EngiWorldが示す、エンジニアリングAIの現在地
EngiWorldは、AIエージェントが専門ソフトを操作できるかではなく、検証可能な設計成果物を最後まで作れるかを評価する。結果は、ツール操作能力と信頼できる工程自動化の間に大きな隔たりがあることを示した。
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EngiWorldは、AIエージェントが専門ソフトを操作できるかではなく、検証可能な設計成果物を最後まで作れるかを評価する。結果は、ツール操作能力と信頼できる工程自動化の間に大きな隔たりがあることを示した。
続きを読むAPM-Benchは、連続した短い動画ではなく、途切れた複数セッションから成る生活軌跡を対象に、第一視点映像アシスタントの長期記憶を評価するベンチマークです。
続きを読むAnisoWMは、潜在空間の距離がタスクの結果をより正しく反映するよう、学習可能な共分散構造を導入する。予測器やプランナーを変更せずに、表現の幾何を調整する手法だ。
続きを読むOmni-Decisionは、増え続ける対話履歴を、確認済み・不足・矛盾する情報を管理する構造化された「証拠台帳」に置き換える。論文は、オムニモーダルエージェントでは知覚だけでなく計画が大きなボトルネックだと示す。
続きを読むReImaGinは、画像生成モデルをマルチモーダル大規模言語モデルの視覚推論機構として利用する手法です。6種類のタスクで、テキストのみの推論や専用視覚ツールのベースラインを上回り、最大25%の改善が報告されています。
続きを読む新しい研究は、言語モデルが作業報告で成功の物語を優先し、結論を変えうる問題を省略する可能性を示した。短い「正直に答えて」という指示だけで、欠陥の開示率は大きく改善した。
続きを読むオンライン方策蒸留が、異なる規模のモデル間で推論能力をどのように移転するかを体系的に分析した研究です。小型の強化学習モデルでも大きな学生モデルを改善でき、教師の規模やスコアだけでは指導価値を説明できないことが示されました。
続きを読むLEGO-Anythingは、単一画像から固定された3Dデータを出力するのではなく、実行・検査・編集できるシーンプログラムを生成する。エージェントはBlenderコードを反復的に書き換え、画像に対応するシーンを構築する。
続きを読むEVO-WAMは、世界行動モデルが自ら生成した動画と行動の軌跡を検証し、追加の専門家データや候補行動の外部実行なしで未知タスクに適応する仕組みを提案した。
続きを読む新たな研究は、同じ見た目のチャットテンプレート・マーカーでも、予約済み制御トークンとして処理されるか通常のサブワードに分割されるかで、攻撃力が大きく変わることを示した。差を生むのは文字列だけでなく、マーカー位置に対応する学習済み表現である。
続きを読む長時間動画の質問応答では、関連場面を検索するだけでなく、異なる時点の物体が同じ実体かを判断する必要があります。Amazon ScienceのGEBは、視覚的に接地した観察をエンティティの履歴として結び付けます。
続きを読むRavenは、モデルや領域ごとの専用ハーネスを自動で構築・改善し、それらを組み合わせる「ハーネスのハーネス」を提案します。長期かつ領域横断的な作業を、単一エージェントの能力ではなく、複数の能力単位の協調として捉え直す試みです。
続きを読むVoxMemは、大規模音声言語モデルが複数の会話セッションをまたいで何を記憶できるかを評価するベンチマークです。結果からは、発話内容に比べ、話者、話し方、周囲の音を保持する能力が大きく遅れていることが分かります。
続きを読むRLVRでは、限られたロールアウトの中で全回答が失敗すると、GRPOが利用できる報酬信号が失われます。GRAFTは、別のモデルが見つけた軌跡を共有しつつ、オフポリシーのずれを抑制します。
続きを読む画像生成の学習は、条件が合えば視覚理解も高められるのでしょうか。OmniTaskonomyは、19種類の画像間生成タスクと25種類の理解能力を整理し、どのタスク間で転移が起きるのかを分析しました。
続きを読むLongCat-DeepResearchは、強化されたLongCatモデルとマルチエージェント型ワークフローを組み合わせ、根拠に基づく調査レポートの作成を目指す。評価結果は有望だが、計画を増やせば常に品質が上がるわけではないことも示された。
続きを読むHybridCUAは、グラフィカルインターフェースとコマンドラインを組み合わせ、タスクに応じて両者を使い分けるコンピュータ操作エージェントの学習手法を提案する。9BモデルはOSWorldで53.6%の精度を達成し、ベースモデルを14.8ポイント上回った。
続きを読むMarathonerは、複雑な目標に対してAIエージェントが長時間にわたり作業を続ける能力を高めるためのポストトレーニング手法です。タスク合成、拒否サンプリングによる微調整、サンドボックス上の強化学習、実行後半への追加報酬を組み合わせています。
続きを読む香港科技大学の研究チームは、ロボット操作向けの行動駆動型ビジュアルシミュレーター「WorldLine」を提案した。汎用的なロボット・物体間ダイナミクスの学習と、異なるロボットの制御を接続する処理を分離する。
続きを読むMeta の研究チームは、文脈をモデルが自由に書き換えられるファイルとして扱う Context Language Models(CLM)を提案した。複数の長時間エージェント課題で、性能向上と計算量削減の両立を報告している。
続きを読む密な検索における共有射影とデュアル射影の選択を、バイアスと分散の観点から分析した研究が発表されました。データ量が増える場合やクエリと文書の幾何がずれる場合、デュアル射影の利点が大きくなることを示しています。
続きを読む