論文の概要: SatOps-Decision: Low-Latency Discriminative Decisions for Onboard Satellite Communication Operations
- arxiv url: http://arxiv.org/abs/2610.38697v1
- Date: Wed, 28 Oct 2026 19:00:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-31 05:25:12.403063
- Title: SatOps-Decision: Low-Latency Discriminative Decisions for Onboard Satellite Communication Operations
- Title（参考訳）: SatOps-Decision:衛星通信運用における低レイテンシ識別決定
- Abstract要約: 衛星通信における低レイテンシ決定手法であるSatOps-Decisionを提案する。
これは、Jevスタイルの汎用的な識別決定モデルの衛星操作への最初の応用である。
- 参考スコア（独自算出の注目度）: 7.616162172290298
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose SatOps-Decision, a method for low-latency decisions in satellite communication operations. To the best of our knowledge, it is the first application of Jev-style general-purpose discriminative decision models to satellite operations, and the accompanying benchmark is the first dedicated to this approach. The learned scorer, a locally adapted Laya encoder with its native decision head, selects among supplied operational answers in a single forward pass. The benchmark combines authored operational contracts, controlled state changes and independently checked labels in an auditable construction. Evaluation prioritizes complete-request latency and raw decision accuracy; all main accuracy comparisons use the same 1,024 held-out questions, separate from training and development. SatOps-Decision's local scorer has a median latency of 90.3 ms per decision, versus 493.9 ms for Qwen3.5-0.8B generation and 388.4 ms for OneJev1.6-0.8B: $5.47\times$ and $4.30\times$ speedups based on median request times in the measured FP32/MPS implementations. Its mean raw accuracy is 85.3%, versus 42.5% for frozen Laya, 40.7% for Qwen generation and 58.6% for OneJev. As cloud accuracy references, original Jev 1.14/1.13 reach 87.4/81.9%.
- Abstract（参考訳）: 衛星通信における低レイテンシ決定手法であるSatOps-Decisionを提案する。
我々の知る限りでは、これはJevスタイルの汎用的識別決定モデルの衛星運用への最初の応用であり、それに伴うベンチマークはこのアプローチに初めて焦点をあてたものである。
学習スコアラは、ローカルに適応したLayaエンコーダで、ネイティブな決定ヘッドを持ち、単一のフォワードパスで供給されたオペレーショナル回答の中から選択する。
このベンチマークは、承認された運用契約、制御された状態変更、監査可能な構成で独立にチェックされたラベルを組み合わせる。
評価は完全な要求レイテンシと生の意思決定精度を優先する。すべての主要な精度比較は、トレーニングと開発とは別に、同じ1,024の保留された質問を使用する。
SatOps-Decisionのローカルスコアラは、Qwen3.5-0.8B世代では493.9ms、OneJev1.6-0.8Bでは388.4msである。
生の精度は85.3%、冷凍ラヤは42.5%、Qwen世代は40.7%、OneJevは58.6%である。
雲の精度が示すように、オリジナルのJev 1.14/1.13は87.4/81.9%に達した。
関連論文リスト
- Channel Selection for Mixture-of-Experts Decoding Needs No Calibration Data [51.56484100374058]
Mixture-of-Experts (MoE)モデルは、小さなバッチサイズでインタラクティブデコーディング中にメモリからルート付きエクスプロイト重みをロードすることでボトルネックとなる。
