論文の概要: Disentangling Robustness and Sycophancy in Multilingual LLMs

• arxiv url: http://arxiv.org/abs/2610.30696v1
• Date: Thu, 22 Oct 2026 04:10:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.208739
• Title: Disentangling Robustness and Sycophancy in Multilingual LLMs
• Title（参考訳）: 多言語LLMにおける疎結合ロバスト性と音韻性
• Abstract要約: SC行列(SC行列)は、モデルの能力(圧力なしで正しく答えられるかどうか)と、その血圧(圧力下でその答えを維持するかどうか)を交差する。 以上の結果から,(1) 同一の総合失語率で異なる障害構成を隠蔽しうること,(2) 言語における高い能力が必ずしも梅毒を防いでいるとは限らないこと,(3) 推論指向の緩和が指示に基づく戦略より優れていること,などが示唆された。
• 参考スコア（独自算出の注目度）: 4.239775815863115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When a multilingual LLM agrees with a user's false premise, is it being sycophantic, or does it simply not know better in that language? Current research does not distinguish these cases: they record only whether the model agreed, not why. We introduce the SC-matrix, that crosses a model's competence (whether it answers correctly under no pressure) with its sycophancy (whether it maintains that answer under pressure). Our results show that (1) identical aggregate sycophancy rates can mask different failure compositions, (2) high competence in a language does not always protect against sycophancy, and (3) reasoning-oriented mitigations outperform directive-based strategies. We find that multilingual sycophancy is not a single phenomenon but a composite of different failures that require distinct diagnosis.
• Abstract（参考訳）: 多言語 LLM がユーザの虚偽の前提に同意する時、それは空想的なのか、それとも単にその言語でよく知らないのか? これらのケースは、モデルが一致したかどうかのみを記録するものであり、理由ではない。 SC行列(SC行列)は、モデルの能力(圧力なしで正しく答えられるかどうか)と、その血圧(圧力下でその答えを維持するかどうか)を交差する。 以上の結果から,(1) 同一の総合失語率で異なる障害構成を隠蔽しうること,(2) 言語における高い能力が必ずしも梅毒を防いでいるとは限らないこと,(3) 推論指向の緩和が指示に基づく戦略より優れていること,などが示唆された。 多言語性梅毒は1つの現象ではなく、異なる診断を必要とする異なる障害の複合体であることが判明した。

関連論文リスト

• Language Unalignability: Why Some Concepts Resist Cross-Cultural Benchmark Evaluation [0.3007949058551534]
  我々は、暗黙的な翻訳同型推定(TIA)は、タイプ論的に特定可能な概念のクラスに対して原則として不適切であると主張する。 我々は$$-unalignabilityを、語彙的忠実性を同時に保存する任意の写像の不合理性として定義する。 我々はこれらの知見を多次元の診断プロファイルとして運用する。
  論文  参考訳（メタデータ） (2026-10-06T13:10:29Z)
• Statistics, Not Scale: Modular Medical Dialogue with Bayesian Belief Engine [51.722324399751294]
  大規模言語モデルは、自律的な診断エージェントとしてますますデプロイされているが、基本的に異なる2つの機能を説明する。 本稿では,言語と推論を厳格に分離するモジュール型診断対話フレームワークBMBEを紹介する。
  論文  参考訳（メタデータ） (2026-04-21T21:59:57Z)
• METER: Evaluating Multi-Level Contextual Causal Reasoning in Large Language Models [61.33372454250959]
  コンテキスト因果推論は、大規模言語モデルにとって重要なが難しい能力である。 既存のベンチマークでは、コンテキスト整合性を保証するか、完全な因果階層をカバーすることができない。 私たちはMETERの先駆者であり、因果はしごの3つのレベルすべてにわたってLSMを体系的にベンチマークしました。
  論文  参考訳（メタデータ） (2026-04-13T14:07:11Z)
• Verbalizing LLMs' assumptions to explain and control sycophancy [62.927670321859495]
  LLMは、真のアセスメントを提供するのではなく、"am I in the wrong? LLMからこれらの仮定を抽出するフレームワークであるVerbalized Assumptionsを提案する。 我々の研究は、梅毒のメカニズムとしての仮定の新たな理解に貢献している。
  論文  参考訳（メタデータ） (2026-04-03T14:15:43Z)
• Ask don't tell: Reducing sycophancy in large language models [1.5701458173528275]
  本研究は, 質問に対する非質問に対する回答において, 薬効が有意に高いことを示す。 疑問に答える前に、モデルに非疑問を質問に変換するよう求めると、薬効が著しく低下することがわかった。
  論文  参考訳（メタデータ） (2026-02-27T12:27:04Z)
• BASIL: Bayesian Assessment of Sycophancy in LLMs [26.346357679861228]
  Sycophancyは、人間とAIのコラボレーションの文脈で理解するために重要である。 既存のLLMにおけるサイコファンシーの研究方法は、記述的(サイコファンシーが誘発されたときの学習行動の変化)または規範的である。 LLMの合理性に対する梅毒の規範的影響を研究するためのベイズ的枠組みを導入する。
  論文  参考訳（メタデータ） (2025-08-23T00:11:00Z)
• When Truth Is Overridden: Uncovering the Internal Origins of Sycophancy in Large Language Models [11.001042171551566]
  利用者の意見が、異なるモデル家族間でどのように梅毒を誘発するかを考察する。 ファースト・パーソン・プロンプトは、サード・パーソン・フレーミングよりも、常に高いサイコフィナンシー・レートを誘導する。 これらの知見は, サイコフィナンシーは表面レベルの人工物ではなく, 深層における学習知識の構造上のオーバーライドから生じることを示唆している。
  論文  参考訳（メタデータ） (2025-08-04T05:55:06Z)
• Multimodal Chain-of-Thought Reasoning in Language Models [94.70184390935661]
  言語(テキスト)と視覚(画像)のモダリティを2段階のフレームワークに組み込んだマルチモーダルCoTを提案する。 その結果,ScienceQA と A-OKVQA のベンチマークは,提案手法の有効性を示した。
  論文  参考訳（メタデータ） (2023-02-02T07:51:19Z)

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。