翻訳付きの日次キュレーションされたAI研究論文
PerceptionRubrics（感知评估准则）是一种基于评分标准的评估框架，旨在弥合饱和的基准分数与现实世界脆弱性之间的差距。该框架将评估从整体语义匹配转向严格的原子审计，将1,038张信息密集的图像与超过12,000个实例特定的评分标准配对。这些标准源自通过新颖的循环同行评审共识流程构建的黄金描述，随后被提炼为双流系统：必须正确（基本事实）和容易错误（细粒度细节）的评分标准。关键在于，PerceptionRubrics实现了门控评分机制：与线性平均值不同，在强制性视觉事实上的失败会触发严格的二元惩罚。广泛评估得出了重要见解：(1) 可靠性差距：模型通常能正确验证碎片化元素，但在严格的合取约束下失败，暴露了密集领域的脆弱性；(2) 开源与闭源分层：与推理趋势相反，我们揭示了开源与专有前沿之间持续存在的8%感知差距；(3) 人类对齐的严格性：我们的门控指标显著优于传统基准，验证了严格的感知保真度是可靠生成的前提条件。
流式视频生成正成为一种新兴的服务负载，用户通过长期存活的会话与之交互，以逐块方式逐步生成视频。与离线视频生成或典型的LLM服务不同，流式视频生成必须在活跃与空闲期间保持会话状态，反复调度进行中的会话，并在严格的延迟目标下交付每个视频块。这就在多用户、多GPU环境中产生了两个关键的服务挑战：会话时长异构性——长期运行的会话会随时间推移使放置决策变得次优；以及时间维度上的用户需求异构性——活跃会话数量在流量突发与空闲期之间剧烈波动。 我们提出TurboServe，这是首个专门为流式视频生成工作负载设计的服务系统。TurboServe将服务形式化为一个在线调度问题，联合协调会话放置与GPU配置。其闭环调度算法结合了一个感知迁移的放置控制器（在GPU之间重新平衡会话以降低每块最大延迟）和一个负载驱动的自动缩放控制器（根据工作负载变化调整GPU预算以提升成本效率）。为了在运行时支持这些决策，TurboServe实现了合并块处理以批处理同一GPU上的并发活跃会话、用于会话挂起与恢复的GPU-CPU卸载，以及用于在线重新平衡的基于NCCL的GPU间迁移。我们使用生数科技的实际生产跟踪数据，在多种模型规模和最多64块NVIDIA B300 GPU的集群上对TurboServe进行了评估。与基准服务配置相比，TurboServe将最坏情况下的每块延迟平均降低37.5%，并将GPU总运行成本平均降低37.2%。我们的代码已在 https://github.com/shengshu-ai/TurboServe 公开。
プリフィル・デコード（PD）分離型LLMサービングでは、各リクエストはプリフィル後にデコードワーカーに割り当てられます。既存のデコードルーターは負荷のみをバランスしますが、混合エキスパート（MoE）モデルではこれでは不十分です。なぜなら、各デコードステップでそのバッチが活性化するすべての異なるエキスパートの重みをロードするため、均等に負荷がかかったワーカー間でもレイテンシに差異が生じるからです。本稿では、PD分離型MoEサービングのためのエキスパート局所性を考慮したデコードルーターELDRを提案します。ELDRは、リクエストのプリフィルにおけるエキスパート活性化から、生成中に活性化されるエキスパートを予測するエキスパートシグネチャを構築します。オフラインでは、バランス型K平均法によりシグネチャ空間をデコードワーカー間で分割します。オンラインでは、局所性バンドルーティングにより、各リクエストをそのシグネチャに最も適合するワーカーのうち、最も負荷の少ないワーカーに送信します。シグネチャキャッシュはKVキャッシュと共インデックス化され、KVブロック粒度で動作し、プレフィックスキャッシングのもとでシグネチャを正確に保ちます。vLLMに実装し、最大40GPUのデプロイメントで評価した結果、ELDRは3つのMoEモデルと2つのワークロードにおいて、4つの負荷分散ベースラインのうち最も優れたものに対して、中央値TPOTを5.9%～13.9%削減し、モデル出力は変更されません。
