論文の概要: Decision Model Factory: Building Specialized Sovereign Decision Models

• arxiv url: http://arxiv.org/abs/2610.34956v1
• Date: Mon, 26 Oct 2026 07:23:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.784575
• Title: Decision Model Factory: Building Specialized Sovereign Decision Models
• Title（参考訳）: 決定モデルファクトリ:特殊化された厳密な決定モデルの構築
• Abstract要約: 決定モデルファクトリー(Decision Model Factory)は、意思決定のニーズを、オンデマンドの専門的な主権モデルに変える。 簡単なレシピは、選択したバックボーンのトレーニング、校正、検証、評価をガイドする。 専用ランナーは許可された確率のみを計算し、共有コンテキストを再利用する。
• 参考スコア（独自算出の注目度）: 8.37609145576126
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decision needs vary with each application, language, and deployment environment. The Decision Model Factory turns those needs into specialized, sovereign models on demand. A brief recipe guides the training, calibration, verification, and evaluation of a selected backbone, delivering a deployable decision model under the operator's control. The same workflow creates a new specialist whenever the requirements change. Across Japanese decision tasks, compact deployment, and long-context passage ranking, five factory-built models improve upon their backbones; three surpass the strongest results in a fixed public Japanese benchmark comparison. A dedicated runner computes only permitted-answer probabilities and reuses shared context, more than doubling serving speed on matched multi-question workloads with essentially unchanged decision scores. Together, the factory and runner make fast, task-specific decision models practical to build and deploy whenever needed.
• Abstract（参考訳）: 決定はアプリケーション、言語、デプロイメント環境によって異なります。 決定モデルファクトリー(Decision Model Factory)は、これらのニーズをオンデマンドの専門的な主権モデルに変える。 簡単なレシピは、選択されたバックボーンのトレーニング、校正、検証、評価をガイドし、オペレータのコントロール下でデプロイ可能な決定モデルを提供する。 同じワークフローは、要件が変更されるたびに、新たなスペシャリストを生成する。 日本の意思決定タスク、コンパクトな展開、長期コンテキストパスランキングでは、5つの工場生産モデルが背骨を改良し、3つが固定された日本のベンチマークで最強の結果を上回った。 専用ランナーは、許可された確率のみを計算し、共有コンテキストを再利用する。 ファクトリとランナーは、必要な時にビルドとデプロイを行うために、高速でタスク固有の決定モデルを実用的なものにします。

