機械学習、人工知能、自然言語処理、コンピュータビジョン、マルチエージェント。
説明LintEval：Linter誘導ファイルリファクタリングにおけるLLMのベンチマーク
要約本論文は、C++、Python、Javaを対象とした多言語ベンチマーク「LintEval」を提案し、機能を保ったままLinterの警告に基づいてソースファイルを修正するLLMの能力を評価します。ベンチマークは13,061個のプログラムと171,662件の警告から構成され、機能保持、警告の削減、新たな警告の回避、編集の最小化を同時に評価します。実験では、商用の非公開モデルが最大90.4%のReduction@Pに達する一方、Pass@1は67.1%〜68.3%にとどまることが示されました。また、リファクタリング指向の微調整によりQwen2.5-Coder-7Bの警告削減率は24.7%から76.0%に向上しました。
説明「誰か」を覚え「どう行うか」を知る：永続型アシスタントのための個人記憶と手続き記憶のベンチマーク
要約本論文は、永続型の個人アシスタントには、利用者に関する個人記憶と行動方法に関する手続き記憶の両方の維持が必要だと指摘します。既存のベンチマークはどちらか一方に偏っているため、日常生活と仕事の場面を対象とする PraxisMemBench を提案し、あわせて PraxisMem という手法を示しています。実験では、PraxisMem の全体セッション成功率は 40.78% で、Claude Code の標準記憶機能の 20.60% を上回りました。
説明MorphAct：行動する世界に合わせて変化するロボット方策
要約このarXiv論文は、固定パラメータを共有するのではなく、相互作用の文脈に応じてロボット方策のパラメータを動的に調整するMorphActという枠組みを提案しています。相互に結合した2つの生成器が、視覚言語モジュールと行動モジュールに対して文脈依存の低ランク更新を生成し、ネイティブな行動目的関数で共同学習されます。LIBEROとMeta-Worldで3種類のVLAバックボーンに対し最大16.30%の性能向上、実世界評価ではπ0.5に対して最大14%の向上が報告されています。
説明ユーザーエンコーダの再考：拡散状態のルーティングによるシナリオ適応型ユーザー表現
要約本論文は、自己回帰型の大規模言語モデルに基づくユーザーエンコーダが単方向であるため、多源の行動信号を統合しにくく、学習される静的表現が多様な場面に適応しにくいと指摘する。著者らは拡散言語モデルの反復的ノイズ除去過程を利用するFINDERSを提案し、ノイズ除去、分解、ルーティング、圧縮の4操作でシナリオ適応型のユーザー表現を生成する。また、行動の根拠を含むBehaviorQAコーパスを構築した。論文によれば、10の産業シナリオでの実験とオンラインA/Bテストで既存手法を上回った。
注目点拡散言語モデルのデノイズ状態を分解・ルーティングしてシナリオ適応型ユーザー表現に用いる新しい着想で、10の産業シナリオでのオフラインとオンラインA/B実験が強い根拠を与えている。
説明半勾配TD学習の収束性：平均場からの考察
要約本論文は、二層ニューラルネットワークの平均場領域における強化学習の半勾配時間差分（TD）法の安定性を分析しています。エントロピーによる緩和が、移動するブートストラップ目標の感度を上回るという単純な安定化メカニズムを示しています。この条件の下で、唯一の不動点への指数収束を証明し、正則化なしのベルマン解に対する偏りを定量化しています。また、同じメカニズムがソフトQ学習によるエントロピー正則化オフポリシー制御にも拡張できることを示しています。
説明ChemArgus：実験室レベルのマルチモーダル化学推論を対象とした自動科学診断ベンチマーク
要約本論文は、化学コンペティション問題・教科書・研究論文に基づく高難度の化学ベンチマーク ChemArgus を提案している。最終解答だけでなく小問ごとに部分点を付け、画像入力とテキスト入力を同一課題で比較することで、推論連鎖のどこで誤りが生じるかを診断する。GPT-5.6-Sol は支援なしの全問題解答で 23.2%、2 つの逐次的指標では 28.8% と 30.4% であり、その差が統合の負担を示すとされている。
説明双曲幾何を用いた目標条件付き強化学習で1000層のユークリッド層を上回る
要約本論文は、自己教師あり対照強化学習（CRL）の目標到達タスクにおいて、対照目標内のユークリッド距離を双曲空間の測地距離に置き換える双曲CRLを提案している。壁のある複雑な迷路では経路距離がユークリッド距離から大きくずれることがあり、双曲表現はそのような課題構造により適合する。原文によると、困難なナビゲーションタスクにおいて深さ64の双曲エージェントは1024層のユークリッドネットワークを上回り、訓練は12倍以上速く、パラメータ数は約13分の1である。
説明連続マルコフ連鎖の擬スペクトルギャップのミニマックス推定と経験的集中評価への応用
要約本論文は、単一の軌道の観測から、マルコフ連鎖の擬スペクトルギャップ（pseudo-spectral gap）をミニマックス推定する問題を扱います。Wolfer and Kontorovich（2024）による有限状態空間の結果を、コンパクトな連続状態空間へ拡張しています。遷移作用素がLipschitz密度をもつ連鎖のクラスにおいて、提案する推定量は対数項を除きミニマックス最適であると述べています。Paulinによる Bernstein 不等式の版と組み合わせることで、経験的な集中不等式を導き、信頼区間や能動学習、汎化誤差評価などに応用しています。また、マルコフ報酬をもつ静止型バンディットに対して、擬スペクトルギャップを事前に知らなくても、独立同分布の場合と類似した後悔上界をもつ UCB 手法を示しています。
注目点有限状態マルコフ連鎖の擬スペクトルギャップ推定を連続状態空間へ拡張し、極小最適推定量と経験的集中不等式、UCBの後悔境界を示す。
説明Transformerの文脈圧縮に関する理論的保証：固定方策のTD評価で、文脈内強化学習に必要な最小の文脈次元と近似誤差を示す研究です。
要約本論文は、パラメータ更新なしで文脈内強化学習を行うTransformerに必要な文脈の大きさを検討しています。共有線形デコーダの下で、最初のL個のTD反復を正確に再現するのに必要な最小文脈次元は、サンプルされた遷移が誘導するKrylov次元に等しいことを示しています。利用可能な次元が不足する場合の最適な近似誤差を特徴づけ、実験で文脈圧縮によるメモリ削減と事前学習の大域収束を確認しています。
説明コーディングエージェントが語らないこと：実行と報告の間のタスク状態の差を測定
要約本論文はCTXGAPという測定研究を提示し、コーディングエージェントがユーザー向けに蓄積した報告と、記録された実行コンテキスト全体との間で、タスク状態をどの程度回復できるかの差を比較している。37件のコーディングタスクと4,799件の有効なプローブにおいて、報告のみを読む読者の回復率は52.0%、完全なコンテキストを読む読者は92.7%であった。報告に基づくタスク状態の回復可能性を、補完的な評価の次元として位置づけている。
説明堅牢なハーネスはモデル差を縮める：立法文書からXMLへの変換に関する比較評価
要約本論文は、米国州法をスキーマ制約付きの厳密なXMLへ変換する手法を扱い、2つの管轄区の153件の正解法案を用いて比較実験を行っています。ゼロショット、単一ツール利用エージェント、分解型マルチエージェントの3種のハーネスと、3つのClaudeモデルを組み合わせて評価しています。完全なパイプラインでは最も弱いモデルが単独の最強モデルを上回り、精度はモデルよりもハーネス設計に大きく依存することが示されています。
説明少数ショット系列パターン課題におけるリザーバー計算（エコー状態ネットワーク）の経験的限界
要約本論文は、エコー状態ネットワーク（ESN）の分布・構造・最適化の各バリエーションを、離散記号列を用いた少数ショットの系列対系列合成課題で実証的に分析したものです。線形状態を保つことは記憶系の課題に重要であることを示し、通常のESNでは解けない加算問題と括弧対応問題を解けるデータ依存変調機構G-ESNを提案しています。また深層ESNでは、層間で共有する読み出し機構が一部の構造課題で連結型読み出しを上回ると報告しています。