メモリは、現代のLLMベースのエージェントにおける基盤として登場し、シングルターンのアシスタントから長期的な協力者への進化を支えています。しかしながら、メモリは常に有益とは限りません。取得されたメモリはしばしば、追従（sycophancy）という重大な問題を引き起こし、エージェントが事実の正確性や客観的推論を犠牲にしてユーザーに過剰に同調する原因となります。この新たなリスクにもかかわらず、既存のメモリベンチマークは主に、メモリが正しく保存、取得、更新されるかどうかを評価するにとどまり、取得されたメモリが下流の推論や意思決定にどのように影響を与えるかを見落としています。このギャップを埋めるために、我々はMemSyco-Benchを提案します。これは、エージェントシステムにおけるメモリ起因の追従を評価するための包括的なベンチマークです。MemSyco-Benchは、いつメモリが判断に影響を与えるべきか、また有効なメモリをどのように使用すべきかを計測します。具体的には、エージェントがメモリを事実の証拠として却下できるか、その適用範囲を尊重するか、メモリと客観的証拠の間の矛盾を解決するか、メモリの更新を追跡するか、有効なメモリをパーソナライズに使用するかを評価する5つのタスクをカバーしています。関連するすべてのリソースはコミュニティのためにhttps://github.com/XMUDeepLIT/MemSyco-Benchに収集されています。
私たちはSeed2.0を紹介します。これは、複雑な実世界のタスクを解決するための有意義な一歩を示すモデルシリーズです。本アプローチでは、まずユーザーの真のニーズを特定し、これらのニーズと現実的で複雑なシナリオに基づいてベンチマークを選択・抽象化することで、信頼性が高く将来を見据えた評価システムを構築します。この評価システムに導かれ、Seed2.0は長年の課題である長尾知識と複雑な指示追従に取り組み、複雑で長期にわたるタスクにおけるモデルの信頼性を大幅に向上させます。これらに加え、Seed2.0は世界最高水準の推論知能、視覚理解、そして検索機能を提供し、幅広いユーザーベースの最も一般的なニーズに応えます。本モデルカードに記録された数多くの実世界のユースケースを通じて、Seed2.0が初期段階の複雑な実世界タスクを処理する能力を示し始めており、数億のユーザーにより大きな価値を提供していることを実証します。
マルチモーダル大規模言語モデル（MLLMs）は、しばしば言語空間のボトルネックに制約され、複雑な視覚的推論を離散的なトークンに押し込めるため、知覚的なニュアンスが失われる可能性がある。有望な代替手法として連続潜在推論があり、その目標はマルチモーダルなクエリと最終回答を橋渡しする暗黙の推論経路を発見することである。しかし、これにより深刻な学習-推論のミスマッチが生じる。すなわち、学習時の事後分布は正解に条件付けされているため、回答に依存した近道を利用できる。標準的な変分学習では、テスト時には利用できない情報にアクセスできる事後分布を模倣するよう推論時の事前分布に強制するため、性能が低下する。この問題に対処するため、我々は非対称相互変分学習（AMVL）を提案する。これは双方向のキャリブレーション目的関数によりこのミスマッチを解決するフレームワークである。順方向KLダイバージェンスは目標に依存しない事前分布を事後分布に一致するよう学習させ、同時に新規の逆方向KLダイバージェンスが事後分布を正則化し、推論と互換性のない領域に崩壊するのを防ぎ、この「答えの漏洩」を軽減する。我々はこの漏洩を事前分布の汚染として形式化する理論的解析を提供し、我々の二重KL目的関数がそれを低減することを証明する。我々はAMVLを潜在統合型MLLMに実装し、強力な離散的および潜在推論ベースラインを一貫して上回ることを示す。複雑なBLINKベンチマークで平均スコアを+10.83向上させ、個々の推論タスクでは最大+32.00の改善を達成し、解析により潜在空間の安定性が向上したことが確認された。
