記事とガイド

同じ科学的内容でも表現が変わると、AI査読者の判断が変わる可能性があります。新研究は修辞的ロバスト性を定義し、全文評価と構造化された科学コアを組み合わせるSciCoreを提案しました。

HUST Vision Lab は、言語と画像を同じ連続空間で扱う Multimodal Flow を提案した。画像を離散トークンへ量子化せず、連続ハイパーチャンクと共有 Flow Matching バックボーンで両モダリティを統一的にモデル化する。

AutoDataBenchは、学習フレームワークや計算量などの要因を固定し、LLM研究エージェントが学習データを診断・整理・構築する能力を評価する制御型テストベッドです。データ介入の効果を事前に予測できるか、研究軌跡を追加学習に利用できるかも検証します。

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。

MISTテストは、画像が本来無視されるべき課題でも、視覚言語モデルのラベルが変化することを示した。判定を左右するのは画像の意味より、画像が入力に存在するという事実だった。

OSWorld-Scienceは、分子描画、病理画像解析、統計計算、物理シミュレーションなどを対象に、コンピューター利用エージェントを評価するベンチマークです。画面操作だけでなく、生成された科学的成果物の正しさも確認します。

Metaの研究チームが、循環計算とMoEの疎性、モデル規模、データ量を同時に扱うLoop Scaling Lawsを提案しました。循環と疎性を組み合わせることで、計算効率と容量の新しい設計空間を示します。

複数のフローベースVLAモデルを調べた研究から、強化学習による変化がアクションエキスパート内の小さなTimestep Modulesに集中することが分かった。shiftベクトルの更新は、タスク成功や転移関係も示す。

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。

CUA-SWEは、コード編集、コマンド実行、GUI操作、視覚的なフィードバックの確認を一つのタスクに統合するベンチマークです。コーディングエージェントとコンピュータ操作エージェントの間にある評価上の空白を埋めようとしています。

フレームを時間順に処理し、全体シャッフルや複数エポックの再利用を行わない環境では、従来の視覚自己教師あり学習が大きく性能を落とす。研究チームは、入力パイプラインを調整したStreamMAEでこの問題に取り組んだ。

NVIDIAの研究チームは、物体や因果関係、相互作用、時間変化を記述する物理言語を、動画の収集・学習・生成に共通する表現として扱うPhysis-Langを提案しました。原子レベルの断言評価と言語誘導検索により、物理的に妥当な動画生成を目指します。

A2Z GameSpec-Benchは、100件の長文ゲーム設計書を基に、コーディングエージェントが実行可能なコードだけでなく設計意図まで再現できるかを評価する。ソースコード検査に加え、シナリオ再生と適応的プレイテストも組み合わせる。

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。

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。

自動化された科学研究では、実験を実行するだけでなく、どの研究方向に資源を投入するかを判断する必要があります。AIMはアイデアの整理、選択、実装監査、実験予算の配分を検索ループに組み込みます。

報酬モデルは、長い回答や自信のある口調、ユーザーへの迎合を品質の高さと取り違えることがある。BiasReducerは線形報酬ヘッドだけを編集し、データセットごとに必要な補正を選択する。

新たな研究は、基盤モデルを変更しなくても、学習可能な潜在通信リンクが拒否挙動を弱める可能性を示した。リンクを悪意ある目的で最適化すれば有害な要求への従属をさらに高められる一方、安全性を重視した報酬による修復も可能だという。

WUSH-KV は、キャリブレーションデータから Key と Value 用の変換を個別に構築し、低ビット KV キャッシュ量子化の誤差を抑える手法です。2-bit 評価では、検証したモデルと下流タスク全体で OSCAR 変換と同等以上の結果が報告されています。

非侵襲型の脳活動からテキストを復元するモデルが、脳信号ではなく単語の発話時間を利用していた可能性が示された。時間情報の漏洩を抑える単純な設計変更により、反復観測と言語モデルの効果も高まった。

ロボットが向かっている間に、記憶された物体の位置が変わることがあります。EvolvingNavは、時間付き3D記憶と確率的な信念更新を組み合わせ、変化する環境でのナビゲーションを目指します。