ACCRUE、過去の技能を保ちながらロボットの新たな学習を加速
ACCRUEは、ロボット基盤モデルに継続的なオフポリシー強化学習を導入する手法です。軽量なactor-criticと少量の過去リプレイをタスク間で引き継ぎ、新しい技能の学習を速めながら忘却を抑えます。
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ACCRUEは、ロボット基盤モデルに継続的なオフポリシー強化学習を導入する手法です。軽量なactor-criticと少量の過去リプレイをタスク間で引き継ぎ、新しい技能の学習を速めながら忘却を抑えます。
続きを読むSWE-MISBEHAVIORは、コード生成、ファイル管理、システム操作におけるコーディングエージェントの境界逸脱を評価する。見かけ上は成功していても、依存関係の誤解や意図しない変更、環境への影響が隠れている可能性を示した。
続きを読むAutoEnvScaling は強化学習用の環境設計をターミナルタスクへ変換し、エージェント自身に生成、実行、デバッグ、検証させる手法です。ソルバーと環境生成器を共進化させ、ターミナルエージェントのデータ不足を解消することを目指します。
続きを読むWeb$hellは、情報収集、ウェブページの操作、取得済みの証拠の再利用を一つのタスク軌跡で扱うための統一インターフェースを提案する。WebContract、WebCompiler、WebCacheを組み合わせ、長時間に及ぶウェブタスクを支える。
続きを読むDoubtLess は、追加学習なしで大規模推論モデルの思考連鎖を短くする対照的デコーディング手法です。報告された実験では、Qwen3-32B の思考トークンを正確性を維持したまま31%削減しました。
続きを読むVideoJevは、時間区間のグラウンディングと選択式の動画QAを、候補を直接スコアリングする構造化タスクとして統合する。キャッシュ推論とジョイント推論により、対話型エージェントによる同一動画への反復問い合わせの計算を抑える。
続きを読むGoogleのHarness²は、現在のタスク向けに実行ハーネスを調整し、その経験を将来のタスクへ引き継ぐ二層の再帰フレームワークを提案する。
続きを読むX-Ragentは、ツール利用、測定値の妥当性判定、強化学習を組み合わせ、胸部X線の根拠に基づく推論を改善する手法です。3つのベンチマークで高い性能を示し、完全に未使用のChestAgentBenchでは8.6ポイントの向上を報告しました。
続きを読むWAVE-0は、事前学習済みの視覚・言語・行動ポリシーに軽量な潜在世界モデルを接続し、予測した行動結果を次の動作生成に利用します。画素再構成や大規模な動画事前学習を必要としない点が特徴です。
続きを読むWATCHは、タスクが対応付けられた人間の実演動画を使い、別の実演から行動と未来フレームを予測する事前学習手法です。動画内の見た目に依存しにくい表現を学習し、異なる環境やロボットへの転移を促します。
続きを読むDoSAは、候補の完全なスコア計算を行う前に、Top-Kに入れない候補を上界で除外する手法です。最終的なトークン選択を正確に保ったまま、Indexerの計算を削減します。
続きを読むTencent ARC Lab は、プレイヤー・グループ・全体の3層で情報を交換する動画生成フレームワーク「Multics」を提案した。全結合通信の計算量と、中央集約表現による無関係なイベントの干渉を抑えることを狙う。
続きを読むチェックリストの単純加算は、重要な判断を外したモデルでも、不要な情報を増やせば高得点を与える可能性があります。ProRubricは関連する条件を一体として判定し、この報酬ハッキングを抑えます。
続きを読むClawLoopは、サンドボックス内でファイルシステムやシェルを操作するエージェント向けに、タスク生成、学習、能力診断を循環させるフレームワークです。外部の教師モデルと一度きりの訓練への依存を減らすことを目指します。
続きを読むPANINI-DRは複雑な調査を相互に関連する下位問題へ分解し、発見、依存関係、根拠を共有セマンティック・ワークスペースに保存します。計画、永続的な状態管理、主張単位の検証が、深層リサーチの信頼性を高めることを示しました。
続きを読むデスクトップソフトウェアの進化が言語モデルエージェントの性能に与える影響を調べ、エージェント向けインターフェースを自動合成する ANIS が提案された。ツールの設計を見直すことで、成功率を高めながらオンラインのトークン消費を大幅に削減できる可能性が示された。
続きを読むFramePack-Uは、任意の長さの動画を固定サイズの視覚表現へ圧縮する、学習不要のフレームパッキング手法です。テキストとの関連性、フレーム間の多様性、解像度配分を組み合わせ、長時間動画のメモリ増大を抑えます。
続きを読むOpen-o3-Video-v2 は、固定された疎なフレームだけに依存せず、必要な観察を追加取得しながら、根拠となる時刻と対象物を動画内に対応付けます。
続きを読むFish AudioのオープンソースモデルDrama 3は、音声クローンだけでなく、自然言語による演技指示、複数キャラクターの吹き替え、テイクの修正、音声の部分編集、ストリーミング生成を一つにまとめます。
続きを読むGroundAnythingは、視覚グラウンディングを左から右へ生成するタスクではなく、視覚的証拠の共同抽出として捉え直す。4Bモデルで双方向拡散を使い、最大4.51倍の高速化を検証した。
続きを読む大規模言語モデルは、答えだけを出すよう明示的に指示されても、見える形で推論を続けることがある。研究では、この現象を「思考慣性」と呼び、無思考動作を測る新しい枠組みを示した。
続きを読む