論文の概要: From Candidate Admission to Task-Level Return: Auditing LLM-Generated Code under Execution Contracts
- arxiv url: http://arxiv.org/abs/2610.24609v1
- Date: Sat, 17 Oct 2026 10:31:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-22 17:20:13.038141
- Title: From Candidate Admission to Task-Level Return: Auditing LLM-Generated Code under Execution Contracts
- Title（参考訳）: 候補からタスクレベルリターン:実行契約下でのLCM生成コード監査
- Abstract要約: 入場規則は生成されたプログラムを保持し、選択ポリシーはタスク毎に1つの候補を返す。
これらの決定が、別途凍結された2つのHumanEvalPlusコホートにおける実行契約とどのように相互作用するかを監査する。
- 参考スコア（独自算出の注目度）: 0.46664938579243564
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Admission rules retain generated programs, whereas selection policies return one candidate per task. We audit how these decisions interact with execution contracts in two separately frozen, disjoint HumanEvalPlus cohorts, each comprising 32 tasks, four samples per task per profile and two served profiles. Under the inline execution contract, a structural-and-self-test screen admits 4-9 expanded-suite nonpasses per 80-107 admissions and excludes 14-43 suite passes per 128 planned attempts. A restricted module-supply condition adds 20 and 14 passing admissions for one profile in the respective cohorts, plus one follow-up nonpass, and reduces the excluded suite passes to 14-23. All fixed first-admitted outcomes and abstentions remain unchanged. In the original pool, the added passes enter already all-passing admitted pools; in the follow-up, four of 24 common sample orders lose one passed task. Selected-subset diagnostics separately address registration-sensitive completion and reference-relative assertion disagreement, accounting for input domains and comparator tolerances. In these high-pass pools, candidate retention and task-level return diverge and are reported separately. Results are conditional on the saved pools, contracts and pinned suites; downstream training effects are unmeasured.
- Abstract（参考訳）: 入場規則は生成されたプログラムを保持し、選択ポリシーはタスク毎に1つの候補を返す。
これらの決定が、32のタスク、プロファイル毎のタスク4つのサンプル、2つのサーブされたプロファイルからなる、別々に凍結された2つのHumanEvalPlusコホートで実行契約とどのように相互作用するかを監査する。
インライン実行契約の下では、構造と自己テストのスクリーンは、80-107のエントリーに対して4-9の拡張された非パスを認め、計画された128の試行に対して14-43のスイートパスを除外する。
制限されたモジュール供給条件は、各コホート内の1つのプロファイルに対して20、14のパス許可を付加し、1つのフォローアップ非パスを付加し、除外されたスイートが14〜23にパスする。
固定された最初の承認された結果と棄権は変わらぬままである。
当初のプールでは、追加されたパスは、既に全通過の許可されたプールに入り、その後、24のサンプルオーダーのうち4つは、1つのパスタスクを失う。
選択されたサブセット診断は、入力ドメインとコンパレータ寛容を考慮に入れながら、登録に敏感な完了と参照相対的なアサーションの不一致を別々に解決する。
これらのハイパスプールでは、候補保持とタスクレベルのリターンが分岐し、別々に報告される。
結果は、保存されたプール、契約、固定されたスイートで条件付きであり、下流でのトレーニング効果は測定されていない。
関連論文リスト
- Writability and the Pathway: A Controlled Study of Knowledge Injection into Addressed Memory [5.679081499318451]
アドレス付き条件記憶は、ホック後の知識注入のための局所的な表面を提供する。
この研究は、制御されたGPT-2とQwen3.8-Flash-Next-FP8とDeepSeek-V4.1-Flashのプロダクションメモリ実験を組み合わせる。
論文 参考訳（メタデータ） (2026-10-15T09:14:29Z) - From Events to Reasoning: Hierarchical Rule Composition over Explicit States [5.260841516691154]
