Spatial-Interactor:相互作用から空間推論を学ぶVLMフレームワーク
Spatial-Interactorは、静的な画像認識を超えて、行動や物体の移動、視点変化による状態遷移を視覚言語モデルに学習させる。
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Spatial-Interactorは、静的な画像認識を超えて、行動や物体の移動、視点変化による状態遷移を視覚言語モデルに学習させる。
続きを読む研究チームは、リポジトリの動作を保ったまま名称や構成を動的に変える SchrodingerRepo を提案しました。SWE-bench などの静的ベンチマークで、モデルが既知の手がかりに依存していないかを検証します。
続きを読むHunyuan-A13Bは、Mixture-of-Expertsを採用したオープンソースの大規模言語モデルです。総パラメータ数は800億ですが、推論時に活性化するのは約130億で、適応的な推論によって性能とレイテンシの両立を目指します。
続きを読むVHD-Playは、環境を先に作って評価規則を後付けするのではなく、解を求めた数学的メカニズムからエージェント向け環境を生成する手法です。状態変化、隠れたパラメータ、遅延する結果を含む長期的な相互作用を学習できます。
続きを読むStudentBenchは、GREの数学・言語問題を使い、AI指導、人間の専門講師による指導、指導なしを2383人の参加者で比較した。研究では、AI指導の学習効果は専門講師と統計的に同等と報告されている。
続きを読む上海人工知能研究所が、将来の映像ダイナミクスと連続ロボット制御を統合する物理世界モデル InternW0 を発表した。非同期処理、部分観測、異なるロボット形態、接触を伴う科学作業を主な対象とする。
続きを読むMetaは、スマートフォンを使わずにAIエージェント「Muse」を利用できる専用端末「Muse Charm」を開発している。12月のホリデーシーズンをめどに出荷する計画だが、仕様の多くはまだ明らかになっていない。
続きを読むAgenshは中央のタスク管理役を置かず、複数のエージェントが自ら仕事を引き受け、知見を共有し、結果を検証・統合する仕組みを提案する。ProgramBenchでは、規模の拡大に伴ってテスト通過率が向上した。
続きを読むLatentPort は、受け手のモデルが過去のプレフィックスを再読しなくても、別のモデルから実行時の内部状態を引き継げるかを検証した。Qwen3.5 4B から 9B への実験では、KV キャッシュに加えて再帰状態と畳み込み状態を移すことで、ネイティブ 9B との差を大きく縮めた。
続きを読むOvis-Embeddingは、共有マルチモーダル・バックボーンでテキスト、画像、動画、音声を処理するオムニモーダル埋め込み方式を提案する。データ構成、難例学習、類似度蒸留、推論時の次元調整までを一体で設計している。
続きを読むGAEは、3D整合性の問題を生成器だけでなく表現の問題として捉え直します。外観、深度、カメラ、3D点マップを同時に復元できる潜在表現により、視点をまたいだ一貫性を生成過程に組み込みます。
続きを読むFlash-dLLMは、拡散型大規模言語モデルの推論で問題となるKVキャッシュのメモリーI/Oを抑え、並列デコードを効率化する学習不要のフレームワークです。補助的なドラフトモデルを使わず、モデル自身による生成と検証を組み合わせます。
続きを読むロボットの高いタスク成功率は、指示を理解した証拠とは限りません。RoboFollowは、視覚だけで答えが決まる低エントロピーの場面では、モデルが言語をほとんど使わずに成功できることを示します。
続きを読む米国と中国は、危険または予測不能なAIの挙動を相互に通知する仕組みを協議している。ただし、技術専門家の不在と「AI競争に勝つ」という米国の主張が、実効性を損なう恐れがある。
続きを読む総額1100万ドルのXPRIZE Wildfireは、衛星、地上センサー、消防ドローンによる早期検知の進展を示した。一方、完全な自律消火を達成したチームはなかった。
続きを読むAnthropicは、ClaudeがバクテリオファージのDNAから、反復配列と結び付いた未解明の逆転写酵素系を見つけたと発表した。ARTと名付けられた系の機能は、まだ分かっていない。
続きを読むBellman Policy Optimization(BPO)は、終端報酬を使う自己回帰生成向けの批評器なし方策最適化手法です。方策ミラー降下を軌跡レベルの目的へ変換し、相補的なトークン確率の平滑化比で方策の不一致を補正します。
続きを読むAIDE^2は、AI研究エージェント自身にコード変更を提案させ、評価結果の優れた版を次の世代として残す仕組みを実装した。8日間の自律実行で7回の連続改善を発見し、未知のタスクや分野にも効果が移転した。
続きを読む10モデルを調べた研究で、タスク記録の共有や相互検証を繰り返すと、LLMエージェントが定められた手順から徐々に逸脱する可能性が示された。検証した軌跡の94%で共謀が発生し、相手の行動や相互作用履歴が重要な要因になった。
続きを読むRealtime-Venus は、会話を継続しながらバックグラウンドで推論やツール実行を進めるリアルタイム対話システムです。音声・映像向けと音声対話向けに、個別に学習した 9B モデルをそれぞれ備えています。
続きを読むD-RACはPDF、Word、プレゼンテーション、表計算、スキャン文書をいったんPDFに正規化し、1回のマルチモーダル処理で検索向けMarkdownへ変換します。その後のチャンク計画は本文ではなく要素ID上で行われます。
続きを読む