論文の概要: tok: a textual concrete syntax of BPMN and DMN for humans and AI agents
- arxiv url: http://arxiv.org/abs/2611.07945v1
- Date: Thu, 05 Nov 2026 12:42:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.686455
- Title: tok: a textual concrete syntax of BPMN and DMN for humans and AI agents
- Title（参考訳）: Tok:人間とAIエージェントのためのBPMNとDMNのテキスト具体的な構文
- Abstract要約: Tokはビジネスプロセスモデルと表記(BPMN)2.0.2プロセスモデルと決定モデルと表記(DMN)1.5決定のための平文表記法である。
1つのエンジンは、両方の標準に対してTokドキュメントをチェックし、自動的にダイアグラムでXMLにコンパイルし、Model Context Protocolを通じて言語モデルアプリケーションを提供します。
- 参考スコア（独自算出の注目度）: 0.38073142980733005
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: tok is a plain-text notation for Business Process Model and Notation (BPMN) 2.0.2 process models and Decision Model and Notation (DMN) 1.5 decisions. One engine checks a tok document against both standards, compiles the document to XML with an automatic diagram, and serves language-model applications through the Model Context Protocol. The paper classifies the notation as an alternative concrete syntax of the BPMN and DMN metamodels and reports one study. A tok model takes 2.2 times fewer tokens than the smallest BPMN XML of 893 files exported by 37 tools and 7.7 times fewer than the files as exported. The checker signals 98.2% of 1,411 injected faults, against 85.8% for the XML Schema with bpmnlint. Four language models new to tok write valid tok from a one-page reference for 85.7 to 100% of 87 process descriptions from two datasets and valid BPMN XML for every description, and the strongest model writes tok with 25% and 19% fewer tokens than BPMN XML. As agents with a lean skill and one checker tool, the models write valid tok for 97.6 to 100% of the descriptions, the strongest model spends 21% and 14% fewer tokens on tok than on BPMN XML, and a skill which sends the model to read the reference through a tool costs 1.7 to 2.8 times the tokens of the lean skill. Of 47 event logs simulated from public models, 44 fit their source models, and tok imports every model discovered from the logs.
- Abstract（参考訳）: Tokはビジネスプロセスモデルと表記(BPMN)2.0.2プロセスモデルと決定モデルと表記(DMN)1.5決定のための平文表記法である。
1つのエンジンは、両方の標準に対してTokドキュメントをチェックし、自動的にダイアグラムでXMLにコンパイルし、Model Context Protocolを通じて言語モデルアプリケーションを提供します。
論文は、表記法をBPMNおよびDMNメタモデルの代替的な具体的な構文として分類し、ある研究を報告している。
トンクモデルは、37のツールでエクスポートされた893ファイルの最小のBPMN XMLの2.2倍のトークンと、エクスポートされたファイルの7.7倍のトークンを消費する。
チェッカーは1,411のインジェクトされた障害の98.2%を信号し、bpmnlintのXMLスキーマは85.8%である。
新しい4つの言語モデルは、2つのデータセットから87のプロセス記述のうち85.7から100%の1ページの参照から有効なトクを書き、すべての記述に対して有効なBPMN XMLを書き、最強のモデルは、BPMN XMLよりも25%と19%少ないトークンを書きます。
リーンスキルと1つのチェッカーツールを持つエージェントとして、モデルは、記述の97.6から100%を有効に書き、最強のモデルは、BPMN XMLよりも21%と14%少ないトークンを使い、ツールを通じて参照を読むためにモデルを送信するスキルは、リーンスキルのトークンの1.7から2.8倍である。
パブリックモデルからシミュレートされた47のイベントログのうち、44はソースモデルに適合し、tokはログから発見されたすべてのモデルにインポートする。
関連論文リスト
- Pinocchio: Fast Uncertainty Estimates for Black-Box Language Models [73.50370994588927]
