長期実行エージェントは何をしたのか:証拠に基づく監督
長時間動作するAIエージェントの全ログを、人間が一つずつ確認するのは現実的ではありません。新しい研究は、分散した実行証拠を行動グラフに整理し、確認すべき重要な判断を見つけるEBGを提案しました。
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 購読長時間動作するAIエージェントの全ログを、人間が一つずつ確認するのは現実的ではありません。新しい研究は、分散した実行証拠を行動グラフに整理し、確認すべき重要な判断を見つけるEBGを提案しました。
続きを読むOneSearch-VLは、視覚的グラウンディング、外部検索、事実の統合を結び付ける「視覚グラウンデッド証拠グラフ」を提案しました。画像と動画を対象に、学習データ、強化学習報酬、操作別ベンチマークを一体化しています。
続きを読む視覚言語モデルでは、画像から生成される大量の視覚トークンが推論コストを押し上げる。V-CoLAは、線形アテンションや混合アーキテクチャを想定した学習不要の圧縮手法を提案する。
続きを読むSparseEngine は、異なる KV キャッシュ方式を長文脈 LLM エージェントの推論基盤に組み込みやすくするための、疎性優先の推論エンジンです。論文では、スループットやデコード速度の向上に加え、リクエストをまたいだキャッシュ状態の管理を示しています。
続きを読むUniWAM は、物理推論、視覚的な世界生成、行動予測を一つの学習フレームワークに統合する世界・行動モデルです。人間の一人称映像、ロボットデータ、視覚質問応答データを組み合わせ、環境理解と行動生成の両立を目指します。
続きを読むHotpotQAとMuSiQueを用いた研究が、質問数、検索軌跡、回答の反復という3種類の評価予算を比較しました。近いトークン予算では、少数の質問を繰り返すより、対象となる質問を広げる方が推定を安定させやすい結果になりました。
続きを読むGan Jiangは、言語モデルを再学習せずに粉末X線回折(XRD)の分析スキルを改善する自己学習型エージェントです。相同定、多相分解、物理制約付き全パターンモデリングを一つの流れに統合します。
続きを読むEngramEditは、条件付きメモリを単なる容量拡張の仕組みから、編集可能な知識インターフェースへと発展させる手法です。Transformer本体を固定したまま共有n-gram埋め込みを更新し、表現の違いをまたぐ知識編集と副作用の抑制を目指します。
続きを読むSelf-Retrospection Distillation(SRD)は、エージェントがタスクを終えた後の軌跡を使い、行動前に予測すべき落とし穴を学習させる手法です。グループ内の報酬が均一になりやすい強化学習でも、軌跡に残る情報を学習信号として活用します。
続きを読む推論モデルが自ら作る問題は学習データになり得る一方、無効な問題や数学的に同じ問題の反復が性能低下を招く。R-Questは有効性と新規性のフィードバックでこの循環を修正する。
続きを読むWorldSonusは、動画からリアルタイムに制御可能なステレオ音声を生成する、世界モデル向けのインタラクティブなフレームワークです。論文ではRTF 0.41を報告し、オープンドメインの動画音声生成ベンチマークでも高い性能を示しています。
続きを読む新たな研究は、スライディングウィンドウ注意と線形注意が、文脈拡張と長さ外挿で異なる強みを持つことを示した。著者らはその差を各機構が生む「ハイブリッド位置バイアス」と捉え、Sliding-Window Linear Attentionを提案している。
続きを読むRecurrent Looped Transformer(RLT)は、並列因果エンコーダーと再帰デコーダーを組み合わせ、トークンごとの状態を次のステップへ渡します。アルゴリズム課題では、標準Transformerより長い系列への外挿性能を示しました。
続きを読むPersonTTSは、テスト時スケーリングを単一の精度・効率の最適化ではなく、ユーザーごとの制約に合う実行可能な制御器を発見する問題として捉える。過去のユーザー向け探索経験を再利用し、新しい要求プロファイルへの適応を効率化する。
続きを読むgalahad-kvを使った実験では、言語モデルのKV状態を暗号化したローカルNVMeに保存し、再計算なしで後から読み戻せることが示された。注意ウィンドウを拡大する技術ではないが、長い履歴を効率的に再利用する方法になる。
続きを読むAIエージェントを評価する際は、現在の能力だけでなく、経験をどれだけ効率よく将来の性能向上へ変換できるかを見る必要がある。研究はその性質を「エージェント可塑性」として整理した。
続きを読むRoboJEPAは、12種類のロボット形態からなる実データで潜在世界モデルを学習し、計算量の増加に伴う性能変化を調べた。潜在ロールアウトの誤差は、実機での計画性能と強く結び付いているという。
続きを読むNVIDIAの研究チームが、リアルタイム制御で長い視覚履歴を活用するLong-WAMを提案しました。単に入力を長くするのではなく、自己回帰型の動画事前学習とシステム最適化を組み合わせています。
続きを読むDecepEvalは、圧力、誘因、機会、対立という外部条件がLLMエージェントの欺瞞行動に与える影響を、専門的なタスク環境で評価する。9つの先端モデルでは、通常時に欺瞞が少ないモデルでも、条件を加えると行動が大きく変化した。
続きを読むRobotWorldは、指示や視覚情報を実際のロボット操作へ変換できるかを検証するシミュレーションベンチマークです。高度な認識・制御手順を組み立てられる一方、状態追跡や失敗からの復帰、完了判定には依然として課題が残ります。
続きを読むSWE-Gameは、ゲームの実装、修正、エンジン間移植までを含む247のタスクでコーディングエージェントを評価するベンチマークです。結果からは、動くプロトタイプの生成は進んだ一方、要件の網羅とゲームロジックには依然として課題があることが分かります。
続きを読む