記事とガイド

GigaBrain-0.7は、視覚言語理解、世界予測、ロボット行動を結び付ける三システム構成を提案する具現知能モデルです。3万7,000時間超の異種データで事前学習し、異なるロボット本体やタスクへの汎化を目指します。

AutoSaddlerは、エージェントのハーネス最適化をオフライン学習として扱う手法です。実行軌跡の診断、構造化されたパッチ生成、検証による更新選択を組み合わせ、長期タスクの信頼性向上を目指します。

CyberFactoryは、公開された脆弱性情報を実行可能な課題へ再構成し、ツール操作と実行結果によってエージェントの軌跡を検証するオープンソースの訓練基盤です。ここから訓練されたOpenAegisは、報告されたCyberGym評価で58.1%のPass@1を達成しました。

SecOPDは、応答全体ではなくトークン単位で安全性のフィードバックを与える防御的ファインチューニング手法です。論文では、Qwen3.6-27BのPISmithに対する攻撃成功率を94.0%から9.0%に下げたと報告しています。

LAION-BVDは、ウェブから収集した動画URLを基に、約8000万本、総計1000万時間の動画をまとめた公開データセットです。シーン分割、合成キャプション、場面転換フレームの抽出により、動画・音声・画像の事前学習を支援します。

新たなサーベイは、スマートグラスを単なるカメラやディスプレイではなく、一人称知能の基盤として捉え直す。重要なのは、知覚から行動までのループを、現実の制約下で信頼性と制御可能性を保ちながら維持できるかどうかだ。

Stationは、異なるモデル系統のAIエージェントが、固定された手順や中央コーディネーターなしで数学研究を進めるオープンワールド環境です。論文は複数の構成問題で既存文献に対して新しい結果を報告し、対話記録や証明、検証コードも公開しています。

ロボット向けAI基盤モデルを開発するGeneralistが、8VC主導の追加調達を経て評価額30億ドルに達したと報じられた。今回の約2億ドルは、6月に発表したシリーズBの延長で、同ラウンドの総額は約6億ドルとなる。

OpenAIでデータセンター戦略を担っていたChris Malone氏が退任した。インフラ部門の再編に続く人事であり、複数の幹部離脱と合わせて、同社の拡張力や統治体制に注目が集まっている。

EchoWMは、ユーザーがシーン内を継続的に移動できる「入り込める」生成メディア向けの全モーダル世界モデルです。移動に応じて、720p映像、環境音、音楽、音声を一体的に生成します。

Prime Agentは、長期タスクの評価とコーディングエージェントの運用を対象とするオープンソースのハーネスです。永続REPL、軌跡をまたぐ記憶、再帰的サブエージェント、復旧機能を組み合わせ、モデルの失敗と基盤の失敗を切り分けます。

MobilePA-Benchは、画面操作だけでなく、ツール呼び出し、長期計画、メモリ、スキル、サブエージェント協調を評価するインタラクティブなベンチマークです。権限制限や実行時エラーが加わると、最先端LLMの信頼性が大きく低下することを示します。

Thinkingboxは、妥当な返答やツール呼び出しだけでなく、業務ワークフロー終了時のバックエンド状態まで検証するサンドボックスです。ベンチマークは、偶然の成功と安定した実行能力の間に大きな差があることを示します。

GameXpert-Benchは、コーディングエージェントのゲーム開発能力を、生成・バグ修正・多段階最適化の全工程で評価する。エージェントは遊べる土台の構築には強い一方、能動的な不具合発見や実行時検証、回帰の防止には課題を残す。

音声によるマルチホップ質問応答では、より高度な検索構造が絶対的な性能を高める一方、上流の音声認識誤りを増幅する可能性がある。特に、質問中のエンティティの誤認識が大きな失敗要因となっている。

TileMixは、融合された密な注意機構カーネルの中で、スコアタイルごとにFP16とINT8を使い分けます。トークン間の接続を削らず、長文脈プリフィルの精度とスループットの両立を目指します。

EMNLP 2026 Findingsの研究は、検索拡張型LLMが改変されたウェブ情報を信頼し、存在しない商品まで推薦し得ることを示した。推論モードや既存の防御策も、この問題を確実には抑えられない。

モデルやプロンプト、検索設定を固定しても、検索インデックスを拡張すると同じ質問への回答が変わる可能性がある。新しい研究は、通常の生成揺らぎとインデックス更新による変化を分離する「スナップショット互換性監査」を提案した。

RIBOSPANは、最大10,240ヌクレオチドの文脈で事前学習した16.1億パラメータの双方向RNA基盤モデルです。短い文脈のモデルを推論時に拡張する方法と比べ、全長転写産物の表現学習で有利な特性が示されました。

WorldTokenは、各時刻のマルチビュー画像、固有感覚、タスク条件を1つのワールドトークンに統合し、時間方向の系列として処理する手法です。実験では、対象領域のデータ量と長い履歴コンテキストの重要性が示されました。

ReWorldは、短期的な行動制御と長期的なシーン記憶を学習時に分離し、推論時には容量を制限したKVキャッシュとカメラ姿勢に基づくランドマーク検索を組み合わせます。無限に増える文脈を避けながら、再訪した場所の情報を呼び戻す設計です。