HOMIEが切り開く人-物中心の動画パーソナライズ
HOMIEは、人の同一性を保ちながら、物体との関係や動作の整合性も高めることを狙う動画生成フレームワークです。多モーダル大規模モデルの知識を、生成過程へより自然に組み込みます。
続きを読むClaude API 中継局のガイド、検出の仕組み、LLM API の実測ノウハウ
全 2320 件の記事
RSS 購読HOMIEは、人の同一性を保ちながら、物体との関係や動作の整合性も高めることを狙う動画生成フレームワークです。多モーダル大規模モデルの知識を、生成過程へより自然に組み込みます。
続きを読む多言語ASRは語数を増やすだけでは十分ではありません。GigaAM Multilingual は、資源の少ない中央アジア言語に焦点を当て、データの偏りを抑える設計で性能向上を狙った研究です。
続きを読むDistilled Reinforcement Learning は、結果報酬に依存する強化学習と、教師分布を無条件に模倣するオンライン蒸留の間を狙う手法です。教師モデルの選好を token レベルの方策勾配に反映します。
続きを読むApple-PI は、動画がそれらしく見えるかではなく、物理法則に沿って生成されたかを問うベンチマークです。結果だけでなく、そこに至る推論過程まで評価します。
続きを読むDiffGI は、衣服のような薄い殻状・非多様体の 3D 形状を、従来の体積表現ではなく表面中心の 2D ジオメトリ画像として扱う手法です。連続 2D TSDF と可微分 Marching Squares により、2D 潜在空間と 3D 表面損失を直接つなげます。
続きを読むJoyNexusは、VLAモデルの教師あり微調整、強化学習、評価を共有インフラ上で扱うための多テナント型サービスフレームワークを提案している。
続きを読むQwen の技術報告は、歌声を含む高品質な楽曲生成モデル Qwen-Music を紹介している。特徴は、旋律トークンによる計画を先に行い、その後に楽曲全体を生成・レンダリングする点だ。
続きを読むこの論文は、RLVR におけるエントロピー中心の advantage shaping の限界を指摘し、Contrastive Policy Optimization(CPO)を提案している。参照誘導生成と通常生成の token レベルの分布差を使い、より正しさに近い学習信号を作る点が特徴だ。
続きを読むXiaomi-Robotics-1 は、ロボット学習にも大規模データとモデル拡大によるスケーリング効果が成立するかを検証する VLA 基盤モデルだ。10万時間を超える実世界操作軌跡を使い、未知環境での操作や少量データでの適応を狙う。
続きを読むこの研究は、Muon を疎報酬のエージェント強化学習に適用し、その効果が優位性推定器と学習率の組み合わせに強く依存することを示している。
続きを読むSVR-R1 は、推論時の自己チェックを強化学習の訓練ループに組み込む手法です。モデルは回答を出した後、自ら Yes/No で判定し、No の場合は再考します。
続きを読む新しい論文は、交渉中の値を暗号化しても、譲歩の速度や提示額の軌跡、収束パターンから私的制約が推測され得ると指摘する。著者らは、性能を保ちながら推論攻撃を弱める適応的なランダム化方策を提案している。
続きを読む新しい論文は、セキュリティAIエージェントを評価する際に、最高成功率だけでなくコストを同時に見る必要があると主張する。攻撃側タスクと防御側タスクでは、性能向上の仕方が大きく異なる。
続きを読むS1-Omni は、AI for Science における分断されたデータ形式とタスクを一つの推論モデルに統合しようとする取り組みです。200 以上の科学タスクを対象とし、モデル重み、推論コード、データセットの一部も公開されています。
続きを読むRESOURCE2SKILLは、動画チュートリアル、コードリポジトリ、記事、参考成果物から、ソフトウェアAgentが再利用できる実行可能スキルを抽出する枠組みです。
続きを読むREBASE は、1枚の注釈付き参照画像から新しい対象を分割する training-free な手法です。参照画像の背景特徴サブスペースを取り除くことで、背景に引きずられた誤った類似度を抑えます。
続きを読む207 件の GitHub プロジェクトと 102 万件のレビュー済み Pull Request を分析した研究は、AI Agent の参加がレビュー判断を速める一方で、品質改善には一貫した効果が見られないと報告している。
続きを読むRAGUは、知識抽出とグラフ統合を分離するオープンソースのGraphRAGエンジンだ。専用の7Bモデル Meno-Lite-0.1 により、巨大モデルに頼らない構築を狙う。
続きを読むKAIST AI の研究は、VLA モデルにおけるカメラ視点とロボット動作座標系のずれに注目する。Robot-centric pointmaps は、各ピクセルにロボット座標系での 3D 位置を持たせ、既存の 2D VLA に比較的少ない変更で組み込める表現だ。
続きを読むRecGPT-V3 は、ユーザー記憶、Semantic IDs による商品 grounding、潜在トークンによる効率的推論を組み合わせた産業向け LLM 推薦システムです。淘宝の「Guess What You Like」フィードで、GMV +3.97% と serving リソース消費 52.4% 削減が報告されています。
続きを読む