WideSWE、コードエージェントのリポジトリ横断協調を検証
従来のコードエージェント評価は単一リポジトリに集中していました。WideSWEは、実際のソフトウェアエコシステムから集めた120件の課題を使い、複数リポジトリにまたがる変更を完遂できるかを調べます。
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 購読従来のコードエージェント評価は単一リポジトリに集中していました。WideSWEは、実際のソフトウェアエコシステムから集めた120件の課題を使い、複数リポジトリにまたがる変更を完遂できるかを調べます。
続きを読むWorldPlay2は、リアルタイムの操作性と長期ロールアウトの一貫性を両立することを目指す対話型世界モデルです。フレームに対応した行動制御、構造化された意味制御、共有メモリトークン、Stable Forcing蒸留を組み合わせています。
続きを読むQwenは、極端に長いタスク向けのオンライン強化学習フレームワーク「QwenGyre」を提案した。ロールアウトと学習の間でGPUを柔軟に再配分し、分岐履歴の再構成や軌跡の重複排除を行う。
続きを読むDPO、表現ステアリング、内部プローブ、テキスト監視器を、LLMの安全制御とリスク検知の両面から比較した研究です。表現工学は行動アラインメントの代替ではないものの、低データ環境や低コスト監視で有用性を示します。
続きを読むTencent Hunyuanの研究チームは、視覚エンコーダーを使うモデルと使わないモデルのスケーリング特性を比較した。エンコーダーなしのモデルは小規模では不利だが、計算量の増加によって差を縮められる可能性が示された。
続きを読むSkillDREは、実行前スキャンと実行時防御を結び付け、エージェント技能を反復的に評価・改変する二段階のレッドチーム手法を提案する。単一の防御段階だけでは、適応的に変化する技能のリスクを過小評価する可能性がある。
続きを読む機械学習による入札判断をプライバシー保護端末へ移すと、予算情報も分散し、同期遅延が発生する。新たな監査研究は、古い残高が過剰支出を拡大し、支払い変換が操作可能なインセンティブを生む可能性を示した。
続きを読むDisaggregated Quantization(DQ)は、LLM推論のPrefillとDecodeに異なる量子化方式、重み、保存場所を割り当てる手法です。低ビット推論の効率を維持しながら、長いプロンプトの処理速度と生成精度の改善を狙います。
続きを読むVLA-Precisionは、視覚言語行動モデルを実世界でオンライン強化学習する際の方策ドリフトと計算コストに取り組む。ACoBによる段階的な価値校正と、ACoB-Streamによるストリーミング処理を組み合わせる。
続きを読むIndicBankBenchは、インドのリテール銀行業務を想定した799件のケースで、言語モデルの安全性と信頼性を評価する。最終回答だけでなく、口座選択やツール利用、確認手続きまで検証する点が特徴だ。
続きを読むD-JEPAは、未来予測が正確でも、潜在空間で目標に近い候補が実際に成功するとは限らないと指摘する。実行結果から候補の優先順位を学習し、意思決定に重要な領域の幾何を調整する。
続きを読むTRACEは、証拠が有効になる時点、視覚履歴の扱い、応答を開始する条件を明示するストリーミング動画理解の評価 framework を提案する。研究結果は、同程度のQA精度でも、完了度や回答の有効性、生成負荷、応答タイミングが大きく異なり得ることを示した。
続きを読むInternW0-Δは、視覚ダイナミクス、シーン意味論、4Dの幾何・運動事前分布、ロボット行動生成を一体化するWorld Action Modelです。論文では、シミュレーションと実ロボットの評価で従来手法を上回ったと報告しています。
続きを読むRayOrchは、文書や動画を可変数の子タスクへ分割するデータ準備向けのプログラミングモデルと分散実行基盤です。親子関係と順序を保ちながら、GPU向けに異なる親の処理をまとめて実行します。
続きを読むByteDance Seed の研究チームが、粗い候補から細かい候補へ段階的に絞り込む PISA を提案しました。ピラミッド型 Top-K 選択により、長文脈モデルにおけるブロック選択の二次コストを抑えます。
続きを読むツール呼び出しエージェントは構造化された操作と自然言語の要約を同じ軌跡で生成します。SLCA-GRPOは片方の報酬がもう片方のトークンを乱さないよう、出力セグメントごとに学習信号を分離します。
続きを読むKaggle Game Arenaは、チェス、ポーカー、人狼を使って大規模言語モデルを競争環境で評価する試みです。固定ベンチマークでは捉えにくい計画性、適応力、不確実性への対応を、実際の対局を通じて調べます。
続きを読むAgentWorldは、複数のLLMエージェントが単なる能力の寄せ集めではなく、長期的に協調できるかをMMORPG型サンドボックスで評価する。実験では、通信、役割分担、共有計画に大きな課題が残ることが示された。
続きを読むUCバークレーなどの研究者は、人間の手と物体の相互作用をロボットの実行可能なデモンストレーションへ変換する3段階の手法、Morphometric Imitationを提案した。3種類のロボットハンドと10種類の相互作用タスクで評価し、実環境のゼロショット試験で89.3%の成功率を報告している。
続きを読むHybridInferは、実際のAndroid端末で端末内・エッジ・クラウドのLLMを動的に振り分ける強化学習ルーターです。モバイル推論の問題は単なる速度低下ではなく、連続生成による実行環境の不安定化にも及ぶと指摘します。
続きを読む本番のText-to-SQLパイプラインを監査した研究から、LLM-as-Judgeが人間の判断と大きく食い違い、正しいSQLを過剰に問題視するケースが明らかになった。モデルの入れ替えと慎重なルーティングが、単純なモデル追加より有効だった。
続きを読む