FDE-Gymが問う、AIエージェントの「実運用デリバリー」力
FDE-Gymは、要件が不完全で顧客システムを変更できる環境にエージェントを置き、実際の事業指標が改善したかを評価する。結果からは、暗黙の制約を発見し、安定して成果につなげる能力が依然として大きな課題であることが分かる。
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FDE-Gymは、要件が不完全で顧客システムを変更できる環境にエージェントを置き、実際の事業指標が改善したかを評価する。結果からは、暗黙の制約を発見し、安定して成果につなげる能力が依然として大きな課題であることが分かる。
続きを読むAlibabaのMAI-UIチームが、汎用コンピュータ利用エージェント向けオープンプロジェクトOpenGCUAの初版を公開した。モデルが観察方法、行動、タスクの進め方を自ら選び、GUIとプログラム的な操作を組み合わせる設計を目指す。
続きを読む論文「Self-Evolving Agent Harness」は、基盤モデルの重みを固定したまま、プロンプト、メモリ、ワークフロー、ツール、実行時ロジックを継続的に改善する枠組みを論じている。永続的な変更を安全に受け入れるための評価と理論も整理する。
続きを読む3DCodeVerseは、3D生成を一度きりの映像出力ではなく、実行可能なプログラムの生成として捉える研究エコシステムです。大規模なコードデータセットと、生成結果を自動検査・修正するマルチエージェント基盤を組み合わせています。
続きを読むMAI-Gymは、モバイル、デスクトップ、Web環境で動作するGUIエージェント向けのオープンプラットフォームです。付属モデルMAI-Gym-9Bは、10B未満のオープンGUIエージェントとして高い性能を報告しています。
続きを読むMosaic は、コンテキスト圧縮やサブエージェント分岐によって生じるマルチセッション実行と、従来の単一セッション学習のずれに取り組む。軌跡全体だけでなく、各セッションの貢献度と利用効率を学習信号に反映する。
続きを読むVLA-Δは、視覚・言語・行動モデルに物理状態遷移の明示的な教師信号を導入する。物体やグリッパー、接触関係の変化を学習しながら、推論時は現在の観測から直接行動を生成する。
続きを読むAutoSFTは、教師ありファインチューニングのデータ調整を、選別だけでなく比率変更、削除、修復、置換、合成まで含む探索問題として扱います。実行、分析、合成を分担するマルチエージェント構成により、データレシピを反復的に改善します。
続きを読むOneWMは、行動条件付きの世界予測と行動生成を同じビデオ・アクションモデルで学習する枠組みです。評価では、行動の結果を予測する能力と方策学習が相互に利益をもたらす可能性が示されました。
続きを読むSpecAgentは、ツールを使うエージェント向けに軌跡単位の推測実行を提案します。小型モデルが実際の観測に基づいて読み取り専用の手順を作成し、大型モデルがそれを一括で意味検証することで、品質を保ちながら逐次デコードを減らします。
続きを読むData Worldは、分析対象のファイルを作る前に、その背後にあるデータ生成メカニズムを定義する手法を提案する。データ、課題、評価基準を同じ環境から生成することで、検証が難しいデータエージェントの訓練を拡張する。
続きを読むAthanorは、AIエージェントがデータ作成から学習コードの変更、評価までを自律的に進める後学習研究システムです。104時間の実験で、Qwen3-4B-Baseを公式指示チューニング版に匹敵する水準まで改善しました。
続きを読むCowork-Gymは、実行可能な作業環境を「構築・実行・修正」のループで大規模に合成する。これらの環境で訓練したQwenモデルは、複数のエージェント評価で基盤モデルを上回った。
続きを読むRoTA-Benchは、2次元のシルエットから3次元構造を推定し、視覚フィードバックを受けながら物体を正確に回転できるかを測る。結果は、人間とモデルの間に依然として大きな差があることを示した。
続きを読むMJev-Spatialは、空間質問応答・数値推定・画像上の指示を候補分類として統一するマルチモーダルモデルです。事前学習済みの注意機構を再利用し、回答トークンを生成せずに判断します。
続きを読むJevAgentHarnessは、LLMエージェントのツール選択を専用の小型決定モデルに委ねる条件を検証する。信頼度に応じて委譲先を切り替え、コストと遅延の削減を目指す。
続きを読むDeltaStreamerは、変化を捉える記憶、質問に応じた計画、過去フレームの再生を組み合わせ、ストリーミング映像理解における証拠の欠落に対応する。
続きを読むVeloxは、カメラの視錐台ジオメトリを使って、現在の動画ブロックに関係する過去の領域を選ぶ学習不要のアテンションルーターです。増え続けるKVキャッシュの計算負荷を抑えながら、ナビゲーション性能を密なアテンションに近い水準で維持することを狙います。
続きを読むWorldMemBenchは、動画ワールドモデルが過去に見た内容を保持し、視界外で起きた変化を継続できるかを測るベンチマークです。260のテストケースと9つの代表モデルの評価から、静的な見た目の保持だけでは動的な状態更新を保証できないことが示されました。
続きを読むLeanPRMは、モデルが生成した自然言語の証明とLeanによる形式証明を組み合わせ、各ステップの正しさを自動的にラベル付けする。人手による逐次アノテーションを減らし、数学証明の検証モデルを改善することを目指す。
続きを読むLEASHは、弱いエージェントを標準の実行役とし、不確実性が高まった場面だけ強いモデルへ引き継ぐ、追加学習不要のフレームワークです。引き継ぎ後もシャドーオブザーバーがブラックボックスの強いエージェントを監視します。
続きを読む