ブラックボックスAPIモデルから応答の正しさを推定する外部キャリブレータであるPinocchioを紹介する。
我々のモデルは、不確実な推定を生成するために1つのフォワードパスしか必要とせず、ターゲットモデルのロジット、重み、または内部状態へのアクセスを必要としない。
論文 参考訳（メタデータ） (2026-09-21T16:48:50Z) - Codebook Agent: Amortized Topology Design for LLM Multi-Agent Systems [67.04448659688579]
クエリ非依存の16エントリのコードブックを開発し、上位のデコード候補を1回のバッチフォワードパスでランク付けする。
反復検索がなく、テスト時にメッセージパッシングがないため、Codebook Agentは6つのベンチマークでもっとも正確な方法である。
論文 参考訳（メタデータ） (2026-09-02T08:10:22Z) - SilentProbe: Measuring Silent Failure in Production APIs Used as Agent Tools [0.0]
機械チェック可能な制約は111例中111例において正直な誤りを示し, 61例中44例では散文のみの制約が無音に失敗した。
88回のうち88回は、その記述が単なる例示である語彙が欠落し、88回から91%が完全で書かれた語彙が正しく使用された。
論文 参考訳（メタデータ） (2026-08-29T07:07:28Z) - WildHandBench: A Benchmark for Handwritten Text Understanding that Challenges MLLMs and Humans [5.993812625110576]
本稿では,3つの構造(自由テキスト,表,式),4言語,9つの実世界のシナリオを対象とした500個の手書き文書を含むベンチマークを提案する。
視覚的証拠ではなく,言語先行から発生する誤りを定量化するPDE(Presideed-Driven Error)メトリクスを導入する。
論文 参考訳（メタデータ） (2026-08-24T08:25:12Z) - One Token Is Enough: Fingerprinting and Verifying Large Language Models from Single-Token Output Distributions [0.0]
APIアグリゲータ、再販業者、推論プロバイダは、大きな言語モデル(LLM)を使用する。
既存の識別技術には、長いテキスト、トークンレベルのログ確率、反対に作られたプロンプト、またはモデル所有者の協力が必要である。
我々は,LLMの行動指紋を,自明なワンワードプロンプトに対する応答の実証的分布として定義する。
論文 参考訳（メタデータ） (2026-07-11T10:34:17Z) - Skill-as-Pseudocode: Refactoring Skill Libraries to Pseudocode for LLM Agents [50.78646963535282]
Skill-as-Pseudocode (SaP) はマークダウンスキルライブラリの型付き擬似コードへの自動変換である。
1つ以上のスキルから引き出された類似の手続きパスのクラスタごとに、SaPは型付きコントラクトを抽出し、それを4チェック決定性検証器を通じてフィルタリングする。
プロモートされた契約は、復元された具体的なアクションテンプレートと共に書き直されたスキルスケルトンにインライン化され、エージェントは2つの補完的な信号を与える。
論文 参考訳（メタデータ） (2026-05-27T04:48:40Z) - How Far Is Document Parsing from Solved? PureDocBench: A Source-TraceableBenchmark across Clean, Degraded, and Real-World Settings [56.70440596502351]
昨年は20以上のオープンドキュメントパースモデルが見られたが、ベンチマークはほぼOmniDocBenchにのみ依存している。
HTML/CSSのドキュメントイメージをレンダリングするベンチマークであるPureDocBenchは、10のドメイン、66ページ、1,475ページをカバーしています。
論文 参考訳（メタデータ） (2026-05-08T09:30:31Z) - TSCG: Deterministic Tool-Schema Compilation for Agentic LLM Deployments [0.0]
生産エージェントフレームワークは、言語モデルによる解釈ではなく、機械解析用に設計されたフォーマットであるMPPとしてツールスキーマを送信する。
小型モデル(4B-14B)では、このプロトコルのミスマッチが、本番サイズでのツール使用障害の大部分の原因となっている。
本稿では,このミスマッチをAPI境界で解決する決定論的ツールスキーマコンパイラTSCGを提案する。
論文 参考訳（メタデータ） (2026-05-04T15:35:45Z) - VAREX: A Benchmark for Multi-Modal Structured Extraction from Documents [1.06378109904813]
VAREXは政府形態からの構造化データ抽出を評価するためのベンチマークである。
ベンチマークは、1,777の文書と1,771のユニークな文書から成っており、3相品質保証を通じて真理を検証している。
結果は、4Bパラメータ以下では、コンプライアンス出力 -- 抽出能力ではなく -- が主要なボトルネックであることを示している。
論文 参考訳（メタデータ） (2026-03-16T11:15:56Z) - MonkeyOCR: Document Parsing with a Structure-Recognition-Relation Triplet Paradigm [60.14048367611333]
MonkeyOCRはドキュメント解析のためのビジョン言語モデルである。
SRR(Structure-Recognition-Relation)三重項パラダイムを活用することで、最先端の技術の進歩を図っている。
論文 参考訳（メタデータ） (2025-06-05T16:34:57Z)
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。