説明トークン同一性を用いた大規模言語モデルのグレーボックス幻覚検出（GURI）
要約既存のグレーボックス幻覚検出器は生成時の確率統計のみを用い、モデルが具体的にどの候補トークンの間で迷っているかを区別できないと指摘しています。本論文は、候補トークンの確率と各トークンのベクトル識別子を組み合わせた軽量な検出手法GURIを提案しています。3つのオープンウェイトモデルと3つの質問応答ベンチマークで、平均テストROC-AUCは72.09%から79.09%に向上し、クローズドソースのGPT-4.1では67.39%から71.84%に向上したと報告しています。
説明氷下AUV映像で三次元再構成が破綻する理由と、その予測方法
要約本論文は、南極の氷下を航行する自律型水中ロボット（AUV）の映像を用いた三次元再構成を、四つの手法で試し、いずれも失敗したことを報告しています。失敗の仕方はそれぞれ異なります。著者らは、四つの失敗がいずれもカメラの基線長と場面の深度の比が小さいという同じ撮影条件から生じると分析しています。そのうえで、この種の失敗を数時間の計算を無駄にする前に数分で検出する仕組みを提案しています。
説明法律の記述式解答の採点に関する体系的整理：法学部試験から信頼できるルーブリック審査まで
要約本論文は、事例解答、論文、メモといった法学部の記述式解答をどのように評価できるかを体系的に整理したものです。教育測定と試験に関する法から八つの要件を導き、人間による採点から大規模言語モデル（LLM）を用いたインスタンス別ルーブリック評価まで八つの評価方式を比較しています。タスク専用のルーブリックが、LLMと人間の採点の一致を高める最も有効な手段であるとされる一方、検証には大きな空白があると指摘しています。そのため現時点では、単位が関わる場面では試験官の代替ではなく補助として、形成的フィードバックやベンチマークに用いるのが妥当だと結論づけています。
説明LatentLoop：非対称な計算配分によるループ型MoEモデルの拡張
要約本論文は、パラメータを共有して同じブロックを2回適用するループ型混合専門家（MoE）モデルのための LatentLoop を提案します。1回目のループの残差係数を小さくしても性能は維持または向上し、2回目では悪化することが確認されました。そこで1回目の系列を圧縮し、2回目は全解像度を保ったまま、節約した計算を隠れ層サイズの拡大に充てます。1.3B〜7Bパラメータの15構成で検証NLLが一貫して低下し、9つのベンチマークの0-shot・5-shot平均スコアも改善したと報告されています。
説明Safe-FCL：LLM連合継続学習のための継続的リスク認識と細粒度安全集約
要約本論文は、大規模言語モデル（LLM）の連合継続学習において、悪意あるクライアント更新による全体モデルの安全性低下を防ぐ Safe-FCL フレームワークを提案しています。継続リスク認識（CRA）機構は、逐次的なタスクの中で出現するリスクパターンを学習し、過去の特徴から導出した保護部分空間で検出器の更新を制約することで、既知の悪意パターンの忘却を抑えます。細粒度安全集約（FGSA）機構は、クライアント単位のリスク評価とモジュール単位の履歴からの逸脱を組み合わせ、集約への寄与を調整します。実験では、Rule と MD-Judge のスコアがそれぞれ 0.41%、0.64% 向上し、平均リスク識別精度は 2.01% 向上したと報告されています。
説明固有次元からアテンションヘッド数を選ぶ：小規模な研究
要約本論文は、Transformerのアテンションヘッド数を事前に決める簡単なヒューリスティックを検証します。ラベルなしでトークン表現の固有次元を推定し、おおよそその数のヘッドを使う方法です。WikiText-2上のDistilBERT埋め込みで学習した嵌入ドロップアウトVAEにより、固有次元は約9.2と推定されました。小型の4層モデルでは、SST-2とMRPCで10ヘッドと32ヘッドが統計的に同等で、10ヘッドモデルはアテンションパラメータが69%少なくなりました。著者らは証拠が限定的であり、一般原理ではなく大規模での検証に値する実用的な指針だと述べています。
説明価値情報に基づくスケジュール削減：離散拡散におけるSMC誘導の高速化（VISTA）
要約本論文は、報酬誘導型の離散拡散モデルに対し、逐次モンテカルロ（SMC）誘導の計算コストを抑える学習不要の手法VISTAを提案します。VISTAは固定の計算予算の下で誘導を行うノイズ除去ステップを自動選択します。少数の完全誘導による事前生成から価値の統計量を集め、動的計画法で経験的代理目標を解きます。テキスト、生物配列、画像生成の多くの設定で、手作業で設計された疎なスケジュールより良い結果を示しました。有害テキスト生成では、有害なユニーク比率が0.99（完全誘導は1.00）で、1生成あたりの遅延は204.23秒から38.16秒に短縮されました。
説明世界行動モデル向けの補完的な未来トークン剪定
要約世界行動モデル（WAM）は未来の視覚状態とロボットの行動を同時に予測しますが、未来フレームの密なトークンを処理すると推論遅延が大きくなります。本論文では、学習を必要としないCF-Pruneを提案し、事前学習済みWAMの未来フレームトークンを剪定します。指示とアクションの注意を組み合わせて課題に関連するトークンを特定します。RoboLab、RoboCasa、実機のマニピュレーション課題で、35%剪定時に平均1.19〜1.27倍の高速化と成功率の向上、50%剪定時に両シミュレーションで平均1.29〜1.33倍の高速化を示し、全体の成功率はベースラインと1.0ポイント以内です。
説明解釈可能な世界モデルのニューロシンボリック学習：時相論理の知識で可読な概念を学び、計画を立てる
要約本論文は、ブラックボックスではなく解釈可能な概念表現を学習する概念基盤型世界モデル（CGWM）を提案します。時相論理で表された明示的な知識を用いて観測から概念を学び、計画は勾配上昇で行動を最適化する微分可能な推論として定式化されます。2つのゲーム環境で純粋なニューラル基線および神経記号基線と比較した結果、CGWM は長い時間範囲でも概念をより正確に捉え、分布内外でより頑健な計画を実現したと報告しています。
説明AtomSearch：エージェントスキル最適化のための根拠に基づく木探索
要約本論文は、凍結されたモデルの上で外部指示（編集可能なエージェントスキル）を改良するAtomSearchを提案しています。各規則の修正を原子的な編集に分け、スキル状態の木探索で有用な中間状態を保持します。4つのタスクと5つの対象モデルで評価され、4タスク中3つでSkillOptを上回り、最終スキルはより簡潔になったと報告されています。
説明保護が結果に優先するとき：大規模言語モデルの意思決定における「保護モード」の検討
要約本論文は、大規模言語モデルが単純で緊急性のある判断において、人や動物を物品より優先する傾向（「保護モード」）を調べたものです。作者らは285件のプロンプト、34の物理的状況類型からなるProtectionBenchを構築し、9つのモデルを評価して、人間の評価者と比較しています。一部のモデルは主体を優先する選択率が高く、リスクの誤判定だけでなく、正しい順位を述べたうえで主体を選ぶ場合もあると報告しています。
説明有限ステップ生成のためのグラフエネルギー学習
要約本論文は、サンプリングのステップ数が固定されている場合に、Metropolis-Hastings サンプラーの受理エネルギーを、指定ステップ後に返される分布に合わせて調整する有限時間horizonエネルギー学習を提案する。グラフ生成に適用し、二値ターゲットとMOSES分子データセットで既存のエネルギーモデルと比較している。FCDの改善と短いステップ数での終端分布の改善が報告されている。
説明機械翻訳はメディアバイアスを保持するか？
