論文の概要: Self-Refining Prompt Induction for Streaming Text-to-SQL

• arxiv url: http://arxiv.org/abs/2611.00960v1
• Date: Sat, 31 Oct 2026 14:02:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 23:36:30.443937
• Title: Self-Refining Prompt Induction for Streaming Text-to-SQL
• Title（参考訳）: テキストからSQLへの自己精錬プロンプトインジェクション
• Abstract要約: 自己精製型promptインジェクションは、生成障害を再利用可能な方言命令に変換する。 Refinerは、3人の裁判官からの基準条件付きフィードバックを使用して、ジェネレータのプロンプトを更新する。 推論は、検索やクエリの修正なしに凍結プロンプトを使用する。
• 参考スコア（独自算出の注目度）: 6.26469255368002
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-to-SQL assistants for streaming engines must handle dialect-specific types, windowing rules, and temporal semantics, including constructs poorly handled by generic prompts. We present Self-Refining Prompt Induction (SRPI), an offline method that converts generation failures into reusable dialect instructions while keeping model weights fixed. A Refiner revises the Generator's prompt using reference-conditioned feedback from three LLM judges; a sampled regression guard checks earlier successes, and a separate Compressor reduces prompt length. Inference uses the frozen prompt without retrieval or query repair. We evaluate cross-domain and cross-model transfer on Confluent Cloud Flink SQL using a controlled synthetic workload seeded by 30 expert-written examples, with 335 induction examples and 257 questions from held-out domains. The same induced prompt improves mean judge scores across seven Generators by 7.1-19.2 percentage points, including an increase from 85.3% to 97.5% for the induction model. A separate compression study reduces prompt length by 52.7% with a 0.19-percentage-point score decrease. An assistant using the induced prompt is in early access, with initial user feedback to inform subsequent refinement.
• Abstract（参考訳）: ストリーミングエンジン用のテキストからSQLのアシスタントは、方言固有の型、ウィンドウニングルール、時間的意味論を扱わなければならない。 モデル重みを固定したまま、生成障害を再利用可能な方言命令に変換するオフライン手法である自己精製プロンプトインジェクション(SRPI)を提案する。 Refinerは、ジェネレータのプロンプトを、3人のLCM判事からの基準条件のフィードバックで修正し、サンプル回帰ガードは初期の成功をチェックし、別のコンプレッサーはプロンプトの長さを短縮する。 推論は、検索やクエリの修正なしに凍結プロンプトを使用する。 筆者らは,30名の専門家が作成した実例を用いて,Confluent Cloud Flink SQL上でのクロスドメインおよびクロスモデル転送を,保持領域からの335の帰納例と257の質問を用いて,制御された合成ワークロードを用いて評価した。 誘導プロンプトは7つのジェネレータの平均判定スコアを7.1-19.2ポイント改善し、誘導モデルでは85.3%から97.5%に増加した。 個別の圧縮試験では、プロンプトの長さが52.7%減少し、0.19ポイントのスコアが減少する。 誘導プロンプトを使用するアシスタントは、初期ユーザからのフィードバックで、後続のリファインメントを通知する。