チャネル選択はキャリブレーションデータを必要としないことを示す。
3つのスケッチでチャンネルを画面表示し、低ランクマップでスキップされたチャンネルを復元する。
論文 参考訳（メタデータ） (2026-10-27T15:11:35Z) - Joint or Per-Option? Compact Encoders for Closed-Set Decisions from 17 Million to 1 Billion Parameters [0.0]
32万のパラメーターを3つ並べた調査では、37ベンチマークの判定スイートのホールドアウトサンプルで、オプション毎のスコアがジョイントスコアを上回りました。
初期化によるクロスリーダーの利点は、クエリ候補のペア入力がオプション毎の読み取りと一致している、再ランカの初期化が必要であることを示している。
論文 参考訳（メタデータ） (2026-10-22T09:14:44Z) - RetiJev: Fast and Source-Grounded Ophthalmic Decision Models [49.18315352624845]
自己回帰型大規模言語モデル(LLM)は、事前に定義されたアクション間の決定にかなりのレイテンシと計算オーバーヘッドをもたらす。
RetiJev-Dataは,78,158個の臨床診断と診断質問からなる眼科原点検コーパスである。
RetiJev は 0.8B-9B 決定モデルのファミリーで, 自己回帰的復号化を伴わず, 直接解を求める。
論文 参考訳（メタデータ） (2026-10-22T08:59:47Z) - JevAgentHarness: Benchmarking, Deploying and Training Decision Models That Share Control with LLMs [67.3059941230326]
大規模言語モデル(LLM)エージェントは、ソフトウェアを修正し、コンピュータを操作し、顧客にサービスを提供するが、そのハーネス、そしてそれらを実行するプログラムは、すべてのステップで大きなLLMを呼び出す。
ハーネスがこれらの決定を、ほとんど成功しない決定モデルに委譲する方法を問う。
AgentDecisionBenchは独立した質問から決定モデルをテストし、公開ベンチマークとDecisionGym環境上で実行中のエージェントを制御する。
次に、JevAgentHarnessを設計します。これは、エージェント自身の軌道上の各選択のしきい値に適合し、LLMがその下にあることを判断します。
論文 参考訳（メタデータ） (2026-10-15T07:27:08Z) - Bayesian Test-Time Inference of Task-Aligned Similarity from Weak Interactive Feedback [50.42640957891911]
言語モデルシステムは、類似性を比較することで、繰り返しテスト時の決定を行う。
しかし、類似性はユニークではない:語彙、意味、構造、類似性はNの選択点を取得することができる。
本稿では,現在の意思決定を統括するトレーニングフリーベイズ手法であるAxis Interactive Signalsを紹介する。
論文 参考訳（メタデータ） (2026-10-13T16:19:49Z) - CASE: Cost-Aware Stopping for Efficient Long-Video Agents [47.793956973688616]
長ビデオエージェントのためのプラグイン終端フレームワークであるCASEを提案する。
Caseは、この決定をポリシー付きシーケンシャル・ストップとして表している。
軽量なリッジ回帰器は、この決定ギャップを学び、STOP/E決定を生成する。
論文 参考訳（メタデータ） (2026-10-04T17:35:33Z) - Benchmarking candidate coverage and rejection policy transfer in typed decision models [7.736174008951463]
公開参照ラベルを用いてLaya,Jev,Qwen2.5-7B-Instructを比較した。
ソースキャリブレーションは、しばしばターゲットの動作点を保存するのに失敗する。
10の意図的候補を持つLayaは、スコープ外クエリの99.0%を検出するが、カバークエリの48.8%を拒否する。
論文 参考訳（メタデータ） (2026-10-02T14:36:46Z) - Fast Models, Slow Evidence: A Paired and Self-Audited Evaluation of System-1 Decision Models for LLM Agent Harnesses [6.778374627376906]
System-1決定モデルは、クラス確率で単一のフォワードパスでそのような質問に答える。
オープンウェイト (Laya) モデルとホスト (Jev) System-1 モデルとのペア評価を行った。
論文 参考訳（メタデータ） (2026-10-01T05:57:14Z) - JET: Justification Evaluation in Transformer [0.0]
JETは、事前訓練された言語とビジョン言語モデルを使用して、追加のトレーニングなしで、有限の回答の中から選択する。
Qwen3.6-35B-A3Bは完全なMMLUテストセットで87.48%の精度を達成し、別途MMLUサブセットで毎秒3.69リクエストを処理している。
論文 参考訳（メタデータ） (2026-09-27T19:50:08Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z)
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。