視覚・言語・行動（VLA）モデルは、カメラ姿勢の変化や、類似した異なるロボット（例：PandaからUR5eへの変更）への移行といった環境変化下で、学習した同一のタスクを実行できないことがよくあります。これらのモデルを変化後の環境（すなわち、ターゲットドメイン）に適応させるには、通常、各タスクに対して複数のデモンストレーションを用いた訓練が必要であり、その収集にはコストがかかります。データのキュレーションと訓練の負担を軽減するため、我々は、ドメイン固有情報を追加する重みベクトル演算を用いて環境変化下でVLAモデルを適応させるアナロジーベースの手法、Domain ARiThmetic（DART）を提案します。従来の手法とは異なり、DARTはたった一つのデモンストレーションの収集のみで済み、効率的な適応を可能にします。追加するドメイン固有情報を正確に分離するため、DARTは重みベクトル内の特異成分間で部分空間アライメントを行い、ノイズ成分を除去します。シミュレーション環境および実世界実験の両方において、DARTは多様な視覚的・身体的变化にわたるワンショットシナリオで、既存のVLA適応手法を上回る性能を示しました。コードは https://github.com/snumprlab/dart で公開されています。
大規模言語モデル（LLM）の訓練において、データ混合はモデルの性能を決定づける重要な役割を果たす。近年の手法では、プロキシモデルを用いて混合比率を最適化するが、それらはデータ分布が静的であるという仮定に依存している。そのため、基盤となるデータプールが変化すると、これらの手法ではコストのかかる再訓練を一から行う必要が生じる。この制約により、小規模な設定からより大規模なデータプールやモデルサイズへのシームレスなスケーリングが困難になる。本稿では、データ混合最適化を因果推論問題として捉えることでこの制約に対処するCausalMixを提案する。データプールの統計的特徴を共変量、ドメイン混合を処置として定式化する。Qwen2.5-0.5Bを用いた512回の実行で因果モデルを適合させ、条件付き平均処置効果（CATE）を推定した後、80万データプールに対する最適混合比率を外挿し、それを7Bモデルの訓練に適用する。さらに、このフレームワークをQwen3-4B-Base上の長い思考連鎖データにまで一般化することに成功した。因果モデリングを活用して交絡バイアスを分離することにより、CausalMixは状態に依存した最適なデータ混合比率を動的に推定する。広範な実験により、CausalMixによって導かれた混合比率が複数の下流タスクで一貫して性能向上をもたらし、RegMixなどのベースラインを凌駕することが示された。さらに、CATE Interpreterを用いて学習された混合戦略の可視化分析を提供する。総じて、CausalMixはLLMのデータ混合を最適化するための因果的で解釈可能なフレームワークを提供する。
従来のロボットプログラミングは困難を伴う。マルチモーダル知覚の統合、物理的接触ダイナミクスの管理、多様な構成と実行失敗への対応が必要だからである。我々はASPIRE（反復的ロボット探索によるエージェント的スキルプログラミング）を提案する。これは自律的にロボット制御プログラムを記述・改良し、コードをポリシーとして扱うパラダイムにおいて経験を再利用可能なスキルライブラリに集約する継続学習システムである。ASPIREはタスク間、シミュレーションと実世界設定間、そして異なる身体性にまたがって持続するスキルを発見する。本システムは3つの構成要素からなる開かれたループで動作する。（1）クローズドループのロボット実行エンジン。細粒度のマルチモーダルトレースを公開し、自律的な障害診断、修正合成、検証を可能にする。（2）継続的に拡張されるスキルライブラリ。検証済みの修正を再利用可能で転移可能な知識へと蒸留する。（3）進化的探索。