論文の概要: Inheritance as an Admission Test for LLM Prompt Merge Operators

• arxiv url: http://arxiv.org/abs/2610.29023v1
• Date: Wed, 21 Oct 2026 00:56:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.167329
• Title: Inheritance as an Admission Test for LLM Prompt Merge Operators
• Title（参考訳）: LLMプロンプトマージオペレータのアドミッションテストとしての継承性
• Abstract要約: 大規模言語モデル(LLM)エージェントは、固定検証が完了するまで反復的に改善されることが多い。 代わりに私たちは、現在の人口に対してエージェントを得点し、凍ったパネルは、誰かが良くなったかどうかを記録します。
• 参考スコア（独自算出の注目度）: 0.6117371161379209
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model (LLM) agents are often improved by iterating until a fixed verifier is done. Once that verifier saturates, the loop has nothing left to climb. We instead score agents against the current population, and a frozen panel records whether anyone got better. The panel mean can rise inside the seeds by elimination alone. We therefore count a run as training only when its final mean beats the best generation-zero member. A merge is admitted only when the child moves toward the donor, past the child the same operator produces at zero dose, and the lower confidence bound on that movement reaches half the requested dose. That is the admission test. A detectable shortfall rejects the operator, and the test is otherwise undetermined. We keep realised fitness φas the selector and reference performance θas the unused ruler. Every measurement uses gemini-3.1-flash-lite on one negotiation task, and no fixed-oracle arm was run. In the open loop, tactic append grafts short donor rules and is admitted. Free rewrite moves only a third of the requested dose and is rejected. Template append pastes raw donor replies into the child. Its movement clears the bound on the first probe but not on the re-probe, and it is left undetermined. A held-out re-probe on the five situations the merge never saw confirms that both appends move, and it does not rescue free rewrite. Neither append rises with the dose. Constrained rewrite is admitted in the open loop and was not run in the closed loop, which changes only the operator. The population, the scores and the task stay fixed. No free-rewrite run beats the best generation-zero member. Every tactic-append run and every template-append run does. Sampled loop children keep that split. Free rewrite moves no further toward the donor, and both appends still clear the bound, by less than in the open loop.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、固定検証が完了するまで反復的に改善されることが多い。 検証器が飽和すると、ループには登るべきものは何も残らない。 代わりに私たちは、現在の人口に対してエージェントを得点し、凍ったパネルは、誰かが良くなったかどうかを記録します。 パネルは、単独で種子の中に立ち上がることができる。 したがって、最後の平均値が最高の世代ゼロのメンバを上回った場合にのみ、ランをトレーニングとみなす。 マージは、子供がドナーに向かって移動するときにのみ認められ、同じオペレータがゼロ線量で生成し、その移動に拘束される低い信頼度は、要求された線量の半分に達する。 それは入学試験です。 検出可能なショートフォールは演算子を拒絶し、それ以外はテストは決定されない。 我々は、適合度 φas をセレクタとし、参照性能 θas を未使用の定規とし続けている。 全ての測定は1つの交渉作業でgemini-3.1-flash-liteを使用し、固定軌道アームは実行されなかった。 オープンループでは、タクティック・アタッチメントが短いドナー・ルールを移植し、承認される。 フリーリライトは要求された量の3分の1しか動かず、拒否される。 Template appendは生のドナーの返信を子供に貼り付ける。 その運動は、最初のプローブ上の境界をクリアするが、再プローブ上ではなく、未決定のままである。 マージが見たことのない5つの状況で再調査した結果、両者が動いたことが確認され、フリーリライトを救えなかった。 どちらの付属物も投与量で上昇しない。 制限された書き直しはオープンループで認められ、クローズドループでは実行されなかった。 人口、スコア、タスクは固定されている。 フリーリライトのランが最高の世代ゼロのメンバを打ち負かすことはない。 すべてのtactic-appendが実行され、すべてのテンプレート-appendが実行されます。 サンプリングされたループの子供たちはその分割を維持します。 フリーリライトはドナーに向かっては動かず、両方のアタッチメントはオープンループよりもバウンドをクリアする。

