不確実性対応ハンドオフフレームワークである。
論文 参考訳（メタデータ） (2026-10-06T06:09:31Z) - Correctness Is a Direction: Geometric Answer Selection in Language Models [37.52103844741668]
スコアリング方向がゼロショットログ確率スコアよりも優れていることを示す。
事実推論、ドメイン知識、真性に対する正当性方向は表現空間においてほぼ直交である。
論文 参考訳（メタデータ） (2026-10-03T13:21:04Z) - Separation of Duties for Privileged LLM Agents: A Governed Execution Architecture with Measured Security-Utility Trade-offs [0.0]
エージェントとオペレーティングシステムの間に4つの役割(プランナー、政策ゲート、執行役、監査役)を介するアーキテクチャについて検討する。
我々は8種類の313ケースのベンチマークで評価した。
論文 参考訳（メタデータ） (2026-09-28T05:32:17Z) - State of Thought Enables Endogenous Reasoning [48.902117018115256]
大規模言語モデル(LLM)の能力向上のための主要なアプローチとして、テスト時推論が登場した。
LLMにおける内在的推論を可能にする新しい推論パラダイムであるState of Thoughtを提案する。
SoTは平均ベースライン精度を一貫して改善し,生成トークンを62.6%,エンドツーエンドのレイテンシを44.6%削減した。
論文 参考訳（メタデータ） (2026-09-13T05:55:03Z) - A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination [51.06539604709775]
本稿では、制御ユニットを表現編集からロール条件のエビデンスビューへシフトさせる自己進化型エージェントフレームワークであるA-SRを提案する。
A-SRは、コーディネートプロトコル、オンライン評価器・リワードロールポリシー、および状態制御プロセスメモリ間のルーティングによる公式発見をコーディネートする。
論文 参考訳（メタデータ） (2026-08-05T14:01:10Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - ReacTOD: Bounded Neuro-Symbolic Agentic NLU for Zero-Shot Dialogue State Tracking [2.2573512203799626]
本稿では,NLUを独立したツールコールとして再構成する有界神経シンボルアーキテクチャであるReacTODを提案する。
有界ReActループは反復自己補正を可能にし、MultiWOZ上のシングルパス推論よりも最大9.3ポイント精度を向上させる。
論文 参考訳（メタデータ） (2026-05-18T20:06:04Z) - When Correct Isn't Usable: Improving Structured Output Reliability in Small Language Models [2.064923532131528]
デプロイされた言語モデルは、正しいものとフォーマットに準拠した出力を生成する必要がある。
本稿では,GSM8KとMATHという2つの数学的ベンチマークを用いて,この構造化出力信頼性ギャップについて検討する。
対象モデルへのブラックボックスAPIアクセスのみを必要とする反復的なシステムプロンプトであるAloLabを開発した。
論文 参考訳（メタデータ） (2026-05-04T09:07:44Z) - Structured Uncertainty guided Clarification for LLM Agents [126.26213027785813]
LLMエージェントは、ツールコール機能を備えた大きな言語モデルを拡張するが、曖昧なユーザ命令は、しばしば誤った呼び出しやタスクの失敗につながる。
本稿では,ツールコールパラメータに対する構造的不確かさの定式化,完全情報の期待値(EVPI)を目標としたPOMDPのモデル化,冗長性防止のためのアスペクトベースコストモデルを提案する。
我々のSAGE-Agentは、この構造化された不確実性を活用し、より優れた効率を達成するために、曖昧なタスクのカバレッジを7～39%増加させ、明確な質問を1.5～2.7$times$に減らした。
論文 参考訳（メタデータ） (2025-11-11T21:50:44Z) - Learning Adaptive Parallel Reasoning with Language Models [70.1745752819628]
本稿では,適応並列推論(Adaptive Parallel Reasoning, APR)を提案する。
APRは、spawn()とjoin()操作を使用して適応的なマルチスレッド推論を可能にすることで、既存の推論メソッドを一般化する。
鍵となる革新は、親と子の両方の推論スレッドを最適化して、事前に定義された推論構造を必要とせずにタスクの成功率を高める、エンドツーエンドの強化学習戦略である。
論文 参考訳（メタデータ） (2025-04-21T22:29:02Z)
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。