単一軌跡の改良を超えて探索するため、多様なタスク系列と制御プログラムを生成する。ASPIREは、摂動下でのLIBERO-Pro操作で最大77%、Robosuite双腕ハンドオーバーで72%、BEHAVIOR-1Kの長期間家事タスクで32%、それぞれ従来手法を上回る性能を示す。蓄積されたライブラリは、未見の長期間タスクへのゼロショット汎化も可能にする。LIBERO-Pro Longにおいて、ASPIREは成功率31%を達成したのに対し、従来手法はテスト時の推論と再試行を用いても4%にとどまった。さらに、シミュレーションで発見されたスキルは、Sim-to-Real転送の初期証拠を提供し、異なる身体性とロボットAPIにわたって実ロボットプログラミングの労力を大幅に削減する。
細粒度の視覚的推論は、特に小さくとも重要な視覚的手がかりが高解像度画像に埋もれている場合に、視覚言語モデルにとって依然として難しい課題である。既存の手法は、繰り返しのクロッピングやテスト時視覚探索に依存して局所的な証拠を導入するが、通常、知覚と推論を明示的に区別しない。本論文では、細粒度の視覚的推論を2段階プロセスとして定式化する統一フレームワーク、Perceive-to-Reason (P2R) を提案する。すなわち、モデルはまず知覚器 (Perceiver) として質問に関連する証拠を特定し、次に注釈付き画像とクロップされた領域に基づいて推論器 (Reasoner) として質問に答える。この分離された定式化と訓練をより良く整合させるために、知覚-推論交互GRPO (PRA-GRPO) をさらに導入する。これは、最終回答の教師信号のみを用いて、知覚に焦点を当てた更新と推論に焦点を当てた更新を交互に行う役割認識型強化学習戦略である。Qwen3-VL-Instruct-2B/4B/8B をベースとして構築された P2R は、モデル規模を問わず性能を一貫して向上させる。特に、P2R-4B は V-Star で93.2%、HR-Bench-4K で81.9%、HR-Bench-8K で80.5%を達成し、対応するバックボーンを大幅に上回る。さらに実験では、P2R の利点が高解像度ベンチマークを超えて、より広範なマルチモーダル推論タスクにも及ぶことが示された。これらの結果は、知覚と推論を明示的に分離することが細粒度の視覚的推論に有効なフレームワークを提供することを示唆している。
移动操作是通用型机器人的关键能力，但对于当前的具身学习方法而言仍具挑战性。视觉-语言-动作（VLA）策略通常是被动的，缺乏显式的世界建模，而现有的世界动作模型（WAMs）在移动操作的结构上仍存在对齐不足的问题：它们以粗粒度的视频片段为单位进行运算，建模了纠缠的导航-操作动作，并在与自回归推理不匹配的监督条件下训练逆动力学。因此，这些模型常常忽略细粒度的接触动力学，遭受动作分布冲突，并在长时程任务执行中累积误差。我们提出ABot-M0.5，这是一种全新的WAM，其核心理念是：移动操作需要在三个层面实现对齐——时间粒度、动作空间以及训练-测试一致性。为对齐时间粒度，我们引入了中间潜在动作，用于捕获局部视觉状态转换，并作为视频潜在表示与具身特定控制之间的桥接动作空间。为对齐动作空间，我们设计了双层混合Transformer架构，以解耦模态表示与异构动作子空间（如基座移动与手臂操作）。为对齐推理条件，我们提出了梦境驱动训练策略，逐步在模型预测的视频上训练逆动力学，从而提升自回归预测中的训练-测试对齐度和鲁棒性。在具有挑战性的移动操作与细粒度操作基准上的实验表明，ABot-M0.5在长时程任务成功率与细粒度控制精度上均达到了最先进的性能。这些结果突显了粒度对齐、动作解耦与推理一致的世界-动作建模的关键重要性。
