論文概要（Abstract） 本論文は、LLMアプリケーション開発の各フェーズ（プロンプト設計→ファインチューニング→統合テスト→ステージング→本番）に対応した品質ゲート（Quality Gates）体系を定義する。各ゲートでの評価器として「ルールベース」「セマンティックスコアリング」「LLM-as-Judge」の3層構成を提案し、GitHub Actionsへの組み込みパターンまで具体化...

論文概要（Abstract） NoLiMa（Non-Literal Matching）は、従来のNeedle-in-a-Haystack（NIAH）ベンチマークが持つ「リテラルマッチングへの依存」という根本的な問題を解決する新しい長文コンテキスト評価ベンチマークである。クエリとニードルの間に意味的には関連するが語彙的には重複しない関係を設計し、モデルに非リテラルな推論を要求する。17のLL...

論文概要（Abstract） LLMの評価は通常、単一のプロンプトテンプレートで行われる。しかし「プロンプト感受性」により、テンプレートを変えるだけでベンチマークスコアが最大10ポイント変動し、モデルランキングが大きく入れ替わることが25モデル×6タスクの大規模実験で明らかになった。本論文はこの問題を定量化し、多様なプロンプトセットを用いたマルチプロンプト評価手法を提案する。 この記事は...

論文概要（Abstract） LLMベースのエージェントは反復的な推論・探索・ツール使用を通じて複雑なタスクを解決するが、その過程で長大かつ高コストなコンテキスト履歴が生成される。JetBrains Researchの本論文は、単純なObservation Masking（観測マスキング）戦略が、LLM要約と同等、場合によってはそれ以上のコスト効率を達成することを5つのモデル構成で実証した...

論文概要（Abstract） LLMの評価には、(1) ベンチマークが実世界のユースケースの多様性を捉えきれない、(2) 自動指標が人間の選好と乖離する、という2つの根本的な課題がある。Chatbot Arenaは100万件超の人間選好投票を収集するオープンプラットフォームを構築し、Bradley-Terryモデルによる統計的に頑健なランキングを実現した。4,000票で安定したランキングが...

論文概要（Abstract） Sarathiは、LLM推論のPrefillフェーズ（プロンプト処理）とDecodeフェーズ（トークン生成）を同一バッチ内で混合実行する手法である。長いプロンプトを固定サイズのチャンクに分割し（Chunked Prefill）、各チャンク処理中にDecodeリクエストを「ピギーバック」させることで、GPUの遊休計算リソースを有効活用する。Mistral-7Bで...

論文概要（Abstract） SGLangは、LLMの構造化プログラミングと推論実行をフロントエンド言語とランタイムの共同設計で最適化するシステムである。フロントエンドではテキスト生成（gen）、制約付き選択（select）、並列実行（fork）のプリミティブを提供し、バックエンドではRadixAttentionによるKVキャッシュのプレフィックス共有を実現する。JSONデコードで最大5倍...

論文概要（Abstract） Prompt Cacheは、LLM推論においてプロンプトの共通セグメント（システムプロンプト、ドキュメント、Few-Shot例）のKVキャッシュをモジュール単位で再利用するスキーマ非依存な高速化手法である。既存のモデル改変を一切必要とせず、Time to First Token（TTFT）を平均3.5倍高速化し、マルチリクエスト環境でスループットを5.2倍向上...

論文概要（Abstract） Orcaは、Transformer系生成モデルのための分散サービングシステムである。自己回帰生成をイテレーション粒度で分解し、動的にバッチ構成を変更する「Continuous Batching」を提案した。加えてSelective BatchingとSLO対応スケジューリングにより、静的バッチングと比較して最大36.9倍のスループット向上を達成する。Frien...

論文概要（Abstract） vLLMの中核技術であるPagedAttentionは、OSの仮想メモリとページング技法に着想を得たアテンションアルゴリズムである。LLM推論時に生じるKVキャッシュのメモリ断片化と重複保持を解消し、既存システムで60-80%にのぼるメモリ浪費を4%未満に削減する。結果として同一GPU上でのバッチサイズを最大4倍に拡大し、FasterTransformerやO...