WebFovea:モデルは正しいのにクリックがずれる理由
WebFoveaはWebRetriever Challenge 2026で2位となり、視覚ベースのウェブエージェントではモデルの推論力だけでなく、ブラウザとの接続部分が重要だと示しました。同じモデルを使いながら、ハーネスの改善で隠れた評価セットのスコアを31.0から57.0へ高めています。
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WebFoveaはWebRetriever Challenge 2026で2位となり、視覚ベースのウェブエージェントではモデルの推論力だけでなく、ブラウザとの接続部分が重要だと示しました。同じモデルを使いながら、ハーネスの改善で隠れた評価セットのスコアを31.0から57.0へ高めています。
続きを読むUltraText Benchは、英語と中国語の密集した視覚テキストを対象に、画像生成モデルを複数領域・難易度別に評価するベンチマークです。文字の鮮明さと、指定内容を正確に再現する能力は一致しないことが示されています。
続きを読むQuadTokは、画像の複雑な領域を細かく、均一な領域を粗く表現する階層型の四分木Tokenizerを提案する。空間構造を保ったまま系列化できるため、自回帰画像生成にも適用できる。
続きを読むDLoopは、ドラフトモデルが高い確信度を維持している間、複数のドラフト段階を連続して実行し、候補トークンをまとめて検証する手法です。対象モデルの前向き計算を減らし、複数の推測デコーディング方式で5〜41%のウォールクロック高速化を報告しています。
続きを読むTRACEは、MoE言語モデルの強化学習で生じる学習経路とRollout経路の量子化差を抑える手法です。Rollout側の量子化結果で学習側のFP4丸めを導き、BF16に近い性能と最大5.4倍のRollout高速化を報告しています。
続きを読むUNREALは、凍結した大規模言語モデルの内部表現を使い、コーパス検索と長文脈推論を同じ証拠選択機構で処理する手法です。大規模Wikipedia検索と超長文脈ベンチマークの双方で改善を報告しています。
続きを読むSlimWiseは、MoE推論のプリフィルでは完全なモデルを使い、デコード時だけ専門家プールを剪定する方式を提案します。完全モデルが生成したKVキャッシュをそのまま再利用し、Qwen3.6-35B-A3Bでは専門家を50%削減した条件でデコードスループットが最大1.81倍になりました。
続きを読むDiVeRは、サンプリングされた行動表現の分散を利用して、ロボット軌道内の意思決定上重要な状態を見つける。重要な状態を重視してVLAの検証器を学習することで、追加の段階別ラベルや環境インタラクションなしに行動選択を改善する。
続きを読むNeMo-DCRは、学習クラスタとrolloutクラスタの間で変更された重みだけを転送しながら、完全なチェックポイント読み込みとビット単位で一致する結果を実現します。1兆パラメータ、変更率3%のテストでは、refit時間を87.5分から2.5分に短縮しました。
続きを読む端末上で動くカスケード型音声エージェントが、音声認識の途中結果から必要なツール呼び出しを予測し、ユーザーが話している間に処理を始める手法が提案された。結果をキャッシュすることで、応答開始までの待ち時間を短縮する。
続きを読むWebエージェントは第三者が書いたページを読まなければなりませんが、そのページにはタスクを乗っ取る指示も埋め込めます。AdvSim2Realは、凍結したWeb世界モデル内でタスク、攻撃者、エージェントを共進化させます。
続きを読む異なるトークナイザーを使う教師と生徒のオンポリシー蒸留では、アライメント範囲を広げれば性能が上がるとは限らない。厳密に対応する位置で、質の高い信号を与える方が有効な可能性がある。
続きを読むMiniCorpは、社内で協調する複数のエージェントと変化する市場を接続するオフィスシミュレーターだ。現実には集めにくい長期的な企業データや、別の意思決定を試した反実仮想データの生成を目指している。
続きを読むGUI-HARVESTはモデルの重みを更新せず、GUIモデルを囲む実行ハーネスを進化させる手法です。スクリーンショットと操作履歴、反復実行の結果から失敗パターンを特定し、検証済みのコード変更へ変換します。
続きを読む新しいベンチマークは、参照動画との見た目の一致ではなく、動画内で観測できる物理的関係を直接測定する。8つの動画生成モデルを調べた結果、視覚的に説得力のある出力でも物理的一貫性には課題が残った。
続きを読むソフトウェア開発エージェントを対象にした研究で、良性の教師ありファインチューニングはバックドアを弱める一方、その後の強化学習が残存する悪性挙動を維持、場合によっては増幅することが示された。PersistBDは、モデル出荷前にバックドアの持続性を高める手法である。
続きを読むHERMESは、コードやテストなどのリポジトリ要素に常駐型の言語モデルを組み合わせるDev-Primitivesを提案する。各要素が自分の実装を理解し、他の要素と通信しながら局所的な修正を支援する設計だ。
続きを読む新たな研究は、ユーザーが許可した他サービスの履歴を使って、プラットフォームの推薦順位を個人エージェントが調整する仕組みを定式化した。MediateRecベンチマークとPAMOにより、介入すべき場面と任せるべき場面を検証する。
続きを読むエージェントが正しい最終状態に到達しても、その行動が事前に確立された証拠に基づいていたとは限りません。SafeActBench は、失敗が実行前の調査や、依存関係を伴う複数ステップの処理で起きやすいことを示しました。
続きを読む科学エージェントの能力向上によって、固定的なベンチマークは飽和しやすくなっています。AutoSciBenchは、エージェントの解答軌跡と評価者のフィードバックを使い、科学タスクを自動生成・改訂する仕組みを提案します。
続きを読むロボットは、摩擦やバックラッシュ、負荷の変化、経年劣化によって、VLAが指示した通りに動かないことがある。新たな手法は、指令と実際の運動の差を利用し、報酬やラベルなしで運用中にVLAを適応させる。
続きを読む