論文の概要: Cross-Lingual Reusability of LLM Pipelines: Financial Extraction, Multilingual Reasoning, and Semantic Screening

• arxiv url: http://arxiv.org/abs/2610.27043v1
• Date: Mon, 19 Oct 2026 17:41:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.438639
• Title: Cross-Lingual Reusability of LLM Pipelines: Financial Extraction, Multilingual Reasoning, and Semantic Screening
• Title（参考訳）: LLMパイプラインの相互再利用性:財務抽出,多言語推論,意味スクリーニング
• Abstract要約: 金融機関は多言語市場において大規模言語モデル(LLM)をますます導入している。 英語で開発、検証されたパイプラインは、言語間で再利用できるのか、それともローカライズ毎に再構築されなければならないのか? 我々は,3つの相補的なタスクを通じて,3次元の言語間再使用可能性(正確性,推論・実行性,行動安定性)を検証した。
• 参考スコア（独自算出の注目度）: 0.7723275168838715
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Financial institutions increasingly deploy large language models (LLMs) in multilingual markets, raising a practical question: can pipelines developed and validated in English be reused across languages, or must they be rebuilt per locale? We test cross-lingual reusability along three dimensions--accuracy, reasoning-effort transfer, and behavioural stability--through three complementary tasks. Task 1 (cheque extraction) and Task 2 (Mintaka QA with pinned evidence across nine languages and nine model-effort configurations) test whether accuracy and effort settings transfer; Task 3 (FinanceBench pilot, 50 items over SEC 10-K filings in four languages) validates whether these patterns generalise to financial content. Accuracy reusability is broadly confirmed: Gemini 3.5 Flash achieves 95.2-97.6% extraction accuracy across prompt languages, and FinanceBench per-language means span 5.8pp (77.1-82.9%), though the language-difficulty ranking reverses between domains (Hindi is worst on Mintaka, best on FinanceBench at 82.9%). Effort reusability is domain-dependent: higher reasoning effort yields marginal gains on general-knowledge QA but up to 8pp on financial content, and effort configurations that help in English help proportionally in other languages. Behavioural reusability holds: citation-set overlap with English averages 77-79% Jaccard, with no single language consistently worse. Together, these results support qualified reuse of English-built pipelines, but per-domain, per-language validation remains necessary--neither semantic similarity nor self-reported confidence reliably predicts cross-lingual accuracy.
• Abstract（参考訳）: 金融機関は多言語市場において大規模言語モデル(LLM)をますます導入し、実践的な疑問を提起している。 我々は,3つの相補的なタスクを通じて,3次元の言語間再使用可能性(正確性,推論・実行性,行動安定性)を検証した。 第1タスク(チーズ抽出)と第2タスク(ミニタカQA)は、9つの言語にまたがる証拠をピン留めし、9つのモデル・エフォート構成で、正確性と労力の設定が転送されるかどうかを検証し、第3タスク(FinanceBenchパイロット、SEC10-K4言語での50項目)は、これらのパターンが財務内容に一般化するかどうかを検証する。 Gemini 3.5 Flashは、プロンプト言語間で95.2-97.6%の抽出精度を達成し、ファイナンスベンチは5.8pp (77.1-82.9%)に達するが、言語差のあるランキングはドメイン間で逆転する(ヒンディー語はミンタカで最悪、ファイナンスベンチで82.9%)。 高い推論努力は、一般知識QAでは限界的な利益をもたらすが、財務コンテンツでは最大8pp、他の言語では英語で比例的に役立つ努力構成である。 引用セットが平均77-79%のジャカードと重なり合い、1つの言語が一貫して悪くなることはない。 これらの結果は、英語で構築されたパイプラインの適切な再利用をサポートするが、ドメインごとの言語毎の検証は依然として必要であり、セマンティックな類似性も、自己報告された自信も、言語間精度を確実に予測しない。

関連論文リスト

• What Does Post-Training Change in Multilingual Reasoning? [12.915215118963893]
  オープンソース推論モデルは、言語間の推論能力に不平等なアクセスを提供する。 11言語における競合数学のタスクに関するQwen3チェックポイントを監査する。 10の非英語言語全体では、15.4-17.9%の問題は16のサンプルのいずれにおいても、要求された言語で目に見える推論を伴う正しい解決策が与えられ、英語では92.9%である。
  論文  参考訳（メタデータ） (2026-09-29T09:23:31Z)
• Choosing the Right Language Mode at Inference Time for Multilingual Reliability [3.6095388702618405]
  大規模な言語モデルは、低級から中級の言語では推論に苦慮することが多い。 以前の研究によると、翻訳は、より強い英語中心の表現へのアクセスを支援することで、多言語推論を改善することができる。 これは、多言語の大言語モデルが確実に推論するためにどのくらいの翻訳が必要かという、中心的な疑問を提起する。
  論文  参考訳（メタデータ） (2026-09-04T02:36:26Z)
• Lower-Resource, Higher Scores: Language Bias in LLM Evaluators [27.959960538188753]
  意味論的に同一の命令応答対を23言語で実験する。 その結果、多言語評価器は異なる評価言語に大きく異なるスコアを割り当てていることがわかった。
  論文  参考訳（メタデータ） (2026-07-16T01:53:09Z)
• Extending Item Response Theory for Efficient and Meaningful Multilingual Evaluation [19.965981631741894]
  マルチ言語ベンチマークは、言語全体にわたる大規模言語モデル(LLM)の評価の中心である。 徹底的な評価は言語数とともに線形にスケールし、自動翻訳はスケールで見落とされるエラーを導入し、いくつかの項目は一般的な知識と文化固有の知識を詳述する。 我々はこれら3つを統一的な統計フレームワークであるMultilingual-IRTで解決し、言語ごとの難易度差による項目応答理論を拡張した。
  論文  参考訳（メタデータ） (2026-06-14T07:16:03Z)
• Cross-Lingual Consistency: A Novel Inference Framework for Advancing Reasoning in Large Language Models [10.231866835957538]
  大型言語モデル(LLM)における推論能力を高める重要なメカニズムとして、Chain-of-Thought(CoT)が登場した。 LLMの推論能力を高めるために,多数決による多言語推論経路を統合した言語間整合性(CLC)フレームワークを提案する。 CMATHデータセットの実証評価により、従来の自己整合性法よりもCLCの方が優れていることが明らかになった。
  論文  参考訳（メタデータ） (2025-04-02T16:09:39Z)
• Breaking Language Barriers in Multilingual Mathematical Reasoning: Insights and Observations [59.056367787688146]
  本稿では, マルチリンガル数学推論 (xMR) LLM の探索と学習の先駆者である。 我々は10の異なる言語を含む最初の多言語数学推論命令データセットMGSM8KInstructを構築した。 翻訳を利用して、10個の異なる言語を含む最初の多言語数学推論命令データセットMGSM8KInstructを構築した。
  論文  参考訳（メタデータ） (2023-10-31T08:09:20Z)
• Learning to Learn Morphological Inflection for Resource-Poor Languages [105.11499402984482]
  本稿では,メタラーニング問題として資源不足言語に対する形態的インフレクション(補題を表象形にマッピングする)の課題を提案する。 それぞれの言語を個別のタスクとして扱うことで、高速ソース言語からのデータを使ってモデルパラメータの集合を学習する。 3つのファミリーから29のターゲット言語を対象とする2つのモデルアーキテクチャの実験により、提案手法がすべてのベースラインを上回ります。
  論文  参考訳（メタデータ） (2020-04-28T05:13:17Z)

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。