本稿では、イベント推論システム(ERS)について、推論状態が明示的なイベントグラフであることを示す。
我々は,許容遷移,タスク依存制御,構成表現性,依存関係保存リビジョン,到達可能なソリューションと予算付きコントローラのギャップを形式化する。
論文 参考訳（メタデータ） (2026-10-14T12:47:40Z) - Beyond the Verdict: Agentic Code Judging with Verifiable Feedback [54.72977295521153]
我々は,人間の専門家による受諾プログラムと受諾プログラムを用いて,USACO 2026コンテストからUSACO-JUDGEを構築した。
次に、35Bのエージェント検証器であるARBITERを、汎用的な実行サンドボックスで強化学習して訓練する。
トレーニングは、不正なプログラムを40.61%から62.67%に、二分判定の精度を71.41%から87.41%に引き上げる。
論文 参考訳（メタデータ） (2026-10-13T17:22:58Z) - Beyond Corrected Memory: Execution Consistency in Multi-Agent Systems [42.90481302321822]
我々は、国家利用、情報ハンドオフ、そして最終状態合意を管理する義務を通じて、実行の一貫性を定義します。
私たちの主張の中核は、同じ保持されたレコードは、同じタスクルールの下での実行に準拠し違反する可能性がある、ということです。
整合性診断と回復のためのフレームワークであるCAVERTを用いて、ログからサポート対象の関係を抽出する。
論文 参考訳（メタデータ） (2026-10-06T10:29:41Z) - Learning What to Skip: Counterfactual Credit Assignment for Efficient Multi-Agent LLM Workflows [49.15875332210974]
すべてのコンポーネントを実行することは、計算を無駄にしたり、正しい中間回答を上書きすることができる。
我々は、制御されたスキップ介入からアクション固有の安全モデルを学ぶ「Skip to Skip」について紹介する。
早期スキップが拒否されると、コントローラは実行を継続し、後続のコンポーネントを再考することができる。
論文 参考訳（メタデータ） (2026-09-25T03:02:57Z) - Predict Before You Deploy: Offline Prediction of Quantization-Induced Task Degradation for World Action Models [2.347191837057308]
トレーニング後の量子化はメモリを削減するが、ビット幅、グループ化、および量子化器の選択は大きな構成空間を定義する。
オフライン動作偏差から量子化によるタスク劣化を予測するためのポリシ校正フレームワークであるPreDEを提案する。
独立に調整された2つのポリシーに対する450のフランカ・リサーチ3の試験では、試験前に高分解能グループに割り当てられた全ての構成が著しく劣化した。
論文 参考訳（メタデータ） (2026-09-16T21:25:37Z) - IBBench-Light: A Paired Evaluation of Task-Conditioned Responses to External Directives [5.766730891926642]
IBBench-Lightテストはどちらも同じレコードに対して使用される。
12のセマンティックベースは、モデル毎に144のマッチングペアを生成する。
Qwenは132の実行と109のプロセスプロンプトで成功するが、97の完全なペアしか持たない。
論文 参考訳（メタデータ） (2026-09-12T05:27:20Z) - Threshold Choice, Not Sample Size, Bounds Trustless Verification of Nondeterministic Compound AI Workflows [0.0]
複合AIパイプライン LLMコール、レトリバー、ツールは非決定論的である。
各ステージのインプット、アウトプット、コンテキストのダイジェストをコミットします。
合成HotpotQAパイプラインでは、校正された固定しきい値が45個の正直な複製のうち44個を受け入れ、105個の発散ペアのうち104個を拒絶する。
論文 参考訳（メタデータ） (2026-09-07T22:10:54Z) - ARBOR: Online Process Rewards via a Reusable Rubric Buffer for Search Agents [48.80766702702854]
LLMベースの検索エージェントは、主に結果のみの報酬で訓練され、検索プロセス自体は監督されていない。
この信号は、全てのサンプル軌跡が同じ正当性を共有する結果同質な群に対して退化し、群内の優位性はゼロとなり、勾配は得られない。
ARBOR(Adaptive Buffer for Online Reward)は,クエリ間で共有されるルーリックメモリを維持する再利用可能なプロセス・リワードフレームワークである。
論文 参考訳（メタデータ） (2026-06-02T06:58:54Z) - Skill-as-Pseudocode: Refactoring Skill Libraries to Pseudocode for LLM Agents [50.78646963535282]
Skill-as-Pseudocode (SaP) はマークダウンスキルライブラリの型付き擬似コードへの自動変換である。
1つ以上のスキルから引き出された類似の手続きパスのクラスタごとに、SaPは型付きコントラクトを抽出し、それを4チェック決定性検証器を通じてフィルタリングする。
プロモートされた契約は、復元された具体的なアクションテンプレートと共に書き直されたスキルスケルトンにインライン化され、エージェントは2つの補完的な信号を与える。
論文 参考訳（メタデータ） (2026-05-27T04:48:40Z) - Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。
Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。
SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
論文 参考訳（メタデータ） (2025-09-25T14:05:55Z)
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。