論文の概要: Padding to k: A Minimum Count in the Schema Makes Open-Weight Models Pad Their Extraction Lists

• arxiv url: http://arxiv.org/abs/2610.30997v1
• Date: Thu, 22 Oct 2026 09:38:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.306664
• Title: Padding to k: A Minimum Count in the Schema Makes Open-Weight Models Pad Their Extraction Lists
• Title（参考訳）: kへのパディング: オープンウェイトモデルが抽出リストをパディングするスキーマの最小数
• Abstract要約: 9つの注釈付きデータセットから558の実際のドキュメントに対して8つのオープンウェイトモデルをテストする。 スキーマで示される最小限は、施行されていないが、真の数よりも長いリストのシェアを34.5%から55.4%に引き上げている。 一般的な修正は、部分的にしか役に立たない: アイテムが少ないというラインは、平均的な効果を排除しますが、より真のアイテムを見逃します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Extraction pipelines ask language models for JSON that follows a schema, and the schema can set a minimum number of list entries. We ask what models do when the document holds fewer items than that minimum. Under a preregistered plan, we test eight open-weight models on 558 real documents from nine annotated datasets, with six more models on hosted services as a reference. Three findings stand out. First, models treat the count as a target: a minimum shown in the schema, but not enforced, raises the share of lists longer than the true count from 34.5% to 55.4%. Second, the padding is hard to catch, because most added entries are real text taken from the document; about half of them pass a check that each entry occurs in the source. Third, common fixes help only partly: a line saying fewer items are fine removes the effect on average but misses more true items, a count in prose ("up to k") also raises over-counting, an "N/A" option under an enforced minimum still leaves half the lists padded, and re-asking with the validation error makes padding far more common. We release the code, answer lists and run records at https://github.com/AbhishekBarali/padding-to-k
• Abstract（参考訳）: 抽出パイプラインはスキーマに従うJSONの言語モデルを求め、スキーマは最小数のリストエントリを設定することができる。 ドキュメントが最小限のアイテムよりも少ない場合、モデルは何を行うのかを問う。 事前登録されたプランでは、9つの注釈付きデータセットから558の実際のドキュメントに対して8つのオープンウェイトモデルをテストします。 3つの発見がある。 まず、モデルはカウントをターゲットとして扱う:スキーマに示される最小値は、強制されないが、真のカウントよりも長いリストのシェアを34.5%から55.4%に引き上げる。 第二に、ほとんどの追加エントリはドキュメントから取り出された実際のテキストなので、パディングはキャッチが難しい。 第3に、一般的な修正は、ひとつだけに役立つ: アイテムが少ないというラインは、平均で効果をなくすが、より真のアイテムを見逃す。 散文("up to k")のカウントも過剰にカウントされ、強制された最小値の"N/A"オプションは、パッドされたリストの半分を残し、検証エラーで再割り当てすることで、パッドがより一般的になる。 コード、回答リスト、レコードはhttps://github.com/AbhishekBarali/padding-to-kで公開しています。

関連論文リスト

• Count Anything at Any Granularity [55.70950689938894]
  KubriCountは、これまでで最大で、最も包括的な注釈付きカウントデータセットである。 テキストと視覚的特徴を相補的なターゲット仕様として併用する多粒カウントモデルを訓練する。 HieraCountは、マルチグラデーションカウントの精度を大幅に改善し、現実のシナリオに対して堅牢に一般化する。
  論文  参考訳（メタデータ） (2026-05-11T17:32:37Z)
• Semantic Layers for Reliable LLM-Powered Data Analytics: A Paired Benchmark of Accuracy and Hallucination Across Three Frontier Models [0.0]
  解析データベースの自然言語クエリ用にデプロイされたLLMは、2つの障害に悩まされる。 ClickHouseのCleaned Contoso Retailデータセットに対して,100の自然言語質問に対して,3つのフロンティアLSMをベンチマークした。
  論文  参考訳（メタデータ） (2026-04-28T02:53:23Z)
• BLooP: Zero-Shot Abstractive Summarization using Large Language Models with Bigram Lookahead Promotion [52.26069987232466]
  BLooPは,大規模な言語モデルに対して,ソース文書からビッグラムを生成するための簡単なトレーニング不要なデコード介入である。 BLooPは、各デコードステップでハッシュテーブルのルックアップを通じて動作し、トレーニング、微調整、モデル修正を必要としない。 BLooPは可読性を低下させることなく信頼度を著しく向上させる。
  論文  参考訳（メタデータ） (2026-03-12T01:14:19Z)
• jina-reranker-v3: Last but Not Late Interaction for Listwise Document Reranking [16.73571462259572]
  jina-reranker-v3は0.6Bパラメータの多言語リストワイド・リランカである。 モデルは61.94 nDCG@10で最先端のBEIR性能を達成するが、同等の性能を持つ他のモデルよりも大幅に小さい。
  論文  参考訳（メタデータ） (2025-09-29T17:23:54Z)
• Less is More: Making Smaller Language Models Competent Subgraph Retrievers for Multi-hop KGQA [51.3033125256716]
  本研究では,小言語モデルで処理される条件生成タスクとして,サブグラフ検索タスクをモデル化する。 2億2千万のパラメータからなる基本生成部分グラフ検索モデルでは,最先端モデルと比較して競合検索性能が向上した。 LLMリーダを接続した最大の3Bモデルは、WebQSPとCWQベンチマークの両方で、SOTAのエンドツーエンドパフォーマンスを新たに設定します。
  論文  参考訳（メタデータ） (2024-10-08T15:22:36Z)
• Lissard: Long and Simple Sequential Reasoning Datasets [10.39816548971042]
  言語モデルは、数十万のトークンからなる長いシーケンスを扱う必要のあるタスクを解決することができる。 しかしながら、単純なルールを繰り返し使用する必要のあるタスクでは、トレーニング中に見られるものよりもはるかに短いシーケンスでも失敗することが多い。 Lissardは、7つのタスクからなるベンチマークで、その目標は、モデルが処理し、広範囲のシーケンス長を生成する能力を評価することである。
  論文  参考訳（メタデータ） (2024-02-12T18:10:17Z)
• I am a Strange Dataset: Metalinguistic Tests for Language Models [42.572604781768]
  I am a Strange dataset"は、大規模言語モデルがメタ言語を扱えるかどうかという問題に対処する新しいデータセットである。 データセットは専門家によって手作りされ、専門家でないアノテーションによって検証される。 すべてのモデルは、サブタスクと、自己参照的でないメタinguistic Controlデータの両方で、ほぼ偶然に実行されます。
  論文  参考訳（メタデータ） (2024-01-10T18:06:27Z)
• Thutmose Tagger: Single-pass neural model for Inverse Text Normalization [76.87664008338317]
  逆テキスト正規化(ITN)は自動音声認識において重要な後処理ステップである。 本稿では,ITN例の粒度アライメントに基づくデータセット作成手法を提案する。 タグと入力語との1対1対応により、モデルの予測の解釈性が向上する。
  論文  参考訳（メタデータ） (2022-07-29T20:39:02Z)
• Does Recommend-Revise Produce Reliable Annotations? An Analysis on Missing Instances in DocRED [60.39125850987604]
  テキスト修正方式は, 偽陰性サンプルと, 人気エンティティや関係性に対する明らかな偏見をもたらすことを示す。 より信頼性の高いドキュメントREモデルのテストセットとして機能するように、relabeledデータセットがリリースされている。
  論文  参考訳（メタデータ） (2022-04-17T11:29:01Z)

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。