関連論文リスト

• Revisiting Fast Tendermint: An Agreement Violation and Two Repairs [51.56484100374058]
  我々は、Fast Tendermintが発行したラウンドチェンジルールが合意に違反していることを示す。 失敗は、プロセスがラウンドを通り過ぎ、そこで決定された可能性のある値を記録せずに発生します。 ウォークは、各ラウンドをそのラウンドのプリコミットのクォーラムに残し、出発する前にプリコミットするプロセスを必要とする。 Justifyは提案自体で提案を受け入れるために必要なエビデンスを持ち、記録された有効な状態と提案者の同期待ちの両方を削除する。
  論文  参考訳（メタデータ） (2026-10-12T09:08:33Z)
• Small but Mighty: Test Suites as Improvement Signals for Self-Evolving Agents [47.31799993604283]
  TeSearchは、品質多様性の進化アルゴリズムを用いて、小さくて強いテストスイートを検索する。 129の現実世界のモジュールと3つのバックボーンで、TeSearchはどんなメソッドでも最高品質のスイートを提供する。 リポジトリのテストでは、59.9%の動作変更リライトが25.3%に対して、偽アラームレートが4.0%、決定毎に3.5秒で拒否されている。
  論文  参考訳（メタデータ） (2026-10-11T22:36:54Z)
• Who Verifies the Verifier? Co-Evolving Inspectable Graders with Self-Improving Agents [9.989306175511238]
  すべての自己改善エージェントループがこれを何百回も答え、すべての答えは検証者から得られます。 オープンエンドタスクには、ループは存在しないので、ループは手書きのルーブリックや、モデル自体から出力をグラデーションする素の裁判官に渡される。 我々は検証器を進化する物体、すなわち小さな、主に決定論的検出器上での検査可能な表現にする。
  論文  参考訳（メタデータ） (2026-10-08T08:13:53Z)
• Rotate the Loop: Blockwise Conformality for Looped Transformers [72.4010041245191]
  ループが状態を追跡することを学習したかどうかが,この地図の形状に関する幾何学的問題であることを示す。 残差を座標整列群に分割し,それぞれ内部を回転させるブロックワイド整列注入を提案する。
  論文  参考訳（メタデータ） (2026-09-30T23:32:34Z)
• Agora: Git as Shared Memory for Collective AutoResearch [54.31992252587096]
  別々のセッションで作業する調査エージェントは、他の人が試したことと、構築可能な結果を知る必要がある。 各コミットは結果、洞察、仮説、検証、報告を記録し、それを以前の作業とリンクする。 約12日間に渡り,13人の言語モデル労働者がアゴラを重み移動問題の解決に利用したことを報告した。
  論文  参考訳（メタデータ） (2026-09-16T04:00:54Z)
• From Experiments to Decisions: Reusing Evidence in Autonomous Coding Research [0.0]
  我々は400タスクのNeuroGolfキャンペーンでエビデンスをどのように再利用するかを再構築する。 数値的な反例は、オーバーブロード排除を公開する。 他のエピソードでは、失敗、不完全、そして修正されたプログラムが次に行うことを正当化する。
  論文  参考訳（メタデータ） (2026-09-10T03:48:31Z)
• Bounded Loops: Pre-Run Spend Bounds, Proved Termination, and Verified Completion for Agent Harnesses [0.0]
  メインストリームのエージェントフレームワークでは、エージェントの出力が終了すると、ステップが終了する。 私たちは、ハーネスがそれを提供するかどうかを測定する機器を構築します。 ゲートは2層保持されたミュータントコーパスに対して測定される。
  論文  参考訳（メタデータ） (2026-08-20T14:26:06Z)
• Interrupting the Loop: Periodic Subject Changes Raise Judged Surprise and Connection in Base Language Models [0.0]
  3つのベースモデル上で24条件以上の認知にインスパイアされた生成ループを分解する。 新しい被験者が数百のトークン(割り込み)をストリームに注入する。 このプロトコルの下では、中断は1.2から1.4ポイントと判定されたサプライズを上昇させ、習慣のみに対して0.8に接続する。
  論文  参考訳（メタデータ） (2026-08-20T11:01:59Z)
• Metrics That Write Themselves: Evolving an Evaluator from Its Own Blind Spots [11.457174357202392]
  EvalCEGARは小さなPythonオペレータのプールで、それぞれが名前のついた欠陥の候補をフラグ付けし、投票する。 プールを抽象化として読み出し、衝突を検索し、2つの答えが演算子は同じスコアで、1つは正しく、1つは正しくない。 MBPP+とHumanEval+は、隠れたユニットテストが正確な真実を告げるサンドボックスで、ループは55行の演算子を書き、何もフラグ付けしないと完璧なフィルターの間のギャップの15.4%を閉じている。
  論文  参考訳（メタデータ） (2026-08-19T09:55:17Z)
• Abliteration Is Not a Scalpel: Off-Target Effects of Refusal Removal on Decision Disposition Across Model Families [51.56484100374058]
  放棄 — モデルの拒絶方向を重みから取り除く — は、一般的な"アンセンソルド"なオープンウェイトモデルの標準的なレシピである。 ディスポジションプローブとして21,600個の決定を不確実性の下で使用し、凍結パイプラインを通じて再生することにより、決定層モデルが唯一の変数となる。 3つのエフェクトは2つのファミリーにまたがって複製される(ゼロを除く週間クラスターCI) 4つ目の効果は符号を逆転する:同じ操作によりGemmaで読み取られた方が自信が弱まり、Qwenで読み取られたものがより多くなる(ファミリーCIは重複しない)。
  論文  参考訳（メタデータ） (2026-07-19T22:27:00Z)

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。