要約本論文は小規模な探索的研究で、英語とドイツ語から保加利亜語へ翻訳する際に、新聞のメディアバイアス（27種類）が機械翻訳で保持されるかを検討しています。四つの最新翻訳手法を評価しています。結果として、機械翻訳は入力テキストの既存のニュースバイアスを完全には保持せず、独自の追加バイアスを加える可能性があると報告されています。著者らによれば、機械翻訳におけるメディアバイアス保持を扱った初の実験的研究とされています。
説明MorphingNet：ネットワーク自体が数式となる記号回帰手法
要約本論文は、ユニットの関数形が連続的に変化する記号回帰用ネットワーク MorphingNet を提案しています。関数の形を固定の演算子ライブラリから探すのではなく、パラメータとして学習するため、記号回帰が一つの連続最適化問題になります。学習後の構造復元ステップで、学習済みの式を短い初等式に書き換えます。SRBench で最先進の精度を示し、大規模データでは最強の探索手法より最大で約100倍速いと報告されています。
説明推理はできても止まれない：剪定された大規模推論モデルの理解と回復
要約本論文は、重み剪定が大規模推論モデル（LRM）の精度を下げる原因を調べ、推理能力そのものよりも「止まれないこと」が主因だと明らかにしています。疎性が高まるほど、正しい答えが推論中に現れた後も、トークン上限内で終了できず繰り返しループに陥るモデルが増えます。また、終了する続きとループする続きの隠れ状態の差は剪定チェックポイント間で一貫しており、答えを確定させる方向性が共有されていることを示しています。これを基に、推論時に残差ストリームへこの方向を加える学習不要の手法TGAS（Termination-Guided Activation Steering）を提案し、6つのモデル、3種の剪定手法、数学・コードのベンチマークで終了率と全体精度を改善しました。
説明画像からの指示マイニング：マルチモーダル学習向け合成データセットの構築（ILSP DCVLR コンペティション提出論文）
要約本論文は、DCVLR向けに画像ベースの指示と応答のペアを合成・選別する、簡潔で再現可能なパイプラインを提示する。Cauldronコレクションを素材とし、Qwen2.5-VL-7B Instructを用いたMagpie方式で、画像に条件づけられた簡潔な指示ペアを生成する。その後、サニタイズ、タグ付け、DeBERTa-v3の報酬モデルによるスコアに基づくフィルタリングを行い、正のスコアのサンプルのみを残す。最終データセットには数学、空間、社会的推論の分野にわたる多様な指示が含まれる。
説明SAM3RL：強化学習で視覚的物体追跡のメモリを制御する手法
要約SAM 3は画像・動画セグメンテーションの基盤モデルで、そのトラッカーは過去フレームの情報をメモリバンクに保存し、先入れ先出しの規則で管理しています。本論文のSAM3RLは、SAM 3トラッカーに軽量なメモリコントローラを加え、強化学習によりどのフレームをメモリに入れるかを決めます。12の追跡・動画物体分割ベンチマークのうち10で新たな最高性能を達成し、実行時の追加負荷はありません。SAM 2に適用したSAM2RLも9つのベンチマークで手作りの規則を上回りました。
説明MemDuet：長文コンテキスト推論のための二重過程メモリの学習
要約本論文は、カーネマンの速い思考と遅い思考の理論を参考にした二重過程メモリ枠組みMemDuetを提案します。小型言語モデルが生のコンテキスト断片から並列に証拠を素早く選び、大規模言語モデルが文書順に記憶の検証と更新を行います。RULER-HQA、LongBench v2、2WikiMultiHopQAで評価され、RL-MemAgentと比べて平均のエンドツーエンド推論速度が9.74倍、出力トークンが73.91%削減されたと報告されています。
説明効率的な大域最適化のためのガウス過程トンプソンサンプリングの収束率
要約本論文は、ノイズのない観測と再生核ヒルベルト空間内の固定目的関数という前提の下で、ガウス過程トンプソンサンプリング（GP-TS）の収束率を調べている。Matérn核について、離散版と連続版の両方に対する最悪ケースの単純リグレットの上界を示し、一次元Matérn-5/2核の場合には標準的なGP-TSに対数因子の下界があることを証明している。これを受けて、有効なRKHSノルム上界で事後サンプル経路を抑えるGP-CTSを提案し、対数項の損失を除去して極小最適率を達成している。
注目点GP-CTSを提案し標準GP-TSの対数ペナルティを除去して最小最大最適率を達成、下界も示す。理論的寄与は大きいが、影響範囲は主に理論分野に限られる。
説明MolHop：エージェント型強化学習による骨格跳躍（スキャフォールドホッピング）分子設計
要約本論文は、分子設計における最適化と、構造の大きく異なる代替分子の発見は性質の異なる探索問題だと指摘しています。約160万の市販分子骨格を粗から細への階層的行動空間に整理したMolHopフレームワークを提案し、エージェントは骨格ナビゲーションと分子編集により探索を行い、履歴の軌跡メモリを保持します。エージェント型強化学習で訓練したMolHop-9Bは、薬物分子と市販化合物のタスクにおいて、比較された生成ベースラインより高い跨骨格の共同成功率を示し、参照分子との骨格差がより大きい候補分子を生成したと報告しています。
説明二重空間軌道学習によるDFTを超える電子バンド構造の予測
要約本論文は、低コストのPBE計算をエネルギー基準と構造化された軌道情報の源として用いるO-kRystalフレームワークを提案している。約6000種の三次元材料で、バンド端付近5 eV以内の状態についてHSE06バンドエネルギーを平均絶対誤差0.171±0.009 eVで予測した。強相関材料6種のベンチマークでは、PBEのバンドエネルギーMAEを68.7%削減した。
注目点PBEの軌道情報からHSE06やG0W0の補正を学習し、理論水準をまたいで一般化しており新規性が高い。
説明ベンチマーク飽和後のモデル能力評価：解答トランスクリプトの活用
要約AI能力の急速な向上によりベンチマークが飽和し、スコアでモデルを区別できなくなっています。本論文は、スコアが飽和した後でも、各モデルの解答過程を記録したトランスクリプトから能力を評価できるかを検討します。過去のベンチマークとモデルの公開データを用いて飽和を回顧的に再現し、複数の手法を比較しました。ペアワイズ判定が最も良く、飽和済みベンチマークのスコアのみを用いる基準と比べて予測誤差を約5.3倍減らしました。ただし、分布が変わると予測精度が安定せず、2025年初頭の初期推論モデルを過小評価する例が示されています。
説明すべての評価基準が同じ重要度とは限らない：ルーブリックベースのLLM評価のための重要度考慮型基準重み付け
要約論文は、ルーブリックベースのLLM評価では基準を一律に重み付けすると、重要でない基準と重要な基準が同等に扱われ、評価スコアが歪むと指摘している。著者らは、LLMに基準同士の重要度を一対比較させ、矛盾した比較を検出・修正したうえで、比較行列の主固有ベクトルから重みを導出する重要度考慮型基準重み付け（ICW）を提案している。実験では、ICWが一律重み付けや他の重み付け手法より優れ、下流の強化学習でより良い方策モデルを得られることが示されている。
説明MUCO：組み合わせ型の長期ロボットタスクのための操作ユニット構造化フレームワーク
要約本論文は、長期にわたるロボット操作を再利用可能な「操作ユニット（MU）」に分割する手法を提案します。各ユニットは局所的な目標、開始条件、観測可能な成功・失敗基準で定義され、個別に学習と検証が行われます。提案手法MUCOは、言語と視覚から単位の列を構成し、能力レジストリ内で校正済み成功率が最も高い方策モデルを割り当てます。実験ではRLBench、RoboTwin 2.0および実世界の5タスクで評価され、従来手法より完全タスク成功率や故障の封じ込めに優れ、誤りの伝播が少ないと報告されています。
説明最適輸送によるobject detectionのアノテーション一致度の定量化
