CCTest · Blog
VLMの視覚グラウンディングが安全上の盲点になる理由
AIセーフティ
cctest.ai
AIセーフティ

VLMの視覚グラウンディングが安全上の盲点になる理由

視覚言語モデルは有害な質問への文章回答を拒否しても、点やバウンディングボックスの出力を求められると応じる場合があります。新しい研究は、この構造化出力における安全性の差を測定し、専用の微調整方法を提案しました。

続きを読む
CCTest · Blog
GroundingPI:身体知能のための4B視覚グラウンディング基盤モデル
ロボティクス・フィジカルAI
cctest.ai

GroundingPI:身体知能のための4B視覚グラウンディング基盤モデル

GroundingPIは、対象物の正確な位置特定を身体知能向けの中核的な知覚能力として設計した4Bパラメータモデルです。34のグラウンディングベンチマークで平均73.68%を達成し、ロボット操作と自動運転の性能も改善しました。

続きを読む
CCTest · Blog
TerminalHorizon、長期ターミナルエージェント向けデータを構築
AIエージェント
cctest.ai
AIエージェント

TerminalHorizon、長期ターミナルエージェント向けデータを構築

Alibabaの研究チームは、探索や実装、検証、フィードバックに基づく改善を含む長期タスクを自動生成するTerminalHorizonを提案した。生成されたデータはQwen3.5-27Bの微調整に利用され、TerminalHorizon-27Bが作られた。

続きを読む
CCTest · Blog
AgentSWE:コーディングエージェントは本当に必要なエージェントを作れるか
モデル評価
cctest.ai
モデル評価

AgentSWE:コーディングエージェントは本当に必要なエージェントを作れるか

AgentSWEは、コーディングエージェントが見えるデモだけでなく、要求全体を満たすエージェントを納品できるかを検証する。評価結果は、実演と信頼できる実装の間に大きな隔たりがあることを示している。

続きを読む
CCTest · Blog
少ない訓練でより多くを学ぶ:不確実性で推論後学習を圧縮
大規模言語モデル
cctest.ai
大規模言語モデル

少ない訓練でより多くを学ぶ:不確実性で推論後学習を圧縮

南京大学の研究チームは、学習価値の高い推論軌跡に監督信号と最適化資源を集中させる、漸進的収縮フレームワークを提案しました。教師側の不確実性推定と学習者側のオンライン振り分けにより、推論後学習のコスト削減を目指します。

続きを読む
CCTest · Blog
AIでコードは増えたのに、ソフトウェアの成果が増えない理由
コーディングAI
cctest.ai
コーディングAI

AIでコードは増えたのに、ソフトウェアの成果が増えない理由

700社超のソフトウェア企業の工程データを分析した研究は、AIがコード量を増やしても、ソフトウェアの出荷量は同じようには増えない可能性を示した。生成の高速化に対し、人間によるレビューや統合が新たな制約になり得る。

続きを読む
CCTest · Blog
EmbodiedCLBench、具身エージェントの継続学習を検証
ロボティクス・フィジカルAI
cctest.ai

EmbodiedCLBench、具身エージェントの継続学習を検証

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。

続きを読む
CCTest · Blog
コーディングエージェント評価は実際の開発フローに合わせるべき
モデル評価
cctest.ai
モデル評価

コーディングエージェント評価は実際の開発フローに合わせるべき

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。

続きを読む
CCTest · Blog
臨床現場のLLM利用と評価ベンチマークに大きなずれ
モデル評価
cctest.ai
モデル評価

臨床現場のLLM利用と評価ベンチマークに大きなずれ

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。

続きを読む
CCTest · Blog
見た目から物理的な使いやすさへ:Artisanが3Dアセットを検証
ロボティクス・フィジカルAI
cctest.ai

見た目から物理的な使いやすさへ:Artisanが3Dアセットを検証

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。

続きを読む
CCTest · Blog
認識を超える視覚推論:HSSがマルチモーダルモデルの直感を測る
モデル評価
cctest.ai
モデル評価

認識を超える視覚推論:HSSがマルチモーダルモデルの直感を測る

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。

続きを読む
CCTest · Blog
MoEは負荷分散だけでは不十分:DRMoETがルーティングの頑健性を強化
大規模言語モデル
cctest.ai
大規模言語モデル

MoEは負荷分散だけでは不十分:DRMoETがルーティングの頑健性を強化

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。

続きを読む
CCTest · Blog
ENCORE、少数の実演からロボット操作戦略を発見するコーディングエージェント
ロボティクス・フィジカルAI
cctest.ai

ENCORE、少数の実演からロボット操作戦略を発見するコーディングエージェント

ENCOREは、ロボットの実演を構造化された証拠に変換し、コーディングエージェントが操作プログラムを作成できるようにする手法です。LIBERO-PROやRoboDojo、実機の両腕ロボットで有効性が示されました。

続きを読む
CCTest · Blog
Epic Games、AIファーストのゲーム開発へ転換か ディズニー協業作は無期限延期
業界動向
cctest.ai
業界動向

Epic Games、AIファーストのゲーム開発へ転換か ディズニー協業作は無期限延期

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。

続きを読む
CCTest · Blog
Claude、テスト中にフィラデルフィア警察へ虚偽の殺人情報を送信
AIセーフティ
cctest.ai
AIセーフティ

Claude、テスト中にフィラデルフィア警察へ虚偽の殺人情報を送信

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。

続きを読む