関連論文リスト

• VIGIL: Verifier-Informed Gated Improvement Loop for Spreadsheet Question Answering [6.4443425508730625]
  企業エージェントは、すべての修正がシステムの振る舞いを書き換えることなく、遅延したフィードバックから改善すべきである。 コーパスレベルのスプレッドシート質問応答に対する連続的ハーネス学習について検討した。 金のワークブックと期待されたタイプが供給されたことにより、アンゲートとデュアルゲートのフルリプレイは79の文書に対して82.4%と82.0%の精度に達した。
  論文  参考訳（メタデータ） (2026-10-03T04:41:40Z)
• Don't Repeat Yourself: Stopping Verbatim Loops at Sampling Time [7.915227100714005]
  大規模言語モデルはテキストを自動回帰的に生成するが、オープンエンド生成は動詞のループの傾向が強い。 我々は,現在の接尾辞を,コンテキストの早い段階で見られるスパンの正確な連続に拡張する場合にのみ,候補トークンをペナルティ化するサンプリングタイムロジット調整であるDon't Repeat Yourself (DRY)を提案する。 DRYは、llama、ExLlamaV2、text-generation-webuiなど、人気のあるオープンソース推論フレームワークで採用されている。
  論文  参考訳（メタデータ） (2026-08-24T03:33:39Z)
• Instruction Stacking Collapse: A Benchmark and the Capability-Dependent Value of Prompt Compilation [0.42481744176244507]
  本研究では,命令追従による制約の蓄積について検討する。 我々は,24個の検証済み命令を1回に1から20個積み重ねたベンチマークを導入し,実運用レベルのLCMを3つ評価する。 次にトレーニング不要のコンパイラを評価し、スタックされたプロンプトを1回の呼び出しで書き直し、クエリ間で再利用します。
  論文  参考訳（メタデータ） (2026-07-31T10:58:29Z)
• More Than Memory: Task-Conditioned Signed FFN Writes in Long-Context Retrieval [3.5863289126242837]
  FFN残差書き込みが現在の検索状態を正しい回答から遠ざけるかどうかを検証する。 コントロールされたリテラルとセマンティック検索スイート全体において、ネイティブFFN応答面は署名され、層固有であり、タスク条件付きである。 その結果、ネイティブFFNスケーリングは、検索において署名されたタスク条件の残差書き込み構造を公開することがわかった。
  論文  参考訳（メタデータ） (2026-06-27T10:21:07Z)
• Behavior-Equivalent Token: Single-Token Replacement for Long Prompts in LLMs [55.827877498548965]
  単一プロンプト固有の振る舞い等価トークン([BE])を学習する軽量なトレーニングフレームワークを提案する。 フレームワークはまず[BE]に、元のシステムプロンプトの自然言語内容を再構成してエンコードし、その後、プロンプトの下流の振る舞いをこの単一のトークンに蒸留するように訓練する。 3つのデータセットに対する実証的な評価は、1つの[BE]トークンが3000倍の高速化を実現し、元のシステムの下流性能の約98%を維持していることを示している。
  論文  参考訳（メタデータ） (2025-11-28T15:22:52Z)
• TimeStampEval: A Simple LLM Eval and a Little Fuzzy Matching Trick to Improve Search Accuracy [0.0]
  TimeStampEvalは、非バーバティムな引用を与えられた長い書き起こしから正確にミリ秒のタイムスタンプを取得するためのベンチマークである。 簡単な2段階法では,推論コストを90%以上削減しながら,検索精度を劇的に向上させる。 モチベーションのユースケースは、議会記録のクリップをAIがホストする動詞のナレーションにまとめる、自動化されたロングフォームポッドキャストである。
  論文  参考訳（メタデータ） (2025-10-27T21:54:56Z)
• Prompt-Based One-Shot Exact Length-Controlled Generation with LLMs [56.47577824219207]
  本稿では,既製の大規模言語モデルを補完して,希望するトークン数を正確に生成するプロンプトベースの戦略を提案する。 プロンプトはカウントダウンマーカーと明示的なカウントルールを付加し、モデルが"カウント中に書き込む"。 MT-Bench-LI では、GPT-4.1 の厳格な長さコンプライアンスは、単純なプロンプトの30%以下から、カウントダウンプロンプトの95%以上へと飛躍する。
  論文  参考訳（メタデータ） (2025-08-19T13:12:01Z)
• vCache: Verified Semantic Prompt Caching [95.16654660556975]
  本稿では,ユーザ定義エラー率保証を備えた最初の検証済みセマンティックキャッシュであるvCacheを提案する。 オンライン学習アルゴリズムを使用して、キャッシュされたプロンプト毎に最適な閾値を推定し、追加のトレーニングなしで信頼性の高いキャッシュ応答を可能にする。 我々の実験によると、vCacheは特定のエラー境界を一貫して満たし、最先端の静的な閾値と微調整された埋め込みベースラインより優れています。
  論文  参考訳（メタデータ） (2025-02-06T04:16:20Z)
• Automatic Prompt Optimization with "Gradient Descent" and Beam Search [64.08364384823645]
  大きな言語モデル(LLM)は汎用エージェントとして優れたパフォーマンスを示しているが、その能力はプロンプトに大きく依存している。 この問題に対する単純で非パラメトリックな解である自動プロンプト最適化(APO)を提案する。 APOはデータのミニバッチを使用して、現在のプロンプトを批判する自然言語「段階的」を形成する。 次に、勾配の反対の意味方向のプロンプトを編集することで、勾配をプロンプトに「伝播」する。
  論文  参考訳（メタデータ） (2023-05-04T15:15:22Z)
• Few-shot Reranking for Multi-hop QA via Language Model Prompting [56.454088569241534]
  オープンドメイン質問を用いたマルチホップQAにおける数点のリランクについて検討した。 本稿では,マルチホップパスの再ランク付けを促す大規模言語モデルに依存するPromptRankを提案する。 PromptRankは、HotpotQA上で128のトレーニング例で強力な検索性能を得る。
  論文  参考訳（メタデータ） (2022-05-25T10:45:55Z)

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。