論文の概要: LoopHIL: Looping Hardware into LLM-assisted Agents for Wireless Embedded Systems

• arxiv url: http://arxiv.org/abs/2610.24231v1
• Date: Fri, 16 Oct 2026 20:54:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-26 10:05:20.019066
• Title: LoopHIL: Looping Hardware into LLM-assisted Agents for Wireless Embedded Systems
• Title（参考訳）: LoopHIL: 無線組込みシステムのためのLCM支援エージェントへのハードウェアのループ化
• Abstract要約: エージェントがマルチデバイスRFベンチを制御し、スペクトルアナライザ、論理アナライザ、エネルギーメーターで監視し、検証はしごに対するリンクを検証するためのフレームワークであるLoopHILを紹介した。 4つの複雑なタスクの中で、ハードウェア・イン・ザ・ループはタスク完了率を54%から79%に、最も難しいタスクでは17%から83%に向上させる。
• 参考スコア（独自算出の注目度）: 3.044092782991552
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM agents are widely used for software development and debugging, but their adoption in embedded systems, especially for wireless tasks, remains limited. This is because embedded development requires hardware-in-the-loop testing. Agents cannot directly observe the spectrum, probe pins, or measure power, so they cannot verify wireless link functionality; currently, human engineers perform this verification. We systematically evaluate whether LLM agents can establish wireless links when provided with hardware access. We introduce LoopHIL, a framework that lets agents control a multi-device RF bench, monitor it with a spectrum analyzer, logic analyzer, and energy meter, and validate links against a verification ladder, all within code-enforced safety limits. Across four increasingly complex tasks, from generating a carrier to backscatter decoding by a commercial receiver, and using six models from two vendors, hardware-in-the-loop increases task completion rates from 54% to 79% and from 17% to 83% on the most challenging task. It also halves task time and output tokens. With debugging tools, agents decrease tag power consumption by up to 96%. However, small models often report unverified claims, so independent hardware checks remain necessary.
• Abstract（参考訳）: LLMエージェントはソフトウェア開発やデバッグに広く使われているが、組込みシステム、特に無線タスクにおいて採用されているのは限られている。 これは、組み込み開発は、ループ内でのハードウェアテストを必要とするためである。 エージェントは直接スペクトル、プローブピン、パワーを測定することができないため、無線リンク機能の検証はできない。 LLMエージェントがハードウェアアクセスを提供する際に無線リンクを確立することができるかどうかを系統的に評価する。 エージェントがマルチデバイスRFベンチを制御し、スペクトルアナライザ、ロジックアナライザ、エネルギーメーターで監視し、コード強化された安全限度内にある検証はしごに対するリンクを検証するためのフレームワークであるLoopHILを紹介した。 商用レシーバーによるキャリアから後方散乱デコーディングまでの4つの複雑なタスク、および2つのベンダーによる6つのモデルの使用により、ハードウェア・イン・ザ・ループはタスク完了率を54%から79%、最も困難なタスクでは17%から83%に向上する。 また、タスクタイムを短縮し、トークンを出力する。 デバッグツールでは、エージェントはタグの消費電力を最大96%削減する。 しかし、小型モデルは不確定なクレームを報告することが多いため、独立したハードウェアチェックは依然として必要である。

関連論文リスト

• hacktrace: behavior-supervised detection of reward hacking during code generation [52.709361620508595]
  コーディングエージェントは、コードを修正するか、バグを露呈するテストを削除することで、パスグレードを得ることができる。 我々はQwen3-8Bから173,561個の注釈付きマルチターン符号化トラジェクトリをリリースし、成功を活かさないショートカット動作の監視が検出を大幅に改善することを示す。 HACKTRACEは、エージェントがコードを生成する際に既に計算している内部状態を読み取る行動監視モニターである。
  論文  参考訳（メタデータ） (2026-10-02T09:35:59Z)
• LoopsBench: From Harness Engineering to Loop Engineering in Benchmarking Coding Agent [60.27239351179265]
  LOOPSBENCHは、符号化エージェント評価におけるループエンジニアリングのベンチマークである。 8つのプログラミング言語と9つのドメインにまたがる、本物のソースからの112のタスクで構成されている。 フロー対応ランタイムは、準備されたフロンティアに沿ってテストをリリースし、レグレッション義務として完了したノードを保持します。
  論文  参考訳（メタデータ） (2026-07-31T20:18:25Z)
• A hardware-safety-gated system for LLM-written native ARTIQ control code on a trapped-ion platform [18.226528651110133]
  大言語モデル(LLM)エージェントは、実験的な制御コードを書き、実行することができる。 チェックされていないコードは装置を損傷させる可能性があり、人間の承認/監督とエージェントの判断の間に正式な操作ごとの境界は存在しない。 本稿では,LLMエージェントを,そのような境界を保ちながらトラップイオン実験のループに配置する制御システムを提案する。
  論文  参考訳（メタデータ） (2026-06-25T16:19:23Z)
• HardSecBench: Benchmarking the Security Awareness of LLMs for Hardware Code Generation [24.138048137437078]
  大規模言語モデル(LLM)は、コード生成のための実用的なハードウェアとファームウェア開発パイプラインに統合されつつある。 この研究ギャップは、現実的な仕様の下でセキュリティ意識を評価するためのベンチマークを設計する動機となります。 我々は、Verilog Registers Transfer Level (RTL)とファームウェアレベルCにまたがる924のタスクからなるベンチマークであるHardSecBenchを紹介し、76のハードウェア関連Common Weaknession (CWE)エントリをカバーしている。
  論文  参考訳（メタデータ） (2026-01-20T11:27:40Z)
• AgenTracer: Who Is Inducing Failure in the LLM Agentic Systems? [71.21547572568655]
  AgenTracer-8Bは、マルチグラニュラ強化学習で訓練された軽量障害トレーサである。 Who&Whenベンチマークでは、AgenTracer-8BはGemini-2.5-ProやClaude-4-Sonnetのような巨大なLLMを最大18.18%上回っている。 AgenTracer-8BはMetaGPTやMAASのような市販のマルチエージェントシステムに4.8-14.2%の性能向上をもたらす。
  論文  参考訳（メタデータ） (2025-09-03T13:42:14Z)
• Large Language Models on Small Resource-Constrained Systems: Performance Characterization, Analysis and Trade-offs [1.3258855798435742]
  我々はNVIDIA Jetsonデバイスの最新ライン(Jetson Orin)と、7000万から14億のパラメータで公開されているLLM(Pythia)のセットに焦点を当てています。 我々は,Jetsonハードウェア上でのバッチLLMテストを含むさらなる研究を促進するために,テスト構造を設計する。
  論文  参考訳（メタデータ） (2024-12-19T19:38:33Z)
• Get my drift? Catching LLM Task Drift with Activation Deltas [55.75645403965326]
  タスクドリフトは攻撃者がデータを流出させたり、LLMの出力に影響を与えたりすることを可能にする。 そこで, 簡易線形分類器は, 分布外テストセット上で, ほぼ完全なLOC AUCでドリフトを検出することができることを示す。 このアプローチは、プロンプトインジェクション、ジェイルブレイク、悪意のある指示など、目に見えないタスクドメインに対して驚くほどうまく一般化する。
  論文  参考訳（メタデータ） (2024-06-02T16:53:21Z)
• LightFAt: Mitigating Control-flow Explosion via Lightweight PMU-based Control-flow Attestation [0.9999629695552195]
  リモート実行はしばしば機密データを扱うか、プロプライエタリなソフトウェアを実行する。 暗号化ハッシュ値の潜在的に大きなシーケンスを計算することで、コードが非コンパイル環境で実行されることを保証する。 本稿では,軽量制御フロースキームLightFAtを提案する。
  論文  参考訳（メタデータ） (2024-04-03T09:55:15Z)

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。