論文の概要: LLM Agents as Suppliers of Physical System Models: Calibration and Acceptance in Modelica

• arxiv url: http://arxiv.org/abs/2610.25019v1
• Date: Sun, 18 Oct 2026 05:00:13 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:04:29.00979
• Title: LLM Agents as Suppliers of Physical System Models: Calibration and Acceptance in Modelica
• Title（参考訳）: 物理系モデルのサプライヤーとしてのLLMエージェント--モデルの校正と受容-
• Abstract要約: LLMのコーディングエージェントはデータによるハンドオーバのサプライヤとして機能させます。 4つのシミュレートされたシステムと実際のスイッチング磁石のためのライブラリーコンポーネントからModelicaモデルを構築する。 ハンドオーバが読み取り対象のモデルを過小評価している場合に、その引数が適用される。
• 参考スコア（独自算出の注目度）: 0.16283634001181238
• License:
• Abstract: To procure a model of a device, a client hands a supplier a description, sometimes with recorded data or a target response, and accepts the model against this handover. We let LLM coding agents act as the supplier on handovers with data, building Modelica models from library components for four simulated systems and a real switching magnet, and ask what acceptance certifies. Several agents reach the noise floor, but a handover admits a set of models: the description leaves parts of the structure open, and the data narrow it only to the agreed accuracy. We therefore accept by membership in this set, not by matching one reference, and add layers above behaviour: a physical invariant exposes an energy-creating model at the noise floor. Interpretability becomes a property of the delivered model, tested on a variant, read where none exists and shaped through the handover. Most failures are fits delivered with a systematic residual on their own fitting data, where the handover left open how close is close enough. In a follow-up, stating a threshold makes the agents compare against it, and more deliveries pass. The argument applies wherever a handover underspecifies a model meant to be read, not only run.
• Abstract（参考訳）: デバイスのモデルを取得するために、クライアントはサプライヤに、時として記録データやターゲット応答で記述を手渡し、このハンドオーバに対してモデルを受け入れる。 LLMコーディングエージェントはデータのハンドオーバのサプライヤとして機能し、4つのシミュレートされたシステムと実際のスイッチングマグネットのためのライブラリコンポーネントからModelicaモデルを構築し、受け入れ証明書を問う。 いくつかのエージェントがノイズフロアに到達するが、ハンドオーバは一連のモデルを認め、記述は構造の一部を開放し、データは合意された精度にのみ絞り込む。 したがって、この集合のメンバシップは、1つの参照を一致させるのではなく、その上に振舞いを追加することで受け入れる:物理的不変量はノイズフロアでエネルギーを生み出すモデルを公開する。 解釈可能性(Interpretability)は、納品されたモデルのプロパティとなり、変種上でテストされ、誰も存在せず、ハンドオーバを通じて形づくられる。 ほとんどの障害は、自身の適合データに体系的な残差が与えられ、ハンドオーバが十分に近い状態に残っている。 フォローアップでは、しきい値を記述することで、エージェントがそれと比較し、より多くの配送が通過します。 ハンドオーバが読み取り対象のモデルを過小評価している場合に、その引数が適用される。