要約本論文は、物体検出のアノテーション同士の一致度を測るための最適輸送（Optimal Transport, OT）ベースの指標を提案しています。従来の指標がボックスの重なりを二値化するのに対し、この指標は対応するボックスと対応しないボックスに段階的なコストを与えます。理論分析と、実データおよび人工的に摂動を加えたアノテーションでの実験により、OTは一致度の段階的な変化を捉え、閾値化した指標では同じスコアになる組を区別できることが示されています。
説明CARD：敵対的ロバスト性蒸留における教師・生徒のループを閉じる手法
要約従来の敵対的ロバスト性蒸留は、ロバストな教師モデルを固定の知識源とみなし、コンパクトな生徒モデルへ一方向に頑健性を移していました。本論文は循環型の枠組みCARDを提案し、まず強から弱へ蒸留を行い、その後生徒からのフィードバックで教師を改良し、改良された教師の成果を同じ生徒へ戻します。CIFAR-10、CIFAR-100、TinyImageNet-10の実験では、多くの設定で敵対的ロバスト性が向上し、一般に通常の精度も維持されたと報告されています。
説明非敵対的ノイズは学習をどう損なうか：エージェントのスキル自己進化を評価するベンチマーク
要約本論文は、大規模言語モデルエージェントが経験から再利用可能なスキルを学ぶ際、普通の非敵対的ノイズに対する頑健性を評価するベンチマーク RSE-Bench を提案しています。4つの領域と6つのベンチマークを含み、学習時のノイズと評価時の入力ノイズを分けて検証します。ノイズ下の学習は、ノイズの種類によりクリーンな自己進化の総利得のうち 25.5％から 42.1％しか保てないことが報告されています。
説明スパース・トランスフォーマー：機械的解釈可能性研究のための制御されたテストベッド
要約本論文は、TinyStoriesで学習させた5層の言語モデル「スパース・トランスフォーマー（ST）」を提案します。幅広いTopKスパースMLP層により、ニューロンが特定の役割に特化します。STのニューロンは、損失を揃えた稠密モデルより AutoInterp で43%高い解釈性を示し、中央値12個のニューロンからなる回路で個々の予測を再現できると報告されています。さらに、特徴学習手法の比較や、圧縮による特徴の重ね合わせ（多義性）の研究にも用いられています。
説明ベンチマーク精度を超えて：LLMの化学予測を診断するテスト
要約本論文は、大規模言語モデルが化学予測ベンチマークで高い性能を示すものの、既存の評価では対象の実体同一性が直接与えられるため、予測が移転可能な構造-物性推論によるものか判断しにくいと指摘します。著者らは、対象の同一性を隠す「Identity-Blinded Reasoning Diagnostic」フレームワークを提案し、既知の元実体と明示的な構造編集操作で対象を定義します。匂い予測、分子物性予測、逆合成、反応収率予測の6タスクで評価した結果、高いベンチマーク精度が必ずしも信頼できる構造-物性推論能力を意味しないことが示されました。
説明タスク専用の低ランクアダプタによるマルチモーダル医用画像解析
要約本論文は、Qwen3.5-9B 視覚言語モデルを用いて FLARE 2026 Task 3 に取り組んだ研究です。6 種類のタスクと 7 種類の画像モダリティを対象とし、凍結された 4 ビット量子化のバックボーンに、入力質問に応じて選択される LoRA アダプタを組み合わせています。内部検証セットと主催者の隠し検証セットで分類、多ラベル分類、計数、検出、回帰、報告書生成の各指標を報告し、タスク専用アダプタの構成が有効だと述べています。
説明GUIエージェントはなぜ失敗するか：実行安定性診断のためのGraceBench
要約本論文は、モバイルアプリのGUIエージェントを評価するオンラインフレームワークGraceBenchを提案します。アプリの到達可能な操作空間をUIトランジショングラフ（UTG）で表し、ステップごとの実行を診断します。動画に基づく軌跡評価により、逸脱率、ループ負担率、回復能力などの指標で最終的な成功以外の安定性を測ります。3,718の軌跡では、成功率だけでは実行の不安定さが見えないことが示されています。
説明高次対象の汎用サンプルベース埋め込み：分布・関数・グラフを固定長ベクトルで表現する手法
要約本論文は、分布・関数・グラフなどの高次対象を固定長の埋め込みベクトルで表す統一的な枠組みを提案しています。エンコーダは有限個のサンプルだけから埋め込みを生成し、デコーダはその埋め込みを条件として対象をモデル化して学習信号を与えます。分布・関数・グラフでの有効性を示し、埋め込み空間での補間、微分方程式の解法、グラフの未知辺の予測といった応用も検証しています。
説明DeepPV-MRF：MR指紋法の時系列信号から部分容積組織比率をエンドツーエンドで推定する手法
要約本論文は、MR指紋法（MRF）の生信号から各ボクセルの脳脊髄液・灰白質・白質の比率を直接推定する深層学習フレームワーク、DeepPV-MRFを提案しています。中間のT1/T2マップを使わず、時間エンコーディングと空間U-Netを組み合わせています。シミュレーションと in vivo データで2つの従来手法と比較し、誤差が小さく構造類似度が高いと報告していますが、臨床利用には更なる検証が必要だと著者は述べています。
説明低い誤検知率での異常音検知のためのフューショット適応手法
要約本論文は産業機械の音響による故障検知を対象とし、二段階の手法を提案している。まず正常動作音のみを用いて正則化された教師なしモデルを導入し、最初の故障発生後は、その際に取得された少数の異常サンプルを用いてフューショット適応を行う。その結果、PR曲線下面積（AUPR）は23.0から64.0へ、低誤検知率領域の部分ROC曲線下面積（pAUROC）は39.6から72.8へ向上したと報告されている。また、共分散正則化が教師なしモデルの予測精度と学習の安定性を改善することも示されている。
説明マルチモーダルLLMにおける表現ベースのテスト時適応の限界
要約視覚言語モデルは一般的な画像劣化で精度が大きく低下します。本論文は、CLIP系の対照学習モデルで有効なテスト時適応（TTA）が、生成型のマルチモーダル大規模言語モデル（MLLM）ではほとんど性能を回復できないことを示しています。ターゲットデータをオフラインで利用しても、サンプルに依存しない特徴整合では精度の改善はわずかでした。著者らは、劣化によるシフトが視覚トークン列でほぼ直交し埋め込み空間全体に広がるためだと考え、表現空間への介入だけではMLLMの頑健性を保証するには不十分かもしれないと述べています。
説明ReCoPII：関係に基づき文脈依存の個人情報マスキング用データセットを構築するフレームワーク
要約本論文は、文脈を考慮した個人情報（PII）マスキングの学習データを構築するためのフレームワークReCoPIIを提案しています。オントロジーで制約された実体関係を計画し、プレースホルダーを含む挿入文を生成して、コードで注釈を再構成し、別のLLMで検証した上で、実体関係からMASK/KEEPラベルを導出します。六つの分野の韓国語文書からReCoPII-Koコーパスを作成し、保持ラベルの一致率がSPY方式より高いことを報告しています。
説明長さ条件付き多数決：推論の長さで票を重み付けする改良法
要約本論文は、大規模言語モデルの推論時に複数の思考連鎖（CoT）の答えを多数決でまとめる際、長い思考連鎖ほど正答率が低いという観察を用いる長さ条件付き多数決（LCMV）を提案します。長さに応じた事前確率をロジスティック関数でモデル化し、ラベルのないテストデータのみで推論時に調整します。複数のモデルと推論ベンチマークで、標準の多数決や既存の集約手法より改善が見られたと報告しています。
注目点長さに依存する事前確率をロジスティック関数で定式化し、ラベルなしデータでテスト時に適応させる点が多数決を実質的に改良し、複数モデル・ベンチマークで比較が充分。
説明ドリフティングによる占有度モデリング：一段階生成で方針を直接抽出
要約本論文は、ラベルのないデータから強化学習を行う手法を扱います。報酬のない軌跡上で、割引状態訪問分布である占有度を生成モデルで事前学習し、少量の報酬付きデータが得られた時点で方策を抽出します。著者らは、占有度の多峰性の捉え方、生成モデルの種類、方策抽出の方法という三つの観点から既存手法を検討し、一段階生成サンプラーであるドリフティング（drifting）を用いた簡素化手法を提案しています。占有度モデルを通じた直接微分によって方策を抽出し、評論家の蒸留を不要にするとしています。標準ベンチマークで性能が向上したと報告されています。
