論文の概要: Continual Instruction Tuning for LLM-based Management of Continuum Resources
- arxiv url: http://arxiv.org/abs/2611.10292v3
- Date: Thu, 12 Nov 2026 03:03:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.866176
- Title: Continual Instruction Tuning for LLM-based Management of Continuum Resources
- Title(参考訳): LLMによる連続的資源管理のための連続的指導チューニング
- Abstract要約: 大規模言語モデル(LLM)は、Cloud-Edge連続体全体にわたるリソース管理のために、ますます検討されている。
この研究は、LLMの異なる使い方を論じる: 継続的な命令調整インテントコンパイラで、管理インテント毎に1回、あるいは宣言されたコンテキスト変更を実行する。
- 参考スコア(独自算出の注目度): 4.954397947270926
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models (LLMs) are increasingly explored for resource management across the Cloud-Edge continuum. However, embedding LLMs directly inside latency-sensitive control loops places inference latency, execution jitter, and hallucination risks on the critical path. This study argues for a different use of LLMs: a continually instruction-tuned intent compiler that runs once per management intent or declared context change, above a fast, deterministic tactical controller that handles all low-latency runtime actions. We formulate intent compilation as a continual instruction tuning problem, because management intents arrive sequentially and accumulate while infrastructure and workload contexts drift. Unlike recent LLM-based management frameworks, our design scores the model's outputs by execution, so that catastrophic forgetting can be measured in the executed objective of the underlying controller. On a continuum simulator with a 2B backbone and parameter-efficient adapters, preliminary results show that naive sequential tuning forgets earlier intents in the executed objective, that replay of stored examples nearly prevents this forgetting, and that the tuned compact compiler performs on par with simpler translators while being more robust than a grammar parser to rephrased intents.
- Abstract(参考訳): 大規模言語モデル(LLM)は、Cloud-Edge連続体全体にわたるリソース管理のために、ますます検討されている。
しかし、LLMを遅延に敏感な制御ループに直接埋め込むと、推論遅延、実行ジッタ、およびクリティカルパスに対する幻覚リスクが生じる。
この研究は、LLMの異なる使用法を論じる: 管理インテント毎に1回実行された命令チューニングインテントコンパイラ、あるいは、すべての低レイテンシランタイムアクションを処理する高速で決定論的戦術コントローラよりも、宣言されたコンテキスト変化を宣言する。
インフラやワークロードのコンテキストがドリフトしている間に、管理意図が順次到着し、蓄積されるため、インテントコンパイルを連続的なインストラクションチューニング問題として定式化する。
最近のLCMベースの管理フレームワークとは異なり、我々の設計では、モデルの実行によって出力をスコア付けしている。
2Bバックボーンとパラメータ効率のよいアダプタを備えた連続体シミュレータにおいて、予備的な結果は、Naiveシーケンシャルチューニングは実行対象の以前の意図を忘れ、記憶された例のリプレイは、この忘れをほとんど防ぎ、チューニングされたコンパクトコンパイラは、文法解析器よりも堅牢で、より単純な翻訳器と同等に動作することを示している。
関連論文リスト
- CRESiST: Self-Enhancing Explorative Policy Learning for Simultaneous Speech Translation [71.48875861489506]
同時音声翻訳(SimulST)では、翻訳品質とレイテンシのバランスをとる必要がある。
そこで本研究では,SimulSTのためのエンドツーエンドの読み書きフレームワークを提案する。
我々のアーキテクチャは完全なKVキャッシュの再利用を実現し、セグメンテーションフリーで無限長の推論をサポートする。
論文 参考訳(メタデータ) (2026-11-04T13:32:57Z) - Code to Control: Synthesizing Parameterized Reactive Controllers [45.16527713329835]
ポリシーとして直接実行するPythonコントローラを合成するアプローチであるCode to Controlを紹介する。
LLMはコントローラ構造を合成するが、デリバティブフリーサーチは環境からのフィードバックを用いて、そのパラメータを連続制御に適合させる。
一度学習すると、結果として得られるコントローラはLLM推論も決定時の計画も必要とせず、リアルタイムのゲームプレイを可能にし、我々のタイミングプロトコルの下では、PPOポリシーよりも高速なアクション選択を行う。
論文 参考訳(メタデータ) (2026-09-30T01:15:23Z) - IACM-RL: Intent-Aware Context Management and Reinforcement Learning for Complex Tool Invocation under Dynamic Intent Fluctuations [86.93902234336393]
IACM-RLは、堅牢なツール呼び出しのための包括的なフレームワークである。
我々は、13のきめ細かいゆらぎシナリオにまたがる軌道を合成するDynamicIntentパイプラインを導入する。
第2に、IACM-RLはBeliefStateベースのセルフ生成コンテキストマネージャをデプロイする。
論文 参考訳(メタデータ) (2026-08-03T12:09:50Z) - Action ControlNet: A Lightweight Delay-Aware Adapter for Smooth Asynchronous Control in Vision-Language-Action Models [2.1822977353368778]
Action ControlNet (ACNet) は、視覚言語-アクションモデルのための軽量遅延対応アダプタである。
ACNetは推論遅延下で堅牢性を改善し、直接チャンクストレよりもスムーズな非同期軌道を得る。
論文 参考訳(メタデータ) (2026-06-24T15:53:43Z) - Open-Ended Instruction Realization with LLM-Enabled Multi-Planner Scheduling in Autonomous Vehicles [40.195332742819865]
本研究では,大規模言語モデル(LLM)を利用して命令を解釈する命令実現フレームワークを提案する。
リアルタイムフィードバックに基づいて、複数のモデル予測制御(MPC)ベースのモーションプランナをスケジュールする実行可能なスクリプトを生成し、計画されたトラジェクトリを制御信号に変換する。
論文 参考訳(メタデータ) (2026-04-09T09:32:21Z) - A Physical Agentic Loop for Language-Guided Grasping with Execution-State Monitoring [5.437966695589128]
我々は、接地された実行状態上で動作する有界な実施エージェントとして言語誘導の把握を再構築する。
未修正の学習操作プリミティブをラップする物理エージェントループを導入する。
眼内カメラD405を用いた移動マニピュレータのループを検証した。
論文 参考訳(メタデータ) (2026-04-08T08:01:35Z) - 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)
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。