関連論文リスト

• Large Decision Models: Repurposing Large Language Models as Single-Pass Decision Makers [11.47184779374245]
  本研究では,実行時に指定されたラベルよりも明確な確率を返すために,言語モデルを再購入する大規模決定モデルを提案する。 まず、DDS(Diverse Decision Supervision)を通じて、さまざまなドメイン、ルール、ラベルをカバーし、このインターフェースにモデルを適用する。 推論モデルに対するパフォーマンスギャップをさらに狭めるため、SPRD(Self-Posed Reasoning Distillation)では、凍結教師が生成したタスクを追加し、回答整合性をフィルタし、繰り返し教師の推論から得られたラベル分布をトレーニングする。
  論文  参考訳（メタデータ） (2026-10-11T10:04:59Z)
• Can One Adapted Model Do It All? Fine-Tuning Strategy Selection for Customer Support LLMs [9.694856873255011]
  マルチタスクフルチューニングは、テストするすべてのモデルサイズにおいて、最も強力な運用上のデフォルトになります。 スペシャリストモデルはターゲットのタスクに強いが、しばしばタスクのオフタスクが急激に低下し、信頼性の高いルーティングが重要になる。 実世界の環境での微調整戦略を選択するための実践的ガイドラインで締めくくった。
  論文  参考訳（メタデータ） (2026-09-23T02:46:50Z)
• Multitask Reinforcement Learning for Assisting Choice Model Specification [0.0]
  我々は、転送可能な仕様戦略をトランスポート選択データセット間で学習する強化学習フレームワークであるDelphosを紹介する。 Delphosは、モデルの仕様をシーケンシャルな意思決定問題として捉えている。 一連のモデリングアクションを適用し、推定環境からフィードバックを受け取る。
  論文  参考訳（メタデータ） (2026-09-16T10:32:09Z)
• DAREBench: Deployment-Aware and Reliable Evaluation of Models as Agents [16.576661790025668]
  DAREBenchは、ワークロードの変動を捉え、信頼できるエージェント評価をサポートするために設計されたベンチマークである。 単一のモデルがすべてのワークロードグループ、テキスト、マルチモーダルタスクを支配しているわけではない。 これらの結果は、エージェントのデプロイメントとモデルの選択は、ワークロードプロファイル、デプロイメントモード、精度の高いトレードオフを考慮するべきであることを示唆している。
  論文  参考訳（メタデータ） (2026-09-05T12:36:59Z)
• Before Thinking, Learn to Decide: Proactive Routing for Efficient Visual Reasoning [87.18590662029432]
  本稿では,プロアクティブルーティングパラダイムであるPRPを提案する。このパラダイムは,ドラフトモデルとターゲットモデルの両方の能力を評価することで,早期意思決定を可能にする。 筆者らの試案であるレーティング学習 (DRL) は内部信頼度推定器を内蔵し, 共同レーティング学習 (JRL) は対象モデルが与えられたクエリをどの程度処理できるかを予測する。 これらの評価により、詳細なインスタンスレベルの textbfProactive Routing が可能になり、全体的なパフォーマンスを損なうことなく、推論を大幅に高速化できる。
  論文  参考訳（メタデータ） (2026-06-29T12:30:24Z)
• Don't Throw Away Your Pretrained Model [68.63558351111303]
  私たちは、モデルコラボレーションを通じて両方の世界を最大限に活用することを目指しています。 そこで我々は,事前訓練されたモデルバージョンが,応答シーケンスで「話し方」を交互に行うスイッチ生成を提案する。
  論文  参考訳（メタデータ） (2025-10-10T23:12:20Z)
• Revisiting SMoE Language Models by Evaluating Inefficiencies with Task Specific Expert Pruning [78.72226641279863]
  SMOE(Sparse Mixture of Expert)モデルは、言語モデリングにおける高密度モデルに代わるスケーラブルな代替品として登場した。 本研究は,SMoEアーキテクチャの設計に関する意思決定を行うために,タスク固有のモデルプルーニングについて検討する。 適応型タスク対応プルーニング手法 UNCURL を導入し,MoE 層当たりの専門家数をオフラインで学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-02T22:35:03Z)
• Generative Model for Models: Rapid DNN Customization for Diverse Tasks and Resource Constraints [28.983470365172057]
  NN-Factoryは、さまざまなエッジシナリオ用にカスタマイズされた軽量モデルを生成する、オールツーオールのフレームワークである。 NN-Factoryの主なコンポーネントは、異なるタスクを達成するために条件付きアクティベート可能な、事前訓練されたモジュールを備えたモジュラースーパーネットである。 NN-Factoryは、従来のモデルのカスタマイズアプローチよりも桁違いに高速で、数秒で高品質なタスクやリソース固有のモデルを生成することができる。
  論文  参考訳（メタデータ） (2023-08-29T03:28:14Z)
• Deep Model Reassembly [60.6531819328247]
  我々はDeep Model Reassembly(DeRy)と呼ばれる新しい知識伝達タスクを探索する。 DeRyの目標は、まず各モデルを固有のビルディングブロックに分割し、それから派生したブロックを選択的に再組み立てて、カスタマイズされたネットワークを生成することである。 ImageNetでは、最高の再組み立てモデルは微調整なしで78.6%のトップ1の精度を実現している。
  論文  参考訳（メタデータ） (2022-10-24T10:16:13Z)
• Exploring Strategies for Generalizable Commonsense Reasoning with Pre-trained Models [62.28551903638434]
  モデルの一般化と精度に及ぼす3つの異なる適応法の影響を計測する。 2つのモデルを用いた実験では、微調整はタスクの内容と構造の両方を学習することで最もうまく機能するが、過度に適合し、新しい答えへの限定的な一般化に苦しむ。 我々は、プレフィックスチューニングのような代替適応手法が同等の精度を持つのを観察するが、解を見落とさずに一般化し、対数分割に対してより堅牢である。
  論文  参考訳（メタデータ） (2021-09-07T03:13:06Z)
• The Right Tool for the Job: Matching Model and Instance Complexities [62.95183777679024]
  NLPモデルが大きくなればなるほど、訓練されたモデルを実行するには、金銭的・環境的なコストを発生させる重要な計算資源が必要である。 我々は、推論中、早期(かつ高速)の"exit"を可能にする文脈表現微調整の修正を提案する。 3つのテキスト分類データセットと2つの自然言語推論ベンチマークの2つのタスクで、5つの異なるデータセットに対して提案した修正を検証した。
  論文  参考訳（メタデータ） (2020-04-16T04:28:08Z)

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。