言語モデル（LM）の訓練は、最先端の言語モデルエージェントがソフトウェア工学やその他の長期的タスクでますます高い能力を発揮するようになっても、依然として非常に人手のかかるプロセスである。中心的課題は、自律的な事後訓練が単なるコーディング問題ではないことにある。エージェントは、反復的に計画を立案し、ベンチマークに沿ったデータを構築し、安定した訓練ジョブを実行し、チェックポイントを評価し、数時間にわたるインタラクションで実験状態を保持する必要がある。本稿では、AutoTrainessを提案する。これは、計画、データ準備、訓練、評価、ログ記録のためのエージェント・コンピュータインターフェースのリポジトリとしてこれらの操作を公開するLMエージェントである。エージェントを不完全に指定された行動空間を持つ生のCLI環境で動作させるのではなく、AutoTrainessは事前の人間の経験を明示的なワークフロー、ルール、実行制約として外在化し、エージェントを効果的かつ信頼性の高い訓練行動へと導く。PostTrainBenchにおいて、AutoTrainessはCLIのみのベースラインを一貫して上回り、GPT-5.4（Codex）では平均スコア26.94に対しCLIのみでは23.21を達成した。また、モデルやハーネスをまたいで汎化し、DeepSeek-V4-Flash（OpenCode）を12.13から19.58に改善している。
Transformerは、次のトークンを予測するためと、将来のトークン予測に有用な状態を保持するために、同一の前方計算ストリームを使用しています。本稿では、状態-予測分離仮説を定式化します。すなわち、これら二つの役割を切り離すことで、より優れた言語モデリング性能が得られるというものです。この二つの機能を分離するために二つの計算ストリームを用いるTransformerの変種を設計し、様々な規模で事前学習実験を行いました。実験の結果、状態-予測分離はデータ効率と計算効率の両方において一貫して優れており、検証損失を改善し、下流タスクにおいて標準的なTransformerを平均2〜3パーセントポイント上回る性能を示しました。また、潜在的な交絡因子を排除し、本設計に固有の勾配の根本的な差異を実証する広範な実証分析も実施しました。
バイオメディカル研究者は、タンパク質レベルのシグナルを解釈するためにAI生成の分析やレポートをますます利用しているが、静的な出力は研究の意思決定には不十分であることが多い。そこではユーザーが証拠を精査し、不確実性を評価し、メカニズムを比較し、仮説を洗練する必要がある。本論文では、静的なバイオメディカルレポート生成から、対話型のエビデンス中心のインタラクティブインターフェース生成へと移行するマルチエージェントシステム「BioInsight」を紹介する。疾患名、タンパク質関連テーブル、およびオプションのコホートメタデータを入力として、BioInsightは型付けされた中間成果物（ランク付けされたパスウェイ、文献エビデンスパケット、タンパク質レベルの推論ノート、引用に基づくレポート、ダッシュボードスキーマ、レンダリングされたインタラクティブインターフェースなど）を通じて疾患特異的なエビデンスを整理する。本システムは、エビデンス検索をメカニズム推論から分解し、決定論的コンポーネントを通じて引用を正規化し、レポートで使用される同じ構造化エビデンスをインタラクティブインターフェースに変換する。我々は、標準化されたバイオメディカルQA、困難なタンパク質機能推論、およびエンドツーエンドのバイオメディカルエビデンス統合においてBioInsightを評価する。結果はBioInsightが最良の成果を達成することを示しており、バイオメディカルAIシステムはテキストのみの静的レポートを超えて、出典を保持する対話型のエビデンス成果物へと移行すべきであることを示唆している。
ワールドモデルはモデル予測制御（MPC）を可能にするが、そのためにはオンライン利用に十分高速でありながら、不確かな未来を表現できるほど表現力豊かな動的予測が必要となる。拡散モデルは不確実な力学をモデル化する自然な機構を提供するが、その反復的な推論手順により、低レイテンシの潜在計画に活用することは困難である。本研究では、拡散力学モデルとMPCのためのエンドツーエンドのオンライン学