説明BluePixel：ネイティブ4Kエージェント型画像編集への取り組み
要約本論文は、ネイティブ4K画像編集モデルとエージェント制御ハーネスを組み合わせたBluePixelを提案し、完全な学習手順を公開しています。モデルは段階的なVAE適応、継続学習、強化学習によって4K学習を実現し、SATPによる蒸留で50ステップの去ノイズを4ステップに圧縮して、単一のKunlunxin P800 XPUで8.7秒の4K編集を行います。エージェントは指示を分解し、学習時と同じ報酬モデルで結果を検証して、限られた回数で再試行します。3,305件のネイティブ4K事例からなるVINS-4KEval++では、7モデル中2位で、非編集領域の一貫性についてはGPT Image 2に次ぐ結果です。
説明『世界は待ってくれない』：ライブ時計の下でのエージェントの評価と訓練
要約本論文は、六種類のゲーム計180タスクからなるRealtimeBenchを提案し、ゲームが推論中も動き続ける状況で大規模言語モデルのエージェントを評価します。ゲームを一時停止した場合にはGPT-6.1-solが高速なJevを上回るものの、ゲームが動き続けると遅れをとることが示されています。さらに、遅い教師が一時停止中に失敗を分析して指示を書き、速い生徒がプレイ中は教師を呼ばずに行動するTORSIという手法を提案しています。二回の反復でJevの平均テストスコアは13.51から24.19に向上しました。
説明CoDy：符号化コーデックの動的情報を補完的な事前知識とする教師なし時系列行動定位
要約本論文は、アノテーションなしで行動の種類と時間的な開始・終了を特定する教師なし時系列行動定位（UTAL）を扱います。著者らは、ビデオコーデックのGOP量子化パターンや動きベクトル、残差の変化が行動の遷移と関係することに着目し、コーデック情報をRGBやオプティカルフローと組み合わせるCoDyを提案しています。コーデックの分岐は学習時のみ使われ、推論時には追加の計算を必要としません。THUMOS14とActivityNet v1.3での実験で、既存のUTAL手法を上回る結果が示されています。
説明ニューラル・ワッサースタイン・スプライン：軌道推定のための表現不変な二次事前分布
要約本論文は、時間的に対応のないスナップショットから集団の動態を推定する手法を扱います。著者らは、ニューラルネットワークで潜在変数から時間方向の三次スプラインの制御点を生成し、スカラーポテンシャルの辞書への速度の射影を用いてワッサースタイン加速度を近似する手法（NWSP）を提案しています。固定辞書の下で罰則は周辺曲線のみに依存することを示し、複数のベンチマークで輸送法・フロー法と競合する結果を報告しています。
説明SPARS：継続学習のための安定性・可塑性を考慮した領域選択フレームワーク
要約本論文は、新しいタスクの学習時に既存の知識が上書きされる（破滅的忘却）問題に対し、SPARSフレームワークを提案します。SPARSは過去のサンプルを再生せず、グローバルなパラメータ分離と局所的なパラメータ正則化を組み合わせ、パラメータ重要度に基づいて当選、近傍、非重要の3領域に分け、それぞれ選択的凍結、ソフト正則化、自由学習を適用します。CIFAR-10とTinyImageNetでの実験では、既存手法より平均増分精度が向上し、TinyImageNetのクラス増分学習では約6%の改善が報告されています。また、将来のタスクのために60%を超えるパラメータを保持しています。
説明RCCM：推論プロンプトの転移における利益と害の診断
要約本論文はRCCM（推論制御能力ミスマッチ）を提案し、同一問題への回答と生成の終了方法の記録を組み合わせて、推論プロンプトが展開先ごとに利益をもたらすか害を及ぼすかを調べます。5つのオープンウェイト展開先と9つの戦略を対象とし、総合精度では問題単位の大きな利益と害が隠れることを示しています。結果から、プロンプトの効果は実行と評価の仕方とあわせて解釈する必要があるとされています。
説明フローマッチングによる根拠分布蒸留：分布的な連続潜在推論のための手法
要約本論文は、言語モデルが単一の推論過程だけに頼る限界に着目し、根拠分布蒸留（RDD）を提案します。複数のテキスト推論過程から蒸留し、固定長の潜在系列上の条件付きフローで分布を学習します。さらに同一質問内の混合補間で蒸留目標を拡張します。評価された点値潜在推論のベースラインと比べ、特に高度な数学課題で高い解答カバレッジを達成したと報告されています。
説明SEA-HELM Audio：東南アジア多言語の音声認識・LLMパイプラインをSEA-HELMの各サブセットで評価
要約本論文は、東南アジア（SEA）の多言語評価フレームワーク SEA-HELM Audio を提案し、テキストベースの SEA-HELM ベンチマークを音声入力に拡張しています。合成音声を用い、中国語、英語、マレー語、インドネシア語、タミル語の5言語で、多肢選択式推論と指示遵守タスクにおけるテキスト入力と音声入力の性能を比較しています。結果として、特にタミル語で精度の大きな低下が見られたと報告されています。
説明Explorer-Zero：分解可能な検証可能報酬による長期タスクの自己対戦学習の改善
要約本論文は、LLM エージェントが環境との相互作用の中でタスクと細粒度の検証可能な報酬を同時に生成する自己対戦フレームワーク Explorer-Zero を提案しています。提案者が環境を探索して中間状態と最終状態を検証の目標として記録し、部分的な達成にも報酬を与えます。ALFWorld、ScienceWorld、AppWorld で評価された自己対戦ベースラインを上回り、AppWorld では 30B のエージェントが 59.67% のタスク成功率に達し、人手で注釈付けされたタスクでの強化学習の 62.65% に近づいています。
説明Euler：人間中心の多エージェント数学的発見に向けて
要約本論文は、数学研究プロセスを構造化して表現する人間中心の数学研究システム Euler を提案しています。命題、仮定、証明の依存関係、代替アプローチ、失敗した試み、検証の根拠を連結された研究グラフにまとめ、研究者が結果の形成過程をたどれるようにします。3つの数学研究事例で機能を示し、実装と検証についても述べています。
説明極端主義者が LLM 社会に入るとき：マルチエージェントシステムにおける極端な行動の調査
要約本論文は、LLM ベースのマルチエージェント社会シミュレーションにおいて、少数の持続的な極端な個体が集団の動態にどう影響するかを調べています。著者らは、極端なエージェントの割合、空間分布、相互作用の方法などを制御できる EXAM フレームワークを提案しています。国政選挙、金融危機、感染症に関する世論、反復囚人のジレンマの四つのシナリオで実験を行い、小規模な極端な集団が基盤モデルとシナリオに依存した集団的変化を生むことを報告しています。
説明過剰パラメータ化された重み付きMMDの最適化地形の研究
要約本論文は、重み付き原子測度上の最大平均差異（MMD）の最適化地形を研究している。一次元ガウスカーネルについて、コンパクト台をもつ任意の目標分布に対し、粒子数が十分であれば全ての局所極小のMMDを任意に小さくできることを示している。目標分布が有限台をもつ場合は、明示的な粒子数の閾値を超えると偽の局所極小は存在せず、全ての偽の停留点は不安定であるとされている。
注目点重み付きMMD最適化において、十分な粒子数で偽の局所解が消えることを示し、不安定性も解析している。ただし一次元ガウスカーネルに限られる。
説明テキスト情報を用いた学習データフィルタリングによる仮想流量計の性能向上
