論文の概要: The Quine Test: How Much of a Model's Self Survives Its Own Description?

• arxiv url: http://arxiv.org/abs/2610.38726v1
• Date: Wed, 28 Oct 2026 19:23:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 09:01:41.253093
• Title: The Quine Test: How Much of a Model's Self Survives Its Own Description?
• Title（参考訳）: モデルの自尊心はどこまで生き残るのか?
• Abstract要約: モデルの記述自体が好みプロファイルのポータブル仕様として機能するかどうかを問う。 9つの研究室の10のモデルが自己記述を書いている。 110イテムの好みバッテリーの選択肢が、著者のものとどの程度近いかを測る。
• 参考スコア（独自算出の注目度）: 4.697862497240086
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Frontier language models express coherent preferences, but behavioral evidence alone cannot say whether these belong to the model or to a character it portrays. Following Hofstadter's view of the self as a self-description, we ask whether a model's description of itself works as a portable specification of its preference profile, a quine test: can the text a model writes about itself regenerate its behavior elsewhere? Ten models from nine labs write self-descriptions; we place each one in the prompt of other models (receivers) and of fresh instances of the author, and measure how closely their choices on a 110-item preference battery match the author's. First, the tested native self-descriptions (native: the profile measured under a generic assistant prompt) show no average reconstruction gain across variations in length, framing, wording and prompt placement: on a 0 to 1 fidelity scale where a model's fidelity to a fresh instance of itself is 0.979 and to unrelated models about 0.89, the one-sided 95% upper bound on the pooled gain is below +0.01 in every tested system-prompt condition, and descriptions based on the author's observed choices do no better. Second, the channel itself is strong: explicitly listing the author's answers lets receivers reproduce its profile at fidelity 0.955 to 0.960 across three model grids, within 0.03 of same-model repeatability. Third, self-descriptions written under an explicit preference policy transfer the assigned preferences almost as well as the policy text itself. Fourth, reading its own self-description shifts even the author away from its baseline, modestly more than unrelated prose of the same length. For the preferences measured here, native self-descriptions influence behavior without reliably specifying how to reproduce it in another model. We release the pipeline, battery, raw call logs, and 198 model-written descriptions.
• Abstract（参考訳）: フロンティア言語モデルはコヒーレントな好みを表すが、行動的証拠だけでは、これらがモデルに属するか、それが描写するキャラクターに属するかは定かではない。 Hofstadter氏の自己記述としての自己に対する見解に従い、モデル自身の記述が好みプロファイルのポータブルな仕様として機能するか、クインテストとして機能するのかを問う。 9つの研究室の10のモデルが自己記述を書いており、それぞれが他のモデル(レシーバー)のプロンプトと著者の新たなインスタンスに配置し、110イテムの好みのバッテリーが著者のものとどの程度近いかを測定します。 まず、テストされたネイティブな自己記述(ネイティブ:ジェネリックアシスタントプロンプトで測定されたプロファイル)は、長さ、フレーミング、単語、およびプロンプト配置のバリエーションで平均的な再構築の利得を示さない: モデルが自身の新しいインスタンスに対する忠実度が0.979であり、0.89の無関係なモデルの場合、テストされたシステムプロンプト条件ごとに95%の上限が+0.01未満であり、著者の観察した選択に基づく記述は、あまり良くない。 第2に、チャンネル自体が強力で、著者の回答を明示的にリストアップすることで、レシーバーはそのプロファイルを3つのモデルグリッドで0.955から0.960の忠実度で再現することができる。 第3に、明示的な選好ポリシーの下で書かれた自己記述は、ポリシーテキスト自体と同様に、割り当てられた選好を転送する。 第4に、自分自身の自己記述のシフトを読むことは、著者がベースラインから離れても、同じ長さの無関係な散文よりわずかに多い。 ここで測定した選好のために、ネイティブな自己記述は、それを他のモデルでどのように再現するかを確実に特定することなく、行動に影響を与える。 パイプライン、バッテリ、生のコールログ、198のモデル記述をリリースしています。

関連論文リスト

• MuninAI: A Self-Hosted Agentic Framework for Independent Research Groups [1.390808167453179]
  Muninは、自己ホスト型の科学アシスタントのためのオープンソースのフレームワークである。 それは、どのオープンウェイトモデルでも、エージェントハーネスで使えるものをラップする。 199のペア文学の質問では、ハーネスはベースモデルの精度を2倍以上にします。
  論文  参考訳（メタデータ） (2026-10-16T13:56:37Z)
• Where Is the "Self" of a Large Language Model? -- From Self-Index to Self-Reference [4.6912701723152095]
  我々は、生物学から親しみやすい2つの機能レベル、すなわち自己インデックスと自己参照を分離する。 我々は、モデル独自のチャットテンプレートでレンダリングされたアシスタント、ユーザ、システムメッセージに同じテキストを配置することで、両方を調査する。 4つのファミリーの8つのオープンウェイトモデルにまたがって、レベルはネストされ、モデルサイズに従わない。
  論文  参考訳（メタデータ） (2026-10-12T12:51:04Z)
• Anatomy of LLM Sycophancy: What a Flip Rate Hides [3.7193230342956056]
  我々は,SycoLensを用いてユーザプレッシャと評価設定のフリップ率の測定方法を検証する。 各測定は、アイテムの1つのステートレスリプレイ、コミットされた回答、および1つのスクリプト化されたユーザラインを固定形式で保持する。
  論文  参考訳（メタデータ） (2026-10-05T15:32:45Z)
• Learning Self-Interpretation from Interpretability Artifacts: Training Lightweight Adapters on Vector-Label Pairs [1.028001761831691]
  自己解釈法は言語モデルに自身の内部状態を記述するよう促す。 本報告では,LMを完全に凍結する一方で,軽量アダプタの操作性を向上させることで,信頼性の高い自己解釈が得られることを示す。
  論文  参考訳（メタデータ） (2026-02-10T22:50:02Z)
• What if you said that differently?: How Explanation Formats Affect Human Feedback Efficacy and User Perception [53.4840989321394]
  我々は,QAモデルが生成した有理性の効果を分析し,その答えを支持する。 ユーザに対して,様々な形式で誤った回答とそれに対応する有理性を提示する。 このフィードバックの有効性を,文脈内学習を通じて評価する。
  論文  参考訳（メタデータ） (2023-11-16T04:26:32Z)
• PART: Pre-trained Authorship Representation Transformer [52.623051272843426]
  文書を書く著者は、自分のテキストに識別情報を印字する。 以前の作品では、手作りの機能や分類タスクを使って著者モデルを訓練していた。 セマンティクスの代わりにテキストの埋め込みを学習するために、対照的に訓練されたモデルを提案する。
  論文  参考訳（メタデータ） (2022-09-30T11:08:39Z)
• Learnable Boundary Guided Adversarial Training [66.57846365425598]
  私たちは、あるクリーンモデルからのモデルロジットを使用して、別のロバストモデルの学習をガイドします。 我々は、CIFAR-100上で、追加の実データや合成データなしで、新しい最先端のロバスト性を実現する。
  論文  参考訳（メタデータ） (2020-11-23T01:36:05Z)
• Few-Shot Learning for Opinion Summarization [117.70510762845338]
  オピニオン要約は、複数の文書で表現された主観的な情報を反映したテキストの自動生成である。 本研究では,要約テキストの生成をブートストラップするのには,少数の要約でも十分であることを示す。 提案手法は, 従来の抽出法および抽象法を, 自動的, 人的評価において大きく上回っている。
  論文  参考訳（メタデータ） (2020-04-30T15:37:38Z)

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。