8月 08 2026

0

ベンチマーク評価の盲点：APIとチャットUIで結果が変わる

投稿者: ユウ

TL;DR LLMの安全性評価は通常API経由・1回の実行・正解率のみ…

8月 08 2026

0

教師なし自己蒸留でLLM推論を改善：多数決で擬似正解を作るU-OPSD

投稿者: ユウ

TL;DR U-OPSDは、外部の正解ラベルや教師モデルを使わずに、モ…

8月 08 2026

0

会話エージェント用ベンチマークの品質を測る新しい評価フレームワーク

投稿者: ユウ

TL;DR LLMベースの会話エージェントを評価するベンチマーク自体の…

8月 07 2026

0

国家标准文書レビューをLLMで自動化するGB/T-BenchとGB/T-Reviewer

投稿者: ユウ

TL;DR GB/T-Benchは、中国の国家標準文書（GB/T）のレ…

8月 07 2026

0

データベースから自動で意味スキーマを構築する「TYTAN」の仕組み

投稿者: ユウ

TL;DR TYTANは、データベースの構造分析とLLMの意味推論を組…

8月 07 2026

0

多言語推論を強化するRP-OPSD：推論の要所を見極めて蒸留する手法

投稿者: ユウ

TL;DR RP-OPSDは、多言語の推論性能を高めるための手法です。…

8月 07 2026

0

ツール呼び出しはJSONよりコードが有利？14モデルで検証した実務向け比較

投稿者: ユウ

TL;DR LLMに外部ツールを呼び出させる方法として、従来のJSON…

8月 07 2026

0

RAGの推論を透明化するNeSy-RAG：Prologで検証可能な回答生成

投稿者: ユウ

TL;DR NeSy-RAGは、RAGの検索結果をPrologモジュー…

8月 07 2026

0

生成型報酬モデルをRLで活かす「RRC」：ランキングから報酬を作る手法

投稿者: ユウ

TL;DR 生成型報酬モデルは応答のランキングには強いが、RLで使うス…

8月 07 2026

0

100万パラメータの小さなTransformerで推論の仕組みを解明する「プロト推論」

投稿者: ユウ

TL;DR 大規模言語モデル(LLM)の推論能力は注目される一方、その…