要約本論文は、エネルギーなど産業分野で学習データの品質が低いことが予測精度を損なう問題に対し、大規模言語モデル（LLM）を用いて、技術者コメントなど非構造化の運転記録とセンサーデータを統合して異常を検出する手法を提案しています。まず文脈を考慮した異常検出を行い、その結果から二値マスクを生成して学習データを絞り込みます。合成の石油・ガスデータセットでの実験では、センサーのみによるフィルタリングと比べ、平均絶対誤差率（MAPE）が7.1%から5.4%に改善しました。
説明OmniPoser：マスク付きフローマッチングによる柔軟な実環境での人体動作復元
要約本論文は、3Dキーポイント、疎なIMU回転、頭部装着型6自由度姿勢など、異種入力の任意の組み合わせから全身SMPL動作を単一モデルで復元する汎用フレームワーク OmniPoser を提案しています。クロスモーダルなマスク機構とマスク条件付きエンコーダにより、さまざまなセンサー構成に対応します。条件付きフローマッチングで完全な動作を生成し、実環境のNymeriaやEgo-Exo4Dを含む7つのベンチマークで最先端手法と同等の性能を示しつつ、700 FPS超で動作します。
説明離散拡散言語モデルと自己回帰言語モデルのエネルギー消費比較分析
要約本論文は、拡散言語モデル（LLaDA-8B、Dream-7B）と自己回帰モデル（Llama-3.1-8B、Qwen-2.5-7B）の推論時のエネルギー消費を比較ベンチマークしたものです。モデル構造、KVキャッシュ最適化、トークンあたりのジュール効率のトレードオフを分析しています。200〜600トークンの長い系列では、拡散モデルは2.5〜2.7 J/トークンで、KVキャッシュ付きの自己回帰モデル（5.3〜5.7 J/トークン）より約2倍効率的でした。KVキャッシュは長い系列で自己回帰モデルのエネルギーを50〜70%削減しました。
説明DeltaStreamer：人間らしいエージェント型ストリーミング動画理解に向けて
要約本論文は、人間が観察し、記憶し、調べる方法に着想を得た、ストリーミング動画理解のためのエージェント型フレームワーク DeltaStreamer を提案します。質問が届く前に映像ストリームを継続的に観察し、視覚的な変化を構造化メモリに記録します。質問が届くと、クエリ駆動型プランナーが必要な証拠を特定し、メモリ検索と対象を絞った再生を行います。OVO-Bench と StreamingBench での総合スコアは、それぞれ 66.07% と 59.53% で、代表的な既存手法を上回ると報告されています。
説明OpenTWBench（オープン台湾ベンチマーク）：大規模言語モデルの台湾領域知識評価と、測定方法がスコアに与える影響
要約本論文は大規模言語モデルの台湾領域知識を評価するオープンな評価スイートOpenTWBenchを提案し、二つのベンチマークからなると述べています。tw-exam-benchは台湾の国家試験由来の25万件超の四択問題、tw-formosa-benchは日常と現代の台湾に関する1696問です。さらに、回答の抽出方法の違いなど、評価の仕組みがスコアを大きく左右することも示しています。
説明VisibilitySplat：3Dガウシアンスプラッティングにおけるレイトレーシング遮蔽による再照明
要約本論文は3Dガウシアンスプラッティング（3DGS）による逆レンダリングを扱い、再照明と材質・光の分解のために明示的な可視性モデリングを導入する。従来のラスタライズ型3DGSの流れに、BVHで高速化された点ベースのレイトレーサーによる疎な可視性推定を加えている。TensoIRの合成データセットでNeRF、テンソル表現、3DGSの各ベースラインと比較し、新規視点合成、アルベド復元、再照明で競争力のある結果を報告している。アブレーションでは、明示的な可視性モデリングが再照明と材質・照明の分離に重要な役割を果たすことが示されている。
説明残差補正付きのメモリ効率的な部分空間最適化：モメンタムSGDからMuonまで
要約本論文は、オプティマイザの状態を部分空間で保持し、直交する残差勾配を更新に加える残差補正フレームワークを提案し、LLM学習のメモリ負荷を抑えることを目指しています。このフレームワークをモメンタムSGD（SMRC）に適用して収束速度を解析し、基底を定期的に再計算する多段階版や、Muonに適用したPMRCも提案しています。著者らは実験により有効性と効率性を確認したと述べています。
説明LAGO：再利用可能で成長する言語エージェント・オプションライブラリ
要約本論文は、専門化された言語エージェントを再利用可能な時間拡張オプションとして扱うLAGOを提案します。メタエージェントは永続ライブラリからオプションを検索するか新規作成し、サブタスクを割り当てて結果を検証し、成功した新しいオプションをライブラリに追加します。モデルの重みを更新せずにライブラリがタスクを通じて成長します。SWE-bench Verifiedの500タスクでは、凍結したQwen3.5-35B-A3Bが58.6%を解決しました。固定した150タスクのサブセットでは、LAGOの解決率は60.3%で、mini-SWE-agent（49.3%）およびTerminus 2（57.3%）を上回りました。構成要素の効果はタスクとモデルに依存すると著者は述べています。
説明EGCForest：企業グループチャット向けの構造化エージェント記憶手法
要約企業のグループチャットには、プロジェクトの進捗、意思決定、タスクの担当などが記録されていますが、証拠は入り混じったスレッド、チャンネル、時間軸に分散しています。本論文はEGCForestを提案し、変更不可能なメッセージログを、チャンネル、アクター、アーティファクトの3つの相互補完的なフォレストに整理します。プレースメントマップと疎な構造的ブリッジにより、ビュー間の接続を実現します。3つの企業チャットベンチマークでの実験では、RAGやメモリシステムの基準手法を上回る結果が示されています。
説明学生自身のスタイルで教える：Web エージェント向けブラックボックス教師蒸留（WebKD）
要約本論文は、クローズドモデルの推論コストが高い問題に対し、小型オープンモデルのWebエージェントを、失敗した軌跡を教師モデルが編集する方法で改善するWebKDを提案する。最初の誤りの地点から、推論、画面状態、行動を学生自身の文体で書き換え、学生の事前分布を保つ正則化で学習する。著者らは、TimeWarpベンチマークで行動クローニング等の基準より高い性能を示し、未見バージョンとOnlineMind2Webの実Webへの転移も報告している。
説明レントシーキング型言語モデル：報酬モデルが価格を決め、頻繁な監査がレントを抑える
要約本論文はRLHFにおける報酬モデルの過剰最適化（通常は報酬ハッキングと呼ばれる）を、レントシーキングとして捉え直します。方策モデルは、真の品質に裏付けられない代理報酬モデルという規制者から報酬を得ます。三つのモデル系統と二つの金標準報酬モデルを用いた実験では、RLが代理報酬の増分の41%から66%をレントに変えることが示されています。また、固定された期待罰金の下では、稀で厳しい監査より頻繁で穏やかな監査のほうが効果的だとされています。
注目点報酬モデルの過最適化をレントシーキングとして再定式化し経済学の指標と検証可能な予測を導入した点は新しい；実験は三モデル系統の固定環境に限られ証拠は中程度。
説明CTIA-ODE：長期時系列予測のための連続時間変数間アテンション
要約本論文は、常微分方程式（ODE）ソルバー内に組み込んだ連続時間変数間アテンション（CTIA）を核とするCTIA-ODEフレームワークを提案しています。内生的な軌道が積分経路に沿って外生的文脈を動的に参照でき、明示的な時間整列は不要です。連続潜在動態の安定化のため、線形残差拡張（LRA）と外れ値に頑健な混合損失（ORHL）を導入しています。八つの実データセットでの実験では、多様なデータセットと予測期間で最先端の予測性能を示し、特に長期予測において精度と効率の良好なバランスを保つと報告されています。
説明MAPLE：LLMの知識抽出を多軸で評価する診断フレームワーク
