論文の概要: COVE: A Task-Adaptive, Code-Based Ensemble for Proactive Verification of LLM Outputs

• arxiv url: http://arxiv.org/abs/2611.03111v1
• Date: Mon, 02 Nov 2026 13:30:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 13:17:03.992695
• Title: COVE: A Task-Adaptive, Code-Based Ensemble for Proactive Verification of LLM Outputs
• Title（参考訳）: COVE: LLM出力の積極的な検証のためのタスク適応型コードベースアンサンブル
• Abstract要約: COVEはタスク適応型のコードベースのアンサンブルで、生成前のエラーを防止し、その後の構造と一貫性を検証する。 11のテキストデータセットと4つのイメージデータセット(200例)にまたがる内部評価では、COVEはテキストの精度を45.2%の未検証ベースラインから82.1%に引き上げている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLMs) are now embedded in enterprise workflows, yet their outputs remain prone to hallucinations: plausible-sounding but factually incorrect or malformed content. Most verification approaches are reactive, detecting errors only after generation and often spending additional expensive LLM calls to do so. We present COVE, a task-adaptive, code-based ensemble that takes the opposite stance: it prevents errors before generation and validates structure and consistency afterwards using six deterministic, pure-Python innovations that add no extra LLM calls. On an internal evaluation spanning 11 text datasets (1,020 examples) and 4 image datasets (200 examples), COVE lifts text accuracy from a 45.2% unverified baseline to 82.1% (an 81.7% relative improvement), improves image accuracy by 69.5%, and reduces token usage by 48 to 96% (simulated cost model), at a measured verification overhead of 0.26 ms per output (excluding the LLM call). This article describes the engineering design of each innovation (with pseudocode and the exact parameters we use), the measured impact, an ablation of every component, and the practical lessons learned from deploying code-based verification in enterprise pipelines.
• Abstract（参考訳）: 大規模言語モデル(LLM)は現在、エンタープライズワークフローに組み込まれているが、そのアウトプットは幻覚の傾向にある。 ほとんどの検証アプローチはリアクティブであり、生成後のみエラーを検出し、しばしばそれを行うための高価なLCMコールに費やしている。 これはタスク適応型のコードベースのアンサンブルで、生成前のエラーを防止し、LLMコールを追加しない6つの決定論的純粋Pythonイノベーションを使用して、構造と一貫性の検証を行う。 11のテキストデータセット(1,020例)と4つの画像データセット(200例)にまたがる内部評価では、COVEは45.2%の未検証ベースラインから82.1%(81.7%の改善)にテキストの精度を引き上げ、画像の精度を69.5%改善し、トークンの使用量を48～96%削減し(シミュレーションコストモデル)、1出力あたり0.26msのオーバヘッドを計測した。 この記事では、各イノベーション(疑似コードと使用する正確なパラメータを含む)のエンジニアリング設計、測定された影響、すべてのコンポーネントのアブレーション、エンタープライズパイプラインにコードベースの検証をデプロイすることから学んだ実践的な教訓について説明する。

関連論文リスト

• CODESTRUCT: Code Agents over Structured Action Spaces [14.039220358416104]
  LLMベースのコードエージェントは、リポジトリを非構造化テキストとして扱い、脆いマッチング文字列を通じて編集を適用する。 我々は、エージェントがテキストスパンではなく名前付きASTエンティティを操作するような構造化されたアクション空間として再フレーミングを提案する。 私たちのフレームワークであるCODESTRUCTは、完全な構文単位を取得するためのreadCodeと、構文検証された変換をセマンティックプログラム要素に適用するためのEditCodeを提供します。
  論文  参考訳（メタデータ） (2026-04-07T03:58:10Z)
• Compiled AI: Deterministic Code Generation for LLM-Based Workflow Automation [3.225273674498579]
  我々は,大言語モデルがコンパイルフェーズ中に実行可能なコードアーティファクトを生成するパラダイムであるコンパイルAIについて研究し,その後,さらなるモデル実行を必要とせずに決定的に実行する。 当社のコントリビューションは、ハイテイクなランタイムエンタープライズへの適用に関するシステム指向の研究です。
  論文  参考訳（メタデータ） (2026-04-06T20:25:20Z)
• Planning-Driven Programming: A Large Language Model Programming Workflow [8.827173113748701]
  大規模言語モデル(LLM)は、コード生成の強力な候補である。 近年の研究では、LCMのコード生成精度を向上させるために、可視性テストによる継続的プログラム改善が提案されている。 初期コード生成とその後の改良の両方を改善するために,LLMプログラミングワークフロー(LPW)を提案する。
  論文  参考訳（メタデータ） (2024-11-21T08:31:06Z)
• Exploring Automatic Cryptographic API Misuse Detection in the Era of LLMs [60.32717556756674]
  本稿では,暗号誤用の検出において,大規模言語モデルを評価するための体系的評価フレームワークを提案する。 11,940個のLCM生成レポートを詳細に分析したところ、LSMに固有の不安定性は、報告の半数以上が偽陽性になる可能性があることがわかった。 最適化されたアプローチは、従来の手法を超え、確立されたベンチマークでこれまで知られていなかった誤用を明らかにすることで、90%近い顕著な検出率を達成する。
  論文  参考訳（メタデータ） (2024-07-23T15:31:26Z)
• Get my drift? Catching LLM Task Drift with Activation Deltas [55.75645403965326]
  タスクドリフトは攻撃者がデータを流出させたり、LLMの出力に影響を与えたりすることを可能にする。 そこで, 簡易線形分類器は, 分布外テストセット上で, ほぼ完全なLOC AUCでドリフトを検出することができることを示す。 このアプローチは、プロンプトインジェクション、ジェイルブレイク、悪意のある指示など、目に見えないタスクドメインに対して驚くほどうまく一般化する。
  論文  参考訳（メタデータ） (2024-06-02T16:53:21Z)
• ML-Bench: Evaluating Large Language Models and Agents for Machine Learning Tasks on Repository-Level Code [76.84199699772903]
  ML-Benchは、既存のコードリポジトリを利用してタスクを実行する現実世界のプログラミングアプリケーションに根ざしたベンチマークである。 LLM(Large Language Model)とAIエージェントの両方を評価するために、事前に定義されたデプロイメント環境でLLMのテキスト-コード変換を評価するML-LLM-Benchと、Linuxサンドボックス環境でエンドツーエンドのタスク実行で自律エージェントをテストするML-Agent-Benchの2つの設定が採用されている。
  論文  参考訳（メタデータ） (2023-11-16T12:03:21Z)

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。