AIエージェント

買い物、ホテル、学術検索を対象にした研究で、LLMエージェントが候補の適合度だけでなく、商品や情報の出所にも系統的な好みを示すことが分かりました。出所を隠す、情報を補う、出所に基づく推測を抑える指示を加えることで、その影響は弱められます。

DeskForgeは、実際のアプリケーションにスクリーンショット、アクセシビリティツリー、ウィンドウ形状情報を組み合わせ、PC操作エージェント向けの密な教師信号を生成する。GUIのターゲット特定だけでなく、長期タスクの達成率にも改善が報告された。

長期的なツール利用では、次の操作が今すぐ妥当かだけでなく、最終的なタスク成功につながるかを判断する必要があります。CITAは、実行前に候補となるツール呼び出しを比較する仕組みを提案します。

Inherit-MASは、マルチエージェントシステムの進化にワークフロー継承と実行継承を導入する。既存の有効な構造を保ちながら、条件が完全に一致する過去の実行結果を再利用し、不要な再計算を抑える。

GraphForgeは、実際のファイルと証拠グラフを基盤に、実行可能で検証しやすいエージェント訓練タスクを合成するフレームワークです。作業空間、指示、評価基準を一つの証拠体系に結び付けます。

X-Treeは、エージェントの軌跡から繰り返し現れ、成功と結び付く行動のまとまりを自動抽出し、再利用可能な経験ツリーにまとめる手法です。LLMを追加で呼び出さず、オフライン強化学習、RLVR、自己蒸留に活用します。

新しい研究は、ユーザーが変更・撤回した要件が回答やツール操作に残り続ける「意図ドリフト」を測定可能な失敗モードとして整理した。IntentFluxとStateForgeの評価から、明示的な状態管理は有効だが、単一ターンの性能を完全には取り戻せないことが示された。

OpenAIのDotsは、クラウド上のコンピューターやデスクトップアプリ、音声入力を組み合わせたAIエージェントだ。実際のテストでは、管理下にあるWeb制作や動画編集には強い一方、認証、ログイン、支払いでは人の介入が多く必要だった。

AREX-2は、自己改善型エージェントに必要な能力を「反省」と「長期実行」に分け、機械学習やアルゴリズムプログラミングから長期改善の軌跡を合成する手法を示した。技術タスクで学習した能力は、深い調査のベンチマークにも転移した。

PatchHolmesは、ハイブリッド検索で候補を絞り込んだ後、エージェントに候補リスト全体を比較させ、脆弱性を修正したコミットを選ぶ。個別判定方式より高いトップ1検索精度を、少ない対話回数で実現した。

MILOは、AIエージェントの実行やツール利用を制御するHarnessと、その探索戦略を同時に進化させる枠組みです。3つの長期タスク向けベンチマークで、既存のHarnessおよび探索手法を上回る結果を報告しています。

自律進化型の検索エージェントでは、提案者と解答者が同じ誤りに同意し、内部報酬だけが上昇する場合がある。CrossFitは、学習に使う情報源と評価経路を分離して、この問題を緩和する。

Agent Error Datasetは、LLMエージェントの失敗軌跡を検証可能な学習信号へ変換するデータセットです。50,228件のエラー診断ペアを通じて、失敗の原因分析と具体的な行動修正を結び付けます。

LEGO-Anythingは、単一画像から固定された3Dデータを出力するのではなく、実行・検査・編集できるシーンプログラムを生成する。エージェントはBlenderコードを反復的に書き換え、画像に対応するシーンを構築する。

Omni-Decisionは、増え続ける対話履歴を、確認済み・不足・矛盾する情報を管理する構造化された「証拠台帳」に置き換える。論文は、オムニモーダルエージェントでは知覚だけでなく計画が大きなボトルネックだと示す。

Yandex Researchは、事前学習済みモデルが観察・推論・行動を同時に進められるオープンソースフレームワークAsyncLLMを公開した。追加のタスク専用学習なしで、Qwen 3.xをストリーミング動画理解やゲーム、監視に適用した例を示している。

Omni-IO Skillsは、基盤モデルを再学習する代わりに、既存エージェントの外側へSkillsと実行管理機能を追加する。複数モダリティにまたがる成果物、依存関係、中間資産を一つのワークフローとして扱える。

LongCat-DeepResearchは、強化されたLongCatモデルとマルチエージェント型ワークフローを組み合わせ、根拠に基づく調査レポートの作成を目指す。評価結果は有望だが、計画を増やせば常に品質が上がるわけではないことも示された。

Marathonerは、複雑な目標に対してAIエージェントが長時間にわたり作業を続ける能力を高めるためのポストトレーニング手法です。タスク合成、拒否サンプリングによる微調整、サンドボックス上の強化学習、実行後半への追加報酬を組み合わせています。

Ravenは、モデルや領域ごとの専用ハーネスを自動で構築・改善し、それらを組み合わせる「ハーネスのハーネス」を提案します。長期かつ領域横断的な作業を、単一エージェントの能力ではなく、複数の能力単位の協調として捉え直す試みです。

HybridCUAは、グラフィカルインターフェースとコマンドラインを組み合わせ、タスクに応じて両者を使い分けるコンピュータ操作エージェントの学習手法を提案する。9BモデルはOSWorldで53.6%の精度を達成し、ベースモデルを14.8ポイント上回った。