要約本論文は、活性化ステアリング、デコード調整、プロンプティングなどの知識抽出強化（KEE）手法が、大規模言語モデルの知識の出力にどのように影響するかを分析するMAPLEフレームワークを提案しています。表層、確率、サンプリング超えの三つの水準で、回答の回復と破壊、未回答例における正解トークンの順位変化、固定予算サンプリングで漏れた回答の回復を測定します。OLMo2、Qwen2.5、Llama3の三つのモデル系列で六つの手法を評価し、手法ごとに効果とトレードオフが異なることを示しています。
説明視覚・言語・行動モデル（VLA）における世界モデリングの重要な要素は何か？
要約本論文は、視覚・言語・行動モデル（VLA）に世界モデルをどう組み込むかを検討し、方策が観測から行動への直接的な対応を超えて将来の動態を予測できるようにする手法を扱っています。既存手法を四つの代表的なパラダイムに分類し、統一的な枠組みで、さまざまな世界表現と方策バックボーンを用いて体系的に比較しています。主な知見として、2D意味表現は多くのパラダイムで安定した改善をもたらすこと、分離型のMoT Future Expertは全体性能が競争力を持ち、特に分布外への頑健性に優れること、長期的・動的なタスクで行動のみのベースラインより性能が向上することが示されています。
説明PhyMetric：シーン単位の質問応答によるテキストから動画生成の物理的妥当性の診断
要約テキストから動画を生成するモデルは、映像として自然でも、プロンプトや場面が示す物理的な帰結に反する場合があります。PhyMetricは、物理的妥当性の評価を検証可能なシーン単位の質問応答として再構成した診断ベンチマークです。1,115のシーンと12の評価次元にわたる8,920の二値質問を含みます。実験では、場面ごとの個別の質問が不可欠であり、一般的な質問1つに置き換えると評価精度が偶然の水準まで下がることが示されました。
説明事前学習済み視覚特徴を「状態」ではなく「教師」に：視覚プランニングのためのコンパクト潜在世界モデル
要約論文は Anchor-WM を提案し、事前学習済みの DINO 視覚特徴を世界モデルの状態そのものではなく、コンパクトな潜在状態を学習するための教師として用いる。学習時は蒸馏ヘッドを通じて視覚情報の保持と表現崩壊の抑制を図り、推論時には DINO エンコーダと蒸馏ヘッドを破棄して潜在空間内で予測と計画を行う。論文によれば、評価した4つの環境で平均成功率が最も高く、DINO パッチ特徴上で動く世界モデルより大幅に高速に計画できるという。
説明JointServe：メモリ制約のあるGPU上でマルチモデルエージェントを提供する手法
要約本論文は、複数の専門モデルを協調させるLLMエージェントを、GPUメモリが限られた環境で動かすためのサービングシステムJointServeを提案する。モデルの重みシャードとKVブロックを単一のメモリ予算で競合する対象として管理し、事前プリフェッチ、部分的な常駐、ライブセッションのKVを守る転送スケジューラを用いる。原文によれば、最も強力なモデル全体の入れ替え基線と比べてセッション完了時間を21.7%短縮し、一部の再生テストでは最大49%短縮した。
説明ActionOPD：トークンではなく意思決定を蒸留する
要約本論文は、大規模言語モデルのエージェントの能力を小型モデルへ移すため、行動単位で同方策蒸留を行う手法ActionOPDを提案しています。学習中の生徒モデルが遭遇した状態で、生徒とブラックボックスの教師がそれぞれ行動をサンプリングし、意味的な一致度に応じて生徒の行動に報酬を与えます。教師の推論文やトークン確率は不要で、同じモデル系列や分かち書き器も必要ありません。Qwen3-4BとQwen3-8Bでの実験では、4つの分布外ベンチマークで平均3.3〜6.9ポイントの向上が報告されています。
説明一つの監視器がすべてに合うわけではない：エージェント型AIのための形式手法非依存ランタイム検証
要約本論文は、モデルの判断、可変状態、ツール呼び出し、外部エージェントへの委任を組み合わせたエージェント型AIに向けたランタイム検証アーキテクチャAgenticRVを提案します。観測の境界と監視の形式手法を分離し、観測が十分である条件、監視器の置き換えが判断を保つ条件、ブロックが安全でない効果を防ぐ条件を形式化しています。LangGraphでの受控実験により、選択された要件には外部の時相監視器と手続き的な報告監視器の両方が必要であることが示されています。
説明モデルかユーザーか：どちらの価値観が優先されるのか？多ターン会話における推論時の価値整合の研究
要約本研究は、言語モデルを多ターンの会話において推論段階で特定の価値志向へ導けるかを検討しています。学習を必要としない四種類のプロンプトおよび活性化ベースの誘導手法を比較し、ユーザーとアシスタントが同じ、または対立する価値を推す場合の整合効果を調べました。その結果、双方が反対方向を推す場合はアシスタントの基準バイアスに一致する側が優勢になりやすく、初期に成功して見えた誘導も数ターン後に弱まるか逆転することがあると報告しています。
説明深さはいつ役立つのか：表形式基盤モデルの層ごとの推論を理解する
要約本論文は、Transformer ベースの表形式基盤モデル TabPFN-3 の全 24 の文脈内学習層を、272 の分類データセットを用いて分析しています。表現の幾何、予測の推移、打ち切りや構造的介入を組み合わせて検討しています。後期層の次元収縮が強いほどクラス原型の分離が大きくなること、また単一の事前学習ブロックの反復や層順序の入れ替えは平均的に予測性能を下げることを示しています。
説明VaryST：閉じた世界設定を超える汎化可能な時空間予測モデル
要約本論文は、時間分布・空間領域・観測の利用可能性が変化する環境に対応するため、利用可能な長期観測から予測文脈を動的に構成する、コンパクトな時空間予測モデル VaryST を提案しています。長期履歴からノード表現を導き、事前定義された近傍を超えて機能的に関連する支持ノードを選択し、訓練時には重要な履歴パッチを選択的にマスクします。六つの実データセットと十七のベースラインとの比較実験で、域内精度と時空間変化下でのゼロショット・少数ショット汎化の改善が示されています。
説明System Oneモデルによる校正とリスク予算付き意思決定
要約本論文は、人間への差し戻しができない場合に、LLMワークフローの二値判断（入力の許可・拒否、検索文書の保持・破棄）の閾値をどう設定するかを研究している。不確実な場合は保守的な代替動作を既定とし、効用が最大となる動作を割り当てた入力の部分集合内で偽の見逃しリスクを制御する手法を取る。モデレーション、安全性、再ランキングを扱う6つのデータセットで、汎用モデル、タスク基準、ローカル公開重みで微調整したモデルを比較している。素朴な閾値選択は、テストリスクが定義できる設定の約半数で目標リスクを超えたのに対し、Learn Then Test（LTT）では7.8%であったと報告している。
説明ReproBAIT：コーディングエージェントは生物学AIツールを自力で再構築できるか？
要約本論文は評価ベンチマーク ReproBAIT を提案し、限られたツール説明しか与えられない場合に、コーディングエージェントが公開研究の生物学AIツールを設計・実装・学習できるかを検証します。エージェントはインターネットに接続しない隔離環境で動作し、ツール固有の指標で再現物を評価されます。ProteinMPNN、RFdiffusion3、そして一つのクローズドソース分子設計ツールが対象で、一部のツールでは高い再現能力が見られた一方、最も複雑なツールでは能力が限られました。また、暗記を示唆する中程度の証拠も報告されています。
説明一般関数近似による効率的な文脈付き部分モニタリング
要約本論文は、側情報を伴う有限確率的部分モニタリングゲーム、すなわち部分的なフィードバックしか得られない逐次学習を扱います。Foster ら（2021）のE2Dメタアルゴリズムを基に、計算効率の高いE2D.PMSideを設計し、二つの計算可能な探索規則により T に関して最適な後悔オーダーを達成することを示します。合成ラベル効率予測ゲームとLLMルーティング課題での評価では、既存手法より優れた性能が報告されています。
説明不確実性誘導型の領域カバレッジによるカテゴリ認識アクティブドメイン適応の改善
