記事とガイド

YuE2は、旋律とコードを記述した読みやすいスコアを先に作り、その計画をボーカルと伴奏を含む完成曲へ変換する。記号的な作曲と音声生成を一つのモデルで接続し、編集可能性と音楽性の両立を目指す。

TraceDanceは、実際のエージェント運用で見つかった望ましくない行動を、対象を絞った評価ベンチマークへ変換するシステムです。環境全体を再現せず、記録済みの意思決定点からモデルの次の応答を評価します。

Physical Codingは、ロボットの世界状態と実行手順を、読み取りや修正が可能なプログラムとして扱う提案です。HexaAnythingはツールと外部フィードバックを組み合わせ、環境変化や失敗への対応を目指します。

EmbodiedMemory-Benchは、長期的な環境インタラクションにおける身体化エージェントの記憶能力を、実行可能なタスクで評価するベンチマークです。細かな視覚記憶から経験の転用までを調べ、構造化外部メモリEMemとEMem-8Bも提案します。

KAIST AIの研究は、自己反省を長く続けても、小型推論モデルが到達できる解の範囲は必ずしも広がらないことを示した。FlyByは、知識不足を検出した場合だけ強力なモデルに問い合わせる。

北京大学の研究は、後学習済みモデルが無関係なプロンプトに返す単語一つだけでも、別のモデルへ能力の一部を伝えられる可能性を示した。研究者はこの微細な変化を「行動の影」と呼ぶ。

清華大学NLPグループが、報酬モデルを単一値の予測ではなく条件付き密度推定として扱う Diffusion Reward Model（DRM）を提案した。

Duplex-MPEは、複数の人が共有する会話の中で、音声アシスタントが答えるべきか、黙るべきか、発話を止めるべきかを測るベンチマークです。発話頻度の高さだけでは、良い参加者とは限らないことが示されました。

RoboFoundryは、コンテキスト、記憶、スキル、実行インターフェースを一体の「システムとしての方策」と捉える具身エージェントの枠組みを提案する。複数のベンチマークで、長期記憶とタスク遂行の改善が報告された。

従来のコードエージェント評価は単一リポジトリに集中していました。WideSWEは、実際のソフトウェアエコシステムから集めた120件の課題を使い、複数リポジトリにまたがる変更を完遂できるかを調べます。

WorldPlay2は、リアルタイムの操作性と長期ロールアウトの一貫性を両立することを目指す対話型世界モデルです。フレームに対応した行動制御、構造化された意味制御、共有メモリトークン、Stable Forcing蒸留を組み合わせています。

Qwenは、極端に長いタスク向けのオンライン強化学習フレームワーク「QwenGyre」を提案した。ロールアウトと学習の間でGPUを柔軟に再配分し、分岐履歴の再構成や軌跡の重複排除を行う。

DPO、表現ステアリング、内部プローブ、テキスト監視器を、LLMの安全制御とリスク検知の両面から比較した研究です。表現工学は行動アラインメントの代替ではないものの、低データ環境や低コスト監視で有用性を示します。

Tencent Hunyuanの研究チームは、視覚エンコーダーを使うモデルと使わないモデルのスケーリング特性を比較した。エンコーダーなしのモデルは小規模では不利だが、計算量の増加によって差を縮められる可能性が示された。

SkillDREは、実行前スキャンと実行時防御を結び付け、エージェント技能を反復的に評価・改変する二段階のレッドチーム手法を提案する。単一の防御段階だけでは、適応的に変化する技能のリスクを過小評価する可能性がある。

機械学習による入札判断をプライバシー保護端末へ移すと、予算情報も分散し、同期遅延が発生する。新たな監査研究は、古い残高が過剰支出を拡大し、支払い変換が操作可能なインセンティブを生む可能性を示した。

Disaggregated Quantization（DQ）は、LLM推論のPrefillとDecodeに異なる量子化方式、重み、保存場所を割り当てる手法です。低ビット推論の効率を維持しながら、長いプロンプトの処理速度と生成精度の改善を狙います。

VLA-Precisionは、視覚言語行動モデルを実世界でオンライン強化学習する際の方策ドリフトと計算コストに取り組む。ACoBによる段階的な価値校正と、ACoB-Streamによるストリーミング処理を組み合わせる。

IndicBankBenchは、インドのリテール銀行業務を想定した799件のケースで、言語モデルの安全性と信頼性を評価する。最終回答だけでなく、口座選択やツール利用、確認手続きまで検証する点が特徴だ。

D-JEPAは、未来予測が正確でも、潜在空間で目標に近い候補が実際に成功するとは限らないと指摘する。実行結果から候補の優先順位を学習し、意思決定に重要な領域の幾何を調整する。

TRACEは、証拠が有効になる時点、視覚履歴の扱い、応答を開始する条件を明示するストリーミング動画理解の評価 framework を提案する。研究結果は、同程度のQA精度でも、完了度や回答の有効性、生成負荷、応答タイミングが大きく異なり得ることを示した。