記事とガイド

VoxMemは、大規模音声言語モデルが複数の会話セッションをまたいで何を記憶できるかを評価するベンチマークです。結果からは、発話内容に比べ、話者、話し方、周囲の音を保持する能力が大きく遅れていることが分かります。

RLVRでは、限られたロールアウトの中で全回答が失敗すると、GRPOが利用できる報酬信号が失われます。GRAFTは、別のモデルが見つけた軌跡を共有しつつ、オフポリシーのずれを抑制します。

画像生成の学習は、条件が合えば視覚理解も高められるのでしょうか。OmniTaskonomyは、19種類の画像間生成タスクと25種類の理解能力を整理し、どのタスク間で転移が起きるのかを分析しました。

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。

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。

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。

香港科技大学の研究チームは、ロボット操作向けの行動駆動型ビジュアルシミュレーター「WorldLine」を提案した。汎用的なロボット・物体間ダイナミクスの学習と、異なるロボットの制御を接続する処理を分離する。

Meta の研究チームは、文脈をモデルが自由に書き換えられるファイルとして扱う Context Language Models（CLM）を提案した。複数の長時間エージェント課題で、性能向上と計算量削減の両立を報告している。

密な検索における共有射影とデュアル射影の選択を、バイアスと分散の観点から分析した研究が発表されました。データ量が増える場合やクエリと文書の幾何がずれる場合、デュアル射影の利点が大きくなることを示しています。

Google Researchが、表形式データ向けの4億パラメータ基盤モデルTabFMを発表した。教師あり予測を文脈内学習として扱い、タスク固有の微調整なしで推論を行う。

CompoWorldは、再利用可能なサービスを依存関係グラフとして組み合わせ、複数のツール間で情報を受け渡すタスクを生成する。単一環境に閉じた従来のタスク生成を、より現実的なワークフローへ拡張する試みだ。

FlashForwardは、ノイズ除去中にすでに計算されているKVキャッシュを再利用し、履歴を構築するための追加推論を削減する。ノイズを含む履歴による品質低下には、疎なクリーンアンカーを組み合わせて対応する。

RLVRでは、ロールアウトを生成する推論エンジンと勾配を計算する学習エンジンが、同じトークンに異なる確率を割り当てることがあります。新手法CISは、トークンの信頼度を考慮した重要度サンプリングで、この差による更新誤差を抑えます。

VQSは、答えの多数決に頼る代わりに、画像を構造化し、固定プログラムで質問と答えを生成します。人手評価で正答率94%を達成し、Qwen3-VLを10種類のベンチマークで改善しました。

ループ型言語モデルは同じ重み共有ブロックを繰り返し適用して有効深度を高める一方、生成時には再帰ブロックの逐次呼び出しが遅延要因になります。Wavefront Decodingは中間状態をドラフト予測に利用し、異なる位置と再帰深度の処理を波面状にまとめて実行します。

SentZeroは、胸部X線と放射線科レポートを用いた文中心の視覚言語事前学習フレームワークです。正例の多様性不足や、臨床的に同等な文を負例とみなす問題に対処し、マルチタスクのゼロショット解析を目指します。

MassAlloc Attention（MALA）は、合法な因果関係のQKスコアをすべて参照しながら、正規化された注意量に基づいて低寄与領域の後段計算を削減する。FullAttnに近い精度を保ちつつ、長文脈での計算を適応的に減らす手法だ。

Skill2Envは、再利用可能なスキルを出発点に、エージェントの能力要件に合わせたタスクと実行環境を生成する枠組みです。求解時の軌跡を使って、簡単すぎるタスクを段階的に強化します。

EditWorldは、インタラクティブな世界を生成しながら、編集指示や参照画像を追加できる動画世界モデルです。時間によって変化する条件と長期推論を扱うため、ゲート付き因果注意機構と疎なコンテキストを導入しています。

広範な評価から、汎用AIが専用ビジョンモデルの領域へ急速に進出していることが分かった。一方で、正確な幾何、忠実な再構成、時間的一貫性、専門的な細粒度認識には依然として大きな課題が残る。

VideoPhysEditは、見た目だけでなく編集後の運動や相互作用まで扱う物理反実仮想動画編集のための、剛体シーン再構成パイプラインです。