記事とガイド

MiniCorpは、社内で協調する複数のエージェントと変化する市場を接続するオフィスシミュレーターだ。現実には集めにくい長期的な企業データや、別の意思決定を試した反実仮想データの生成を目指している。

GUI-HARVESTはモデルの重みを更新せず、GUIモデルを囲む実行ハーネスを進化させる手法です。スクリーンショットと操作履歴、反復実行の結果から失敗パターンを特定し、検証済みのコード変更へ変換します。

新しいベンチマークは、参照動画との見た目の一致ではなく、動画内で観測できる物理的関係を直接測定する。8つの動画生成モデルを調べた結果、視覚的に説得力のある出力でも物理的一貫性には課題が残った。

ソフトウェア開発エージェントを対象にした研究で、良性の教師ありファインチューニングはバックドアを弱める一方、その後の強化学習が残存する悪性挙動を維持、場合によっては増幅することが示された。PersistBDは、モデル出荷前にバックドアの持続性を高める手法である。

HERMESは、コードやテストなどのリポジトリ要素に常駐型の言語モデルを組み合わせるDev-Primitivesを提案する。各要素が自分の実装を理解し、他の要素と通信しながら局所的な修正を支援する設計だ。

新たな研究は、ユーザーが許可した他サービスの履歴を使って、プラットフォームの推薦順位を個人エージェントが調整する仕組みを定式化した。MediateRecベンチマークとPAMOにより、介入すべき場面と任せるべき場面を検証する。

エージェントが正しい最終状態に到達しても、その行動が事前に確立された証拠に基づいていたとは限りません。SafeActBench は、失敗が実行前の調査や、依存関係を伴う複数ステップの処理で起きやすいことを示しました。

科学エージェントの能力向上によって、固定的なベンチマークは飽和しやすくなっています。AutoSciBenchは、エージェントの解答軌跡と評価者のフィードバックを使い、科学タスクを自動生成・改訂する仕組みを提案します。

ロボットは、摩擦やバックラッシュ、負荷の変化、経年劣化によって、VLAが指示した通りに動かないことがある。新たな手法は、指令と実際の運動の差を利用し、報酬やラベルなしで運用中にVLAを適応させる。

HuatuoGPT-3は、教師モデルの出力を一時的なガイダンスとして利用するOnePOを提案し、基盤モデルから直接、医療分野への適応を試みる。論文要約によれば、27BモデルはHealthBench Professionalで71.4点を達成した。

大規模言語モデルが出力する思考の連鎖は、内部計算を必ずしも忠実に表していません。新研究はCIA指標で両者の一致度を測定し、後学習による改善も検証しました。

ALoDLMは、拡散言語モデルにトークン適応型の潜在再帰を導入します。確定しやすい位置は早く確定し、難しい位置だけを追加計算で精緻化することで、並列デコードを維持しながら品質向上を目指します。

長期記憶はLLMエージェントの個人化を高める一方、ユーザーの過去の考えに過度に同調させることがあります。MemAdapterは、現在の文脈に応じて記憶の影響度を動的に調整します。

プロアクティブな LLM エージェントは、ユーザーが依頼する前に計算資源を使って支援を準備する。新たな研究は、タスク能力、時間配分、信頼を 3T 原則として整理し、長期的な影響を評価する Proactivity-Gym を提案した。

研究チームは、言語モデルのエージェントに分子構造最適化器 Sella を書き換えさせ、早すぎる停止や過学習を防ぐ評価ゲートで候補を選別しました。生成された AutoSella は、未知の分子や DFT テストでも力評価の回数を削減しました。

Inverse Distillation Unlearning（IDU）は、拡散モデルやフローマッチングモデルを1ステップ生成器へ蒸留しながら、指定した学習データの生成を抑制する手法です。完全データで学習した教師モデルと忘却対象のサンプルだけで利用できます。

ASCENTは、単一の実行軌跡をそのまま模倣するのではなく、検証済みの経験を自己蒸留するオンライン学習手法を提案する。ALFWorldとWebShopで成功率を高め、1エピソード当たりのターン数も削減した。

LoGRAは、LLMの強化学習で有用な勾配信号を低ランクのスケッチとして保持し、予測KLによるステップ制御を組み合わせる手法です。論文要約では、推論タスクで平均学習メモリを最大45.7%削減したと報告されています。

UndoBenchは、ツールを使うAIエージェントの通常時のタスク遂行能力と、障害発生後の安全な復旧能力を切り分けて測定する。実験では、タスクを完了できても重複した外部操作を防げないケースが明らかになった。

新しい研究は、大規模言語モデルの数学推論を、発見・生成・理解・実行の4段階に分けて分析する。最終的な正答率だけでは能力差を捉えきれないと指摘し、数学的プリミティブを用いた修正手法も提案した。

テスト時学習でモデル自身の生成文から得た更新を長時間保持すると、独立した人間の文章への予測性能が低下することが示された。更新を確定する前に、独立データで検証する仕組みが有効な対策となる。