記事とガイド

Fish AudioのオープンソースモデルDrama 3は、音声クローンだけでなく、自然言語による演技指示、複数キャラクターの吹き替え、テイクの修正、音声の部分編集、ストリーミング生成を一つにまとめます。

Open-o3-Video-v2 は、固定された疎なフレームだけに依存せず、必要な観察を追加取得しながら、根拠となる時刻と対象物を動画内に対応付けます。

FramePack-Uは、任意の長さの動画を固定サイズの視覚表現へ圧縮する、学習不要のフレームパッキング手法です。テキストとの関連性、フレーム間の多様性、解像度配分を組み合わせ、長時間動画のメモリ増大を抑えます。

デスクトップソフトウェアの進化が言語モデルエージェントの性能に与える影響を調べ、エージェント向けインターフェースを自動合成する ANIS が提案された。ツールの設計を見直すことで、成功率を高めながらオンラインのトークン消費を大幅に削減できる可能性が示された。

PANINI-DRは複雑な調査を相互に関連する下位問題へ分解し、発見、依存関係、根拠を共有セマンティック・ワークスペースに保存します。計画、永続的な状態管理、主張単位の検証が、深層リサーチの信頼性を高めることを示しました。

ClawLoopは、サンドボックス内でファイルシステムやシェルを操作するエージェント向けに、タスク生成、学習、能力診断を循環させるフレームワークです。外部の教師モデルと一度きりの訓練への依存を減らすことを目指します。

チェックリストの単純加算は、重要な判断を外したモデルでも、不要な情報を増やせば高得点を与える可能性があります。ProRubricは関連する条件を一体として判定し、この報酬ハッキングを抑えます。

Tencent ARC Lab は、プレイヤー・グループ・全体の3層で情報を交換する動画生成フレームワーク「Multics」を提案した。全結合通信の計算量と、中央集約表現による無関係なイベントの干渉を抑えることを狙う。

DoSAは、候補の完全なスコア計算を行う前に、Top-Kに入れない候補を上界で除外する手法です。最終的なトークン選択を正確に保ったまま、Indexerの計算を削減します。

UNITASは、観測、ロボットや人の動き、周囲の変化を共通のメートル系3Dフレームで扱う、具身操作向けの3Dネイティブ世界行動モデルです。

15の商用・オープンソース視覚言語モデルを調べた研究で、狭い画像・テキスト課題の微調整が、無関係な場面にも危険な挙動を広げる可能性が示された。

視覚言語モデルは有害な質問への文章回答を拒否しても、点やバウンディングボックスの出力を求められると応じる場合があります。新しい研究は、この構造化出力における安全性の差を測定し、専用の微調整方法を提案しました。

大規模言語モデルは、答えだけを出すよう明示的に指示されても、見える形で推論を続けることがある。研究では、この現象を「思考慣性」と呼び、無思考動作を測る新しい枠組みを示した。

GroundAnythingは、視覚グラウンディングを左から右へ生成するタスクではなく、視覚的証拠の共同抽出として捉え直す。4Bモデルで双方向拡散を使い、最大4.51倍の高速化を検証した。

南京大学の研究チームは、学習価値の高い推論軌跡に監督信号と最適化資源を集中させる、漸進的収縮フレームワークを提案しました。教師側の不確実性推定と学習者側のオンライン振り分けにより、推論後学習のコスト削減を目指します。

AgentSWEは、コーディングエージェントが見えるデモだけでなく、要求全体を満たすエージェントを納品できるかを検証する。評価結果は、実演と信頼できる実装の間に大きな隔たりがあることを示している。

Alibabaの研究チームは、探索や実装、検証、フィードバックに基づく改善を含む長期タスクを自動生成するTerminalHorizonを提案した。生成されたデータはQwen3.5-27Bの微調整に利用され、TerminalHorizon-27Bが作られた。

GroundingPIは、対象物の正確な位置特定を身体知能向けの中核的な知覚能力として設計した4Bパラメータモデルです。34のグラウンディングベンチマークで平均73.68%を達成し、ロボット操作と自動運転の性能も改善しました。

報道によると、DeepSeekは約1000億元規模の新たな資金調達を近く完了する可能性があり、梁文鋒氏は具身知能分野の起業家と意見交換を重ねている。

700社超のソフトウェア企業の工程データを分析した研究は、AIがコード量を増やしても、ソフトウェアの出荷量は同じようには増えない可能性を示した。生成の高速化に対し、人間によるレビューや統合が新たな制約になり得る。

ENCOREは、ロボットの実演を構造化された証拠に変換し、コーディングエージェントが操作プログラムを作成できるようにする手法です。LIBERO-PROやRoboDojo、実機の両腕ロボットで有効性が示されました。