要約本論文は、アノテーションコストの削減と教師なしドメイン適応の性能向上を目指すアクティブドメイン適応を扱っています。点単位の選択手法が持つ敏感性と冗長性の問題に対し、正の多様体カバレッジを最大化する領域ベースの手法を提案し、さらに不確実性スコアを加えて目標ドメインの決定境界を学習します。複数のベンチマークで、既存手法および最初のカテゴリ認識型ベースラインを上回ったと報告されています。
説明正例・未ラベル学習による拡散モデルの漸近的に厳密な負のガイダンス
要約本論文は、望ましくない条件を避けて画像などを生成する拡散モデルの負のガイダンス手法を提案します。その条件は参照サンプルまたは条件付きスコアで指定されます。提案手法は明示的な目標密度からサンプリングし、避ける強度でその密度を制御します。各時刻で各サンプルが望ましくない条件に属する確率を、正例・未ラベル学習として推定し、逐次モンテカルロ法で偏りを補正します。ガウス混合分布では真の目標に近づき、避けることと生成品質、分布の偏り、多様性のトレードオフで既存手法を上回ると報告されています。
説明Delta Tokenizer：セッション差分の参照一致トークン化と多コアCPUでの長文プロンプトの分割並列処理
要約この論文は、エージェントが毎ターン同じ会話に少量の文章を追加して LLM に送る場面で、トークン化を差分だけに限定する手法 Delta Tokenizer を提案しています。前回の結果を保持し、追加部分と影響を受けうる末尾だけを再エンコードします。長文では、分割規則上安全な位置で分けて複数コアで並列に処理します。著者らは出力が参照実装と完全に一致したと報告し、SGLang での最初のトークンまでの時間の短縮を示しています。
説明「共に進化し、居場所を得る」：社会的足場が自己進化型マルチエージェントシステムをどう形作るか
要約本論文は、自己進化型マルチエージェントシステムのチーム構成や相互依存の構造（協働、同調、競争など）といった社会的足場が、チームの進化の仕方に影響するかを検討します。提案するAGORAフレームワークで、ウェブ検索、コードベース理解、文書QAの各タスクを評価しています。結果として、適切な社会的足場を持つチームは、単独で進化した強いエージェントを最大25ポイント上回りました。
説明心の理論推論のため、強化学習で知覚から行動へのルールを学習する
要約論文は、大規模言語モデルが心の理論（ToM）推論でエージェントの心的状態を推測できても、その推測を後の行動の予測や判断に活かせない場合があると指摘しています。著者らは、知覚・信念・行動の関係を表す簡潔な「if–then」ルールを生成し、Group Relative Policy Optimization（GRPO）でQwen2.5とLlama3を4つのToMベンチマークで訓練しました。ルール生成を伴うGRPOは、プロンプティング、教師ありファインチューニング、思考型推論より高い性能を示し、3B以上の大きなモデルが生成したルールはGPT-4o-miniの性能向上にも転用できたとしています。
説明StateCraft：抽象状態推論でビデオ世界モデルを強化する研究
要約ビデオ世界モデルは、現実的な外観と動きを持つ複雑な環境のシミュレーションを目指します。本論文は、更新可能な抽象状態を視覚状態から分離するStateCraftを提案し、言語モデルとビデオ拡散モデルを組み合わせて動的世界を進化させます。生成型インターフェースのベンチマークで、長い軌跡においても高い自己整合性と生成品質を示したと報告しています。
説明JetSpec++：自己修正付きの先読み並列ドラフト推測デコーディング
要約本論文は推測デコーディング（小さなドラフトモデルが複数のトークンを先に予測し、大規模モデルが検証する高速化手法）を扱います。著者らはブロック内自己修正、ブロック間の先読みドラフト、ドラフトと検証のパイプライン化からなるJetSpec++を提案し、ドラフトのコストをほぼ隠すとしています。論文によれば、GB200上で自己回帰デコーディングに対し最大7.45倍、DSpark（DSpark）に対し1.54倍の高速化を達成し、単一リクエストで毎秒最大1,361トークンを生成し、目標モデルの出力分布を保持するとしています。
注目点投機的デコーディングで受理率と草案生成コストを同時最適化し、ブロック内自己洗練やパイプライン化で複数ベンチマークの大幅な高速化を示している。
説明ゾーンごとに1エージェント：部分観測下の分散型アクティブ推論によるマルチゾーン空調制御（エッジ機器上）
要約本論文は、建物の各ゾーンに独立したアクティブ推論エージェントを割り当てる分散型コントローラを提案します。エージェント同士はメッセージを交換せず、潜在的な外乱と他階の計量電力から導いた混雑信号によって、共有の空気ループによる結合を推定します。Sinergym の事務所ビルの EnergyPlus シミュレーションで、未学習の5つの気象年において、建物の平均ピーク電力は 88.3 kW と、比較したベースラインより低い値になりました。全エージェントは単一の低コストな Raspberry Pi 5 上で動作し、p95 の閉ループ遅延は 442 ミリ秒でした。
説明手法を増やせばエージェントは良くなるのか？エージェント型強化学習における自己蒸留の現実的検証
要約本論文は、エージェント型強化学習における自己蒸留手法を統一条件で比較したものです。代表的な10手法をGRPOと、ALFWorld、ScienceWorld、Search-QA、WebShopの4環境、3つのモデル規模で比べ、132回の学習実行（記録された計算量は約12,124.4 H800 GPU時間）を行っています。その結果、GRPOに対する改善は限定的で、全設定で一貫して上回る手法はなく、最終性能が良くても学習の不安定さが隠れることがあり、追加の学習コストが必ずしも性能向上に結びつかないことが示されています。
説明LiFi：多視点画像からの幾何・意味協調ガイダンスによるLiDAR生成
要約本論文は、多視点カメラ画像から視覚的・幾何学的に整合したLiDAR点群シーンを生成するフレームワーク LiFi を提案している。幾何と意味の二つの分岐で潜在拡散過程を導き、双分岐バランス型の分類器不要ガイダンス（CFG）戦略を導入している。著者らは実験により、高忠実度のLiDARシーン生成において既存手法を上回ると報告している。
説明FPV-CRASH：ドローン一人称視点動画における墜落時刻の事後的特定のためのデータセット
要約本論文は、ドローンの一人称視点（FPV）動画1,052本（墜落526本、正常526本）からなるデータセットFPV-CRASHを提案します。墜落動画には単一フレームの墜落時刻注釈が付与され、ヒートマップベースの参照モデルが疎にサンプリングされたフレームから連続的な時刻を推定します。固定プロトコルの下で、平均絶対誤差は最強の固定時間事前分布ベースラインの1.12秒から0.56秒へ減少しました（相対で50%減）。
説明アドバンテージ誘導による強化学習：教師あり学習の安定性で強化学習並みの性能を目指す手法
要約本論文は、アドバンテージ条件付きの教師あり学習の構造を保ちつつ、サンプリング時に対照的拡散ガイダンスを用いる方策抽出法「Advantage Guidance（アドバンテージ誘導）」を提案している。著者らは、長期的で報酬が疎な26のタスクにおいて、従来の最先端の強化学習手法を大きく上回ったと報告している。
説明最も恩恵を受ける人を学習する：集団健康層別化のための多治療因果ランキング
要約本論文はPROMETHEUSという枠組みを提案し、集団健康の層別化を多治療の因果ランキング問題として扱います。資源が限られる状況で、対象となる患者と治療の機会を期待される増分便益の順に並べることを目的とします。手法は二重頑健な因果シグナル、シャムネットワーク型のニューラルランキングモデル、対照学習による表現事前学習を組み合わせたものです。合成データと、イタリア・ベネヴェント地区の実際の行政共変量を用いた半合成データで評価され、評価した設定では生成された便益順序を再現できたと報告されています。著者らは本手法を臨床前段階のものとし、臨床利用には観察された治療とアウトカムのデータによる検証が必要だとしています。