関連論文リスト

• Unconstrained CTI-REALM with Open-Weights [8.150475950851359]
  オープンウェイトモデルは、最強のクローズドモデルと10分の1以下のコストで一致させることができる。 ベンチマークが公開しているエージェントメッセージの制限は、相反するものだ。 同様の報酬を持つモデルは、1桁以上のコストで異なる。
  論文  参考訳（メタデータ） (2026-10-09T18:00:33Z)
• Sparse MLLM Anchors, Dense Adaptation: Breaking the Self-Referential Loop in Wild Test-Time Adaptation [17.055807559866093]
  我々は,MASA(Multimodal-LLM-Anchored Semantic Adaptation)を導入し,冷凍大言語モデル(MLLM)の構造化意味記述とモデル内部証拠を補完する。 MASAは記述をエンコードし、隣接するテストサンプルに伝達し、結果の視覚意味情報をオンラインのプロトタイプメモリに格納する。 WTTA ImageNet-CベンチマークのMASAをResNetとViTのバックボーンを用いて,制限バッチ,混合ドメイン,不均衡ラベルシフト設定で評価した。
  論文  参考訳（メタデータ） (2026-09-15T11:48:30Z)
• Membership is Ownership: A Robust Ownership Verification Framework for Diffusion Models [14.732690805955876]
  大規模な拡散モデルにより、AI関連のビジネスに多くの収益性のある下流の応用が加速された。 これらのモデルは、OpenAIやGoogleのようなテクノロジー企業にとって価値のある知的財産権(IP)と見なされている。 本研究は,AIモデルのIP保護を,最小限の実用性損失を伴う現実的な商業シナリオで検討する。
  論文  参考訳（メタデータ） (2026-08-28T22:56:52Z)
• Surrogate Fidelity: When Can Open LLMs Explain Closed Ones? [6.786301369955054]
  予測,属性,表現レベルでの代理的忠実度を評価する。 注意パターンや大きさのようなホワイトボックス信号は、モデル間で非常に安定しているが、因果属性の弱い予測しかできない。
  論文  参考訳（メタデータ） (2026-06-30T17:43:44Z)
• Detecting Semantic Backdoors in a Mystery Shopping Scenario [0.0]
  分類モデルにおけるセマンティックバックドアの検出問題に対処する。 クリーントレーニングデータセットとモデルのトレーニングレシピが共に知られていることを前提として,参照モデルプールを提案する。 我々はモデル距離を計算するための様々なアプローチを実験的に分析し、また、プロバイダが検出を避けるためにアダプティブアタックを実行するシナリオをテストする。
  論文  参考訳（メタデータ） (2026-01-07T11:04:04Z)
• Every Step Counts: Decoding Trajectories as Authorship Fingerprints of dLLMs [63.82840470917859]
  本稿では,dLLMの復号化機構をモデル属性の強力なツールとして利用できることを示す。 本稿では、デコードステップ間の構造的関係を捉え、モデル固有の振る舞いをよりよく明らかにする、DDM(Directed Decoding Map)と呼ばれる新しい情報抽出手法を提案する。
  論文  参考訳（メタデータ） (2025-10-02T06:25:10Z)
• Predicting the Performance of Black-box LLMs through Self-Queries [60.87193950962585]
  大規模言語モデル(LLM)は、AIシステムにおいてますます頼りになってきている。 本稿では、フォローアッププロンプトを使用し、異なる応答の確率を表現として捉え、ブラックボックス方式でLCMの特徴を抽出する。 これらの低次元表現上で線形モデルをトレーニングすると、インスタンスレベルでのモデル性能の信頼性を予測できることを示す。
  論文  参考訳（メタデータ） (2025-01-02T22:26:54Z)
• Ranked from Within: Ranking Large Multimodal Models Without Labels [73.96543593298426]
  ソフトマックス分布から導かれる不確実性スコアは,様々なタスクにまたがるランキングモデルに対して,ロバストな基礎となることを示す。 これにより、ラベルのないデータに対するLMMのランク付けが容易になり、手動のアノテーションを必要とせずに、多様なターゲットドメインのモデルを選択するための実践的なアプローチを提供する。
  論文  参考訳（メタデータ） (2024-12-09T13:05:43Z)
• Trustless Audits without Revealing Data or Models [49.23322187919369]
  モデルプロバイダが(アーキテクチャではなく)モデルウェイトとデータシークレットを維持しながら、他のパーティがモデルとデータプロパティを信頼性のない監査を行うことが可能であることを示す。 私たちはZkAuditと呼ばれるプロトコルを設計し、モデルプロバイダがデータセットとモデルの重みの暗号的コミットメントを公開します。
  論文  参考訳（メタデータ） (2024-04-06T04:43:06Z)
• MOVE: Effective and Harmless Ownership Verification via Embedded External Features [104.97541464349581]
  本稿では,異なる種類のモデル盗難を同時に防ぐために,効果的かつ無害なモデル所有者認証(MOVE)を提案する。 我々は、疑わしいモデルがディフェンダー特定外部特徴の知識を含むかどうかを検証し、所有権検証を行う。 次に、メタ分類器をトレーニングして、モデルが被害者から盗まれたかどうかを判断します。
  論文  参考訳（メタデータ） (2022-08-04T02:22:29Z)

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。