RealCompanionが問う、長期対話AIは人を理解できるのか
RealCompanionは、過去の発言を検索できるかだけでなく、いつ記憶が必要なのかを判断し、会話に適切に生かせるかを測る長期対話ベンチマークだ。研究結果は、記憶の必要性が従来の評価から想像するより低く、その判定自体が難しいことを示した。
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RealCompanionは、過去の発言を検索できるかだけでなく、いつ記憶が必要なのかを判断し、会話に適切に生かせるかを測る長期対話ベンチマークだ。研究結果は、記憶の必要性が従来の評価から想像するより低く、その判定自体が難しいことを示した。
続きを読むVeriHarnessは、テスト時に正解例や採点基準がなくても、長期タスクを処理するエージェントの成果物を検証・改善するためのフレームワークです。複数ロールアウトの不一致と一致を調べ、環境内の証拠を使って最終成果物を修正します。
続きを読むSciUtopiaは、研究テーマの選択から共同研究、投稿、査読、再投稿、助成、研究者の離脱までを一つの閉ループで再現するLLMエージェント基盤です。投稿機会の拡大は成果を増やす一方、査読負担や研究者の継続性にも影響し得ることが示されました。
続きを読むQueenは、強いが説明をしないチェス専門エンコーダーと、自然言語を生成する指示チューニング済みモデルを組み合わせる。論文では、7回の反復蒸留によって棋力が1782から2697 Eloまで向上したと報告されている。
続きを読むWEFTは、汎用エージェントのツール利用学習において、実行環境だけでなくタスク、エージェント用ハーネス、評価器を一体として拡張する手法です。実行結果に基づく自己進化と、長いワークフローを安定させる学習機構を組み合わせています。
続きを読む長文の医療回答を対象にした研究は、検索してから検証するシステムがクローズドなベンチマークでは高い性能を示しても、臨床的なオープンエンド回答では大きく崩れることを示した。失敗の原因は、検索された証拠の質と検証モデルの推論過程に分けて分析できる。
続きを読むCacheBackは、受信エージェントの情報要求に合わせて送信側のKVキャッシュを選別する、受信側条件付きの潜在通信手法です。FanOutQAでは、転送状態を削減しながら精度と処理遅延の改善が報告されています。
続きを読むJEPA-TTTは、学習時と異なる環境ダイナミクスに直面した際、事前学習済みJEPA世界モデルを運用中に適応させる手法です。視覚表現と報酬ヘッドを固定し、潜在ダイナミクス予測器だけを自己教師ありで更新します。
続きを読む長時間の動画生成では、過去を大量に保存するだけでなく、将来必要になる情報を選び出すことが重要です。FrameMorrowは未来の情報需要を予測し、その結果を使って履歴フレームを選択します。
続きを読むProWAMは、世界行動モデルに順序付きの疎な視覚サブゴールを導入し、未来の動画全体を生成せずにロボットへ中間目標を与える。複数のシミュレーション評価で、分布外環境に対する頑健性の向上が報告された。
続きを読むSimuVerityは、生成されたSimulinkモデルが単にコンパイルできるだけでなく、工学的な要求を満たしているかを評価するベンチマークです。101のタスクを用いた実験では、最も高いシステムの総合スコアも42.86にとどまりました。
続きを読む動画世界モデルでは、長期的な時間的一貫性を保つためKVキャッシュが増え続けます。QuantWMは数値誤差だけでなく、量子化後の注意の動きを維持することでちらつきを抑えます。
続きを読む3種類の効率的な推論訓練が、思考連鎖の忠実性と監視可能性に与える影響を調べた研究です。忠実性は低下しやすい一方、入力介入を認識する能力は比較的保たれました。
続きを読むEyeRobot 2.0は、2つの視点を3D注視点へ向け、操作に必要な画像中心へ計算資源を集中させる。単一のステレオカメラで精密な両手操作を目指す研究だ。
続きを読む研究者は、MCPで接続されたエージェントの信頼関係を悪用し、攻撃者が一つのエージェントから別のエージェントへ悪意ある指示を渡せる可能性を示した。背景には間接的なプロンプトインジェクション、プロトコル間の認可欠落、SSRFがある。
続きを読むDustはモデルの重みではなく活性値を摂動させ、損失の変化から更新方向を推定する。Transformer言語モデルの事前学習で逆伝播に近い性能を示した一方、計算コストは依然として大きい。
続きを読むVals.aiのチームはAIエージェントを使って磁性材料を設計・探索し、新規候補1種と、1999年に合成されていた材料1種を見いだした。いずれもゼロの正味磁化と半導体のバンドギャップ、スピン選択性を両立する可能性があるが、実用化にはなお検証が必要だ。
続きを読むOpenAIは、EU AI法の透明性要件に対応するため、欧州連合域内でChatGPTとCodexが生成した文章に不可視の透かしを導入する。検出器による識別を助ける一方、編集や短文、数式、翻訳文では精度が下がる可能性がある。
続きを読む米ユタ州で、Nolla HealthのAIが顔画像からニキビの重症度を判定し、初回処方まで行うサービスの試験運用が始まった。医師の関与を段階的に減らす設計で、医療AIの責任範囲が問われる。
続きを読む米Reflection AIが、初のフロンティア級オープンウェイトモデル「Beam」を発表した。中国の主要なオープンモデルに近い性能を、より少ない推論計算量で実現すると主張し、企業や主権国家向けの「AIファクトリー」構想を進める。
続きを読むFold2Reasonは、タンパク質の三次元構造を検証可能な推論用データへ変換し、生物学以外の課題にも能力が転移するかを検証した。報告では、空間・グラフ・科学・一般推論の各ベンチマークで改善が確認された。
続きを読む