Qwen-Drive-1.0:視覚言語モデルを自動運転へ拡張する試み
Qwen-Drive-1.0は、事前学習済みの視覚言語モデルを土台に、3D認識、視覚質問応答、運動計画を一つの枠組みに統合する初期的な試みです。BEV認識ヘッドと計画エキスパートによって、共有表現を検査可能なシーン構造と将来軌道へ接続します。
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Qwen-Drive-1.0は、事前学習済みの視覚言語モデルを土台に、3D認識、視覚質問応答、運動計画を一つの枠組みに統合する初期的な試みです。BEV認識ヘッドと計画エキスパートによって、共有表現を検査可能なシーン構造と将来軌道へ接続します。
続きを読むUI-Venus-2は、実用的なGUI自動化を妨げる環境の狭さ、脆弱なタスク設計、結果検証の不確実性に取り組む基盤システムです。モバイル、ウェブ、デスクトップを統一的な推論・行動ループで扱い、重要な操作には安全機構を組み込みます。
続きを読むWorld Labsは、画像、動画、カメラ姿勢、深度情報を同じ空間コンテキストで扱うマルチモーダル世界モデル「Atlas」を発表した。制御可能な視点生成だけでなく、ロボット向けのReal-to-Simも狙う。
続きを読むFACE-Eval の研究は、モデルに届く嗜好手掛かりの場所と明示性が、思考連鎖の忠実性を大きく左右することを示した。ツールの返答や生の資料に埋め込まれた手掛かりは、推論文に現れないまま回答へ影響しやすい。
続きを読む新たな研究は、観測エンコーダーと大気力学プロセッサーに異なる確率的機構を導入し、Aardvark Weatherを確率予報モデルに拡張した。予報平均とCRPSを改善しながら、予測のばらつきがどこから来るのかを分析可能にしている。
続きを読む新しい論文は、拒否率の向上や攻撃成功率の低下だけでは、実運用中のLLMシステムが安全になったとは言えないと指摘します。適応を続ける攻撃者に対し、システムがなおどれだけ有害な支援を提供するかを評価すべきだと主張しています。
続きを読む新たな分析は、オンポリシー蒸留の性能向上が教師モデルの知識移転よりも、低確率トークンの抑制から生じている可能性を示した。この知見をもとに、教師を使わない On-Policy Self-Adaptation が提案されている。
続きを読むSpanCalib-VLMは、生成型の視覚言語モデルとマルチモーダル系列タグ付け器を組み合わせ、幻覚を含むテキスト範囲の特定と信頼度の校正を同時に目指す手法です。SHROOM-Visionsの英語評価分割で、検出範囲とスコアの信頼性を両立させました。
続きを読む新たな研究は、社会推理ゲームを3Dマルチモーダル環境に移し、視覚言語モデルが発話と行動を組み合わせて他のエージェントを欺く仕組みを調べた。結果では、勝敗への寄与は非言語行動の方が大きい可能性が示された。
続きを読むGoogleは、映画やテレビ作品のライブラリーをAIの学習やキャラクター生成に利用するため、ハリウッドの大手スタジオとライセンス契約を結ぼうとしていると報じられています。スタジオにとっては大きな収入になり得ますが、Googleにとっての最大の利益は、生成AIへの社会的な信頼を高めることかもしれません。
続きを読むAIモデル向け訓練データを手がけるAfterQueryが、評価額32億ドルとなる新たな資金調達を行ったと報じられた。事実であれば、Y Combinator史上最速でユニコーンに到達した企業となる。
続きを読むAnthropicは、Claude Fable 5.1について、通常利用で約25%、複雑なエージェント処理では最大45%安くなると説明しています。安全策や企業向けデータ保持の方針も見直されました。
続きを読む1つのベンチマークスコアには、安全性だけでなく推論や知識理解の信号も混在し得ます。Ai2のBenchMIRTは、多次元項目反応理論によって設問単位でその内訳を分析します。
続きを読むNori Roboticsは、ロボット開発者と研究者を対象にした1,688ドルの両腕移動ロボットを発表した。高価な脚式機構やオンボード計算を避け、複数台を使った実験と修理のしやすさを重視する設計だ。
続きを読むGoogle DeepMindは、Geminiが動画内の必要な区間を動的に検索・再確認できるAgentic Video Understandingを発表しました。公式ベンチマークでは、トークン使用量を最大88%、分析コストを最大66%削減し、精度を最大7%高めたとしています。
続きを読むUberは、ソフトウェア開発全体にAIエージェントを広げながら、支出の急増を抑えた仕組みを公開した。鍵はモデルの安さではなく、実行経路全体の最適化にある。
続きを読むNAVER AI Labは、投機的デコードの逐次検証を草稿モデルの学習に組み込むVerification-Aware Training(VAT)を提案した。モデル構造や推論手順を変更せず、受理されるトークン列の長さと実測速度の改善を狙う。
続きを読むDreamX-Creator 1.0は、音声を後処理で付け足すのではなく、7Bの生成モデルで映像と音声を同時に生成します。公開された2Kリファイナーにより、高解像度の同期した音声・映像生成をより利用しやすくすることを目指します。
続きを読むQwen3.8-Flash-Nextは、トークンごとの活性化パラメータを60億に抑えた1250億パラメータのスパースMoEモデルです。新しい論文は、アーキテクチャ、計算コスト、下流性能、学習安定性を一体として評価しています。
続きを読むCASTは、タスクの成否という疎な結果を、個々の行動を検証するための批評情報へ変換する。長期的で状態を持つツール利用タスクにおいて、実行前のリスク確認を学習させることを狙う。
続きを読むNavMCPは、視覚言語モデルのタスク推論とナビゲーション基盤モデルの閉ループ実行を組み合わせる。複数回の探索で証拠を蓄積し、長期的な物理世界のタスクに対応する仕組みだ。
続きを読む