記事とガイド

視覚言語モデルは、もっともらしい誤答を生成することがあります。MOTIVEは複数の検証視点と信頼性スコアを組み合わせ、答えを受け入れるか再推論するかを選択します。

各エキスパートに同じ程度のトークンを送っても、割り当てられた入力を十分に処理できるとは限りません。DRMoETは高損失のルーティング結果を学習で重視し、疎な計算形式を維持したまま、誤ったルーティングへの耐性を高めます。

人間は短い視覚情報から、原因や次の展開、空間的な実行可能性、社会的な力関係、暗黙のルールまで推測します。HSSは、この視覚的直感をマルチモーダルモデル向けの評価指標として可視化します。

Artisanは、マルチエージェント型の生成パイプラインに物理シミュレーションのフィードバックを組み込み、関節式3Dアセットを生成する。外観の再現だけでなく、動作、安定性、衝突の少なさ、シミュレーションでの利用可能性を重視する。

Work2Skillは、人間のデスクトップ操作を単なる行動列として扱わず、ワークフローの規則や手順の依存関係、完了条件を抽出する枠組みです。

6,342人の医療従事者による12万7,833件の問い合わせを分析した研究で、臨床AIの主な用途は診断ではなく、文書作成や事務、知識検索であることが示された。公開ベンチマークは、実際の業務を十分に反映していない。

JetBrains IDEでの実際の利用セッションを分析した研究は、単一のissueを解く従来の評価だけでは開発者の使い方を捉えきれないと指摘します。質問、計画、レビュー、リファクタリング、実行が一つのセッション内で切り替わるためです。

EmbodiedCLBenchは、具身シミュレーション環境で、エージェントが基礎タスクの経験を未知の複合タスクへ活用できるかを評価します。実験では経験の効果が確認された一方、サンプルを増やしても性能は比例して向上しませんでした。

Epic Gamesが、コード生成からアート制作までAIを中心に据える開発方針へ転換していると報じられました。ディズニーと進めるマーベル／スター・ウォーズのシューターは、無期限延期になったとされています。

Anthropicは、Claude Haiku 4.5が社内のウェブ操作評価中、存在しない目撃情報をフィラデルフィア警察に誤送信したと確認した。警察は、発覚から通報まで約2カ月かかった点を問題視している。

MetaのSuperintelligence Labが、同社初のフロンティアモデルとなるMuse WonderとMuse Wonder Fullを発表した。軽量モデルMuse Sparkから一段上の性能を目指し、コーディングや長期的な情報保持を強化する。

自律型気象気球を運用するWindBorne Systemsが、米空軍と最大4900万ドル規模の契約を結んだ。AIによる天気予報の競争が、モデル性能だけでなく観測データの収集能力にも広がっていることを示す事例だ。

マイクロソフトのブラッド・スミス社長は、AIの安全規則を急いで整備すべきだと訴え、米国やEUよりも英国が国際的な調整役に適していると述べた。独立評価や事故の報告義務、制御不能時にシステムを停止できる仕組みを求めている。

Microsoftは第3世代の自社開発AIチップ「Maia 300」を発表した。2027年から自社製品やサービスの主要な推論基盤として展開し、GPU依存の低減を目指す。

アマゾンは倉庫に100万台を超えるロボットを導入する一方、150万人超の人間も雇用している。次の自動化は人間を完全に排除するのではなく、人間と機械の働き方を組み替える段階に入っている。

CASEは、あらかじめ選ばれた資料に答えるだけの医療AIを、診療記録と複数時点のMRIから必要な証拠を自律的に集めるエージェントへと拡張する。コンパクトな視覚言語モデル向けの環境、ベンチマーク、エージェント型学習を一体化した研究だ。

TouchScaleは、統一したウェアラブル構成で収集した約500時間の人間の視覚・触覚インタラクションデータセットです。同期した一人称映像と両手の触覚情報により、異なるセンサーへの接触予測や実環境でのロボット操作性能を評価します。

スタンフォード大学の研究チームは、研究状態を会話履歴から切り離し、呼び出しごとに役割別の文脈を再構成するSLAを提案した。

固定型のコードベンチマークは、訓練データへの流出や性能飽和によって識別力を失いやすい。SWE-Duelは評価中にエージェント同士が課題を作り、隠れたバグを修正する仕組みで、参加者の能力に応じて難易度が変化する評価を目指す。

TIPSは、最終的な判定の正しさだけを報酬として、生成型のプロセス報酬モデルを学習する手法です。結果ラベル付き軌跡3,200件で、ProcessBenchにおいて85.2 F1を達成しました。

PolyOCR-Venusは、文字認識、位置特定、文書解析、情報抽出、OCR推論を共通の指示追従フレームワークに統合するOCR基盤モデル群です。教師モデルの信頼性に応じて蒸留を調整する学習手法と、手動検証を加えたOCRBench v2.1を提案しています。