論文の概要: A Large-Scale Evaluation of Role-Enhanced Zero-Shot Chain-of-Thought Prompting

• arxiv url: http://arxiv.org/abs/2610.29073v1
• Date: Wed, 21 Oct 2026 01:53:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 09:50:43.226275
• Title: A Large-Scale Evaluation of Role-Enhanced Zero-Shot Chain-of-Thought Prompting
• Title（参考訳）: ロール強化ゼロショットチェーンの大規模評価
• Abstract要約: Role-Enhanced Zero-Shot Chain-of-Thought (RE-ZS-CoT)は、大きな言語モデル(LLM)における推論を強化するために、ドメイン固有の専門家の役割を統合するプロンプトフレームワークである。 また,RE-ZS-CoTは0ショット,0ショットのCoTベースラインを超え,最大44ポイントの性能向上を実現していることを示す。
• 参考スコア（独自算出の注目度）: 11.328672023598019
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes Role-Enhanced Zero-Shot Chain-of-Thought (RE-ZS-CoT), a prompting framework that systematically integrates domain-specific expert roles to enhance reasoning in large language models (LLMs) without task-specific examples. We assess two versions of our approach. In the first version, static role selection, we evaluate eight predefined expert roles across arithmetic, commonsense, and reading comprehension benchmarks to determine their impact on reasoning performance. In the second version, dynamic role selection, each model autonomously selects the single most suitable role for each benchmark, enabling adaptive task-role alignment without manual specification. Across 20 LLMs and seven benchmarks, RE-ZS-CoT frequently surpasses zero-shot and zero-shot-CoT baselines, achieving performance improvements of up to 44 percentage points. The results reveal a strong correspondence between static and dynamic versions; the benchmarks where static roles yielded improvements were almost always those where dynamic roles also outperformed baselines, though static selection achieved peak performance. Ablation studies further show that unconventional roles degrade performance, underscoring the necessity of task-role alignment. The framework's scalability is validated across model sizes (2b-14b parameters), with smaller models like Granite3.3-8b achieving remarkable proficiency in arithmetic reasoning. RE-ZS-CoT advances zero-shot prompting by unifying role specialization with chain-of-thought reasoning, offering a practical, resource-efficient solution for improving LLM capabilities across diverse domains.
• Abstract（参考訳）: 本稿では,大規模言語モデル(LLM)において,タスク固有の例を伴わずに推論を強化するために,ドメイン固有の専門家の役割を体系的に統合するプロンプトフレームワークであるRole-Enhanced Zero-Shot Chain-of-Thought (RE-ZS-CoT)を提案する。 アプローチの2つのバージョンを評価します。 最初のバージョン、静的な役割選択では、算術的、常識的、理解的ベンチマークにまたがる8つの事前定義された専門家の役割を評価し、それらが推論性能に与える影響を判断する。 第2バージョンの動的ロール選択では、各モデルが各ベンチマークに最も適した1つのロールを自律的に選択し、手動仕様なしで適応的なタスクロールアライメントを可能にする。 20のLLMと7つのベンチマークで、RE-ZS-CoTはゼロショットとゼロショットCoTのベースラインを超え、最大44ポイントのパフォーマンス向上を実現している。 静的な役割が向上したベンチマークは、静的な役割がベースラインを上回り、静的な選択がピークパフォーマンスを達成した。 アブレーション研究は、非伝統的な役割がパフォーマンスを低下させ、タスクロールアライメントの必要性を暗示していることも示している。 フレームワークのスケーラビリティはモデルサイズ(2b-14bパラメータ)で検証されており、Granite3.3-8bのようなより小さなモデルでは算術的推論の精度が著しく向上している。 RE-ZS-CoTは、さまざまな領域にわたるLLM能力を改善するための実用的でリソース効率の良いソリューションを提供する、チェーン・オブ・ソート推論とロール・スペシャライゼーションを統合することで、ゼロショット・プロンプトを推進している。

関連論文リスト

• Flexi-LoRA with Input-Adaptive Ranks: Efficient Finetuning for Speech and Reasoning Tasks [45.52407607804239]
  トレーニングと推論の両方において入力の複雑さに基づいてLoRAランクを動的に調整する新しいフレームワークであるFlexi-LoRAを提案する。 その結果,入力依存パラメータ割り当ては少ないパラメータで高い性能を実現することがわかった。 我々は多種多様なタスクにまたがる総合的な実証的研究を行い、入力適応的かつ効率的な微調整アプローチにおける将来の研究の基盤を確立する。
  論文  参考訳（メタデータ） (2026-05-03T16:45:36Z)
• RISER: Orchestrating Latent Reasoning Skills for Adaptive Activation Steering [62.63376387138257]
  本稿では,アクティベーション空間における大規模言語モデル(LLM)推論を適応的に制御するプラグイン・アンド・プレイ介入フレームワークを提案する。 RISERは再利用可能な推論ベクトルのライブラリを構築し、軽量ルータを使用して各入力に対して動的に構成する。 ルーターは、タスクレベルの報酬の下で強化学習を通じて最適化され、緊急かつ構成的な方法で潜在する認知的プリミティブを活性化する。
  論文  参考訳（メタデータ） (2026-01-14T08:04:33Z)
• ART: Adaptive Response Tuning Framework -- A Multi-Agent Tournament-Based Approach to LLM Response Optimization [0.0]
  大規模言語モデル(LLM)は、自然言語の理解と生成において顕著な能力を示した。 本稿では,トーナメント型ELOランキングとマルチエージェント推論を用いたART(Adaptive Response Tuning)を提案する。
  論文  参考訳（メタデータ） (2025-11-29T20:16:11Z)
• GRPO-CARE: Consistency-Aware Reinforcement Learning for Multimodal Reasoning [53.894789613838654]
  我々は、複雑な実世界のビデオにバランスの取れた知覚と推論を必要とするベンチマークであるSEED-Bench-R1を紹介する。 SEED-Bench-R1を用いて、標準GRPOは解の精度を向上する一方で、推論ステップと解の論理的コヒーレンスを57.9%の一貫性で減少させる。 応答の正しさと推論コヒーレンスの両方を明示的な監督なしに最適化する整合性を考慮したRLフレームワークGRPO-CAREを提案する。
  論文  参考訳（メタデータ） (2025-06-19T08:49:13Z)
• Improving LLM Reasoning through Interpretable Role-Playing Steering [33.25597755294326]
  ロールプレイングは大規模言語モデル(LLM)の推論能力を高める効果的な手法として登場した。 Sparse Autoencoder Role-Playing Steering (SRPS) は、ロールプレイング行動に関連する内部モデルの特徴を特定し、操作する新しいフレームワークである。 提案手法は,ロールプレイプロンプトから潜在表現を抽出し,アクティベーションパターンに基づいて最も関連性の高い特徴を選択し,制御可能な強度でモデルの残留ストリームに注入可能なステアリングベクトルを構築する。
  論文  参考訳（メタデータ） (2025-06-09T00:31:17Z)
• RAIDEN-R1: Improving Role-awareness of LLMs via GRPO with Verifiable Reward [7.9399136525335585]
  RAIDEN-R1は、VRAR(Verifiable Role-Awareness Reward)を統合した新しい強化学習フレームワークである マルチLLMコラボレーションにより,高品質で役割対応のChain-of-Thoughtデータセットを構築した。 RAIDENベンチマークの実験では、RAIDEN-R1の優位性が示されている。
  論文  参考訳（メタデータ） (2025-05-15T12:22:10Z)
• Improving Large Language Model Planning with Action Sequence Similarity [50.52049888490524]
  本研究では,インコンテキスト学習(ICL)によるモデル計画能力の向上について検討する。 GRASE-DC は2段階のパイプラインで,まず高効率のAS例を再サンプリングし,選択した例をキュレートする。 実験の結果,GRASE-DCは様々な計画タスクにおいて大幅な性能向上を実現していることがわかった。
  論文  参考訳（メタデータ） (2025-05-02T05:16:17Z)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• More is not always better? Enhancing Many-Shot In-Context Learning with Differentiated and Reweighting Objectives [51.497338578427915]
  大規模言語モデル(LLM)は、パラメータ更新を必要とせずに、数ショットのインコンテキスト学習(ICL)で優れている。 DrICLは、textitDifferentiatedとtextitReweightingの目的によってモデル性能を向上させる新しい最適化手法である。 textitMany-Shot ICL Benchmark (ICL-50) は最大8,000トークンのシーケンスで1から350までのショット数をカバーした50タスクの大規模ベンチマークである。
  論文  参考訳（メタデータ） (2025-01-07T14:57:08Z)

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。