論文の概要: Who Plans, Who Edits? Verified, Cost-Aware Division of Labor for LLM-Driven Analog Layout Repair
- arxiv url: http://arxiv.org/abs/2610.24234v1
- Date: Fri, 16 Oct 2026 20:59:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-26 10:03:43.896271
- Title: Who Plans, Who Edits? Verified, Cost-Aware Division of Labor for LLM-Driven Analog Layout Repair
- Title（参考訳）: だれが編集する? LLM-Driven Analog Layout 修復のためのコスト対応労働部門
- Abstract要約: 言語モデルエージェントは、サインオフツールが編集毎にチェックする場合に、アナログレイアウトを修復することができるが、どのモデルが修正を計画し、編集し、どのコストがオープンな質問のままであるかを計画する必要がある。
本稿では,各ロールのモデルとエスカレーション順序を,最初のツール評価から選択し,ベイズ推定を毎回更新する学習コントローラを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Language-model agents can repair analog layouts when sign-off tools check every edit, but which model should plan a repair, which should edit it, and at what cost remain open questions. In our tool-grounded repair agent, models only choose bounded layout operators; sign-off tools rerun each task's contract checks after every edit, so failing layouts are never accepted. On layout-versus-schematic (LVS), design-rule checking (DRC), and post-layout repairs of three designs (a production high-voltage digital-to-analog converter (DAC), a 5-V oscillator, and a SKY130 operational transconductance amplifier (OTA)) with six tier-matched models from two vendors, 182 blind runs show that cheap models execute plans but rarely succeed alone (the cheapest model: 1 of 11 runs alone, 16 of 17 under a flagship planner; p < 0.001), cheap planners fail more often, and no fixed assignment is cheapest on every task. We propose a learning controller that selects models for each role and the escalation order from the first tool evaluation and updates Bayesian estimates after every attempt. With rules and initial estimates frozen before testing, the controller fixed 7 of 8 episodes on four sealed held-out tasks, matching the OpenAI flagship alone, at 15-40% of the flagship's spend per fix on three tasks but 8% higher spend overall. The cheapest mid-tier model alone fixed 6 of 8 at the lowest overall spend per fix but missed the hardest task. All 32 extracted DAC repairs match the human-guided LVS repair's integral nonlinearity (INL) within 0.005 least significant bits (LSB) at every code.
- Abstract（参考訳）: 言語モデルエージェントは、サインオフツールが編集毎にチェックする場合に、アナログレイアウトを修復することができるが、どのモデルが修正を計画し、編集し、どのコストがオープンな質問のままであるかを計画する必要がある。
ツールグラウンドの修復エージェントでは、モデルがバウンドレイアウト演算子のみを選択し、各編集後に各タスクのコントラクトチェックを再実行し、エラーレイアウトは受け入れられない。
レイアウト・リバース・スキーマ(LVS)、デザイン・ルール・チェック(DRC)、および3つの設計(DAC(生産用高電圧デジタル・アナログ・コンバータ)、5V発振器(英語版)、SKY130オペレーショナル・トランスコンダクタンス・アンプ(英語版)(英語版)(OTA))のレイアウト後の修理では、2つのベンダーの6層構成のモデルと182のブラインドラン(英語版)が、安価なモデルを実行するが、単独で成功することは滅多にない(最も安価なモデル:11点中1点、旗艦プランナーの下で17点中16点、p < 0.001点)。
本稿では,各ロールのモデルとエスカレーション順序を,最初のツール評価から選択し,ベイズ推定を毎回更新する学習コントローラを提案する。
ルールと初期見積はテスト前に凍結され、コントローラは4つの封印されたホールトアウトタスクで8エピソードのうち7エピソードを修正し、OpenAIフラッグシップのみと一致した。
最安の中間層モデルだけでは、修正1回あたりの総支出が最低で8分の6を固定したが、最も困難なタスクを逃した。
32個のDAC修復は、人間の誘導するLVS修復の積分非線形性(INL)と、各コードで0.005個の最小有意ビット(LSB)で一致した。
関連論文リスト
- Make Every Expansion Count: Learning to Search Efficiently in LLM Code Repair [63.277419653843594]
修正プログラムの生成とテストの前に編集を優先する学習ポリシであるCodeTriageを紹介する。
ホールドアウトの修理タスクでは、CodeTriageは、各メトリックで最強のベースラインよりも21%少ないプログラム修正と12%少ないアウトプットトークンの修正を見つける。
論文 参考訳（メタデータ） (2026-10-11T20:19:05Z) - An Executable Benchmark for LLM-Based HLS Repair:Design Complexity and Repair Underconstraint [0.8450904497835263]
大規模言語モデル(LLM)を用いた高レベル合成(HLS)設計の自動修復の総合的評価について述べる。
我々は,APRスタイルのHLS修復ベンチマークを,スイート固有の機能オラクルを用いて構築する。
修復率は、複雑な暗号カーネルの6-45%から、コンパクトなアルゴリズムカーネルの81-93%まで様々である。
論文 参考訳（メタデータ） (2026-10-02T19:28:05Z) - Thinking Before Thinking: Scaling Agentic Inference Through Meta-Reasoning [104.97890382020937]
エージェントメタ推論は,制御選択を明示的かつ構造化する推論時ハーネスである。
ワーカーはタスクレベルの計算を実行し、コントローラは実行が確立したものを統合する。
決定の間、コントローラはその全履歴を再生するのではなく、実行時のコンパクトな説明しか持たない。
論文 参考訳（メタデータ） (2026-09-29T17:57:25Z) - Beyond One-Step Accuracy: State-Affine Latent Transition for Reliable Visual Planning [53.476598858325985]
複数ステップのロールアウトエラーを個々のステップで導入したエラーに分解し,その後の遷移を通した伝播を行う。
状態-アフィンダイナミクスは、状態非依存のヤコビアンとの微分可能遷移であることを示す。
動作条件付き状態-アフィンダイナミクスモデルであるSALTを導入し、動作が状態変換と追加更新の両方を変調する。
論文 参考訳（メタデータ） (2026-09-27T14:12:27Z) - Verification as an Architectural Layer for LLM Agents: A V-Model Design, and a Pilot Study of Its Deterministic Core [0.45835414225547183]
大言語モデル(LLM)エージェントは1つのモデルに4つの責務を集中する。
生成ループ以外は出力を拒否できないため、進行できないエージェントは失敗を報告しない。
本稿では,ソフトウェア工学からVモデルを適用することにより,検証をアーキテクチャ層として扱うことを提案する。
論文 参考訳（メタデータ） (2026-09-25T19:30:58Z) - Grow the Harness, Not the Context: From Strategy-Free Scaffolds to Reusable Specialist Agents [40.22528682803753]
大きな言語モデル(LLM)エージェントは、しばしば関連するタスクのストリームを処理するが、標準的なハーネスは、各タスクのコンテキスト内で同じ制御決定を再構築するようモデルに繰り返し要求する。
タスク固有のセマンティック推論のためのLCMコールを保存しながら、繰り返し制御を再利用可能なコードに変換することができるかどうかを検討する。
我々は,障害誘導型トレーニングパラダイムであるGrowing Harnessを紹介し,エージェント自身を戦略のない足場から学習する。
論文 参考訳（メタデータ） (2026-09-22T17:40:45Z) - IaC-Guard-V: A Verification Framework for LLM-Generated Infrastructure-as-Code Repairs [0.0]
インフラストラクチャ・アズ・コード(IaC)の誤設定は、クラウドセキュリティインシデントの主要な原因である。
IaC-GuardVは、AI生成したIaC修復を4次元で評価する検証中心のフレームワークである。
論文 参考訳（メタデータ） (2026-08-12T21:16:42Z) - Cluster, Route, Escalate: Cascaded Framework for Cost-Aware LLM Serving [69.5155152169752]
大規模言語モデル(LLM)のための2段階カスケードソリューションを提案する。
ステージ1は、受信するクエリをクラスタ化し、各クラスタを最もコスト効率の良いモデルに割り当てる。
ステージ2は品質推定(QE)カスケードを追加し、ステージ1からの出力が低品質であると判断されると、クエリはより強力なモデルにエスカレーションされる。
テストデータセットでは、カスケードシステムは最強モデルの精度の97-99%を保持し、TPOT(Time Per Output Token)を削減している。
タスクの正確性ラベルのみを必要とし、手動で再構成することなくモデルプールの変更に適応する。
論文 参考訳（メタデータ） (2026-06-25T18:29:24Z) - MTRouter: Cost-Aware Multi-Turn LLM Routing with History-Model Joint Embeddings [47.963523156965174]
大規模言語モデルに対する費用対効果を考慮したマルチターンルーティングについて検討する。
本稿では,対話履歴と候補モデルを結合履歴モデルにエンコードするMTを提案する。
実験によると、MTはパフォーマンスコストのトレードオフを改善する。
論文 参考訳（メタデータ） (2026-04-26T04:42:21Z) - QiMeng-PRepair: Precise Code Repair via Edit-Aware Reward Optimization [50.722636027998]
大規模言語モデル (LLM) はプログラム修復性能が高いが、しばしば過剰な編集に悩まされる。
オーバー編集を軽減し,修復精度を向上させるフレームワークであるPRepairを提案する。
論文 参考訳（メタデータ） (2026-04-07T14:56:38Z)
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。