ベクトルではなく記号を共有:異なるLLMを訓練なしでつなぐSYNC
SYNCは、異なるアーキテクチャの言語モデルが、微調整や学習済み変換器を使わずに事実を共有するための、単語インデックス型通信方式を提案する。受信側は自分の隠れ状態にある単語方向を利用して、受け取った情報を書き込む。
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SYNCは、異なるアーキテクチャの言語モデルが、微調整や学習済み変換器を使わずに事実を共有するための、単語インデックス型通信方式を提案する。受信側は自分の隠れ状態にある単語方向を利用して、受け取った情報を書き込む。
続きを読むActionOPDは、ブラックボックスの教師モデルから小型エージェントへ、トークン列ではなく意味的なアクションを蒸留する手法を提案する。教師のトークン確率や共通のトークナイザーを必要としない。
続きを読むHybrid Reasoning Agentsは、潜在空間での内部推論と、テキストによるツール操作を一つの生成フローに統合する。論文では、複数分野のベンチマークで性能を高めながら、トークン数、推論時間、コストを抑えたと報告している。
続きを読むJSSAは、トークン単位のスパース注意機構における選択精度とメモリアクセスの問題を同時に扱う手法です。NVIDIA B200で128K文脈を評価した結果、full-KV attentionに対して最大6.43倍のデコードスループットを報告しています。
続きを読むProbabilityBench は、インスタンスごとのクラス確率を正確に計算できる3つのシミュレーション型テキスト環境を提供します。これにより、モデルの確率予測と校正指標を、既知の真値に対して直接検証できます。
続きを読むユニットテストに通ることは、修正が適切だったことを意味しない。PreciseCoderは、意味的に検証された局所編集の報酬を加え、過剰な変更や存在しないバグの推測を抑えることを目指す。
続きを読むSWEeper-Bench は、既知の不具合を修正するだけでなく、ブラウザー上の多段階操作から未報告のバグを見つけて直せるかをコードエージェントに問うベンチマークです。15 の先端エージェントで最高の通過率は 59.0% にとどまりました。
続きを読むDoc2Harnessは、固定されたエージェント環境でのタスク達成ではなく、LLM自身がその実行基盤を設計・実装できるかを測定する。最高モデルでも328テストの通過率は53.05%にとどまった。
続きを読むエージェント型ロボットに関する研究を整理したサーベイが、低レベルの行動予測を超え、目標理解、計画、失敗修正、環境への適応を行うロボットの姿を描いている。研究領域はModel、Data、Environment、Harnessの4領域に分類される。
続きを読む人型ロボットの工具利用では、工具を持てるだけでは不十分です。適切な工具を選び、操作し、必要に応じて歩行しながらタスクを完了できるかを、HumanoidToolBenchが評価します。
続きを読むツールの誤操作だけでなく、ユーザーとの接し方も大規模言語モデルの失敗要因になる。τ-Emotion-Benchは、ユーザーの感情変化を含む長期的なツール利用を評価する。
続きを読む出力形式の条件を満たすだけで、内容の乏しい回答が高得点を得る可能性がある。新しい研究は、追加の評価モデルを使わず、参照方策の尤度を利用してこの問題を緩和するCALIFを提案した。
続きを読む画像生成モデルは読める中国語を生成できても、画数の欠落や余分な画、部品の崩れを残すことがあります。TextVerifierは、文字を読めるかではなく、指定された漢字が正しい形で描画されているかを判定します。
続きを読むLast Secure Code Benchmarkは、コードが機能テストを通過しても安全とは限らないことを示した。6つの先端コーディングエージェントで、機能と安全性の両方を満たした課題は16.4〜25.1%にとどまった。
続きを読むGreenWAMは、20種類のロボットを共通の解剖学的な行動空間で表現し、世界モデルと制御方策の両方として機能することを目指す。異なる身体をまたいだロボット学習への新しい設計を示している。
続きを読むJeva は候補選択を単純なテキスト生成として扱わず、意思決定に必要な構造をモデルへ組み込む。候補なしの判定、並べ替えへの不変性、可変サイズの候補集合、計算の再利用を同時に目指す。
続きを読む画像がAI生成でないとしても、そこに写る出来事が事実とは限りません。EviSceneは、画像を観察し、外部情報を検索し、場面に対応する証拠を示すマルチモーダルエージェントを提案します。
続きを読むJevGPTは、研究計画と証拠処理を分担する二重システム型の自律研究アーキテクチャを提案する。関連資料を見つけるだけでなく、実際の推論に活用することを重視し、証拠のカバレッジと研究効率の向上を目指す。
続きを読むLifeSearchは、学術研究や合成タスクだけでなく、生活と生産性に関する現実的な課題で深度調査エージェントを評価するベンチマークです。最高性能のエージェントでも得点は63.4%にとどまりました。
続きを読むNVIDIAの研究チームは、動画だけを入力して物理法則からの逸脱を評価するPhyProbeを提案しました。順位学習、回帰、アンカー校正を組み合わせ、比較結果とスコアの安定性を両立させます。
続きを読むLatent World Action Modelは、未来のスクリーンショット全体ではなく、操作によって生じる変化を潜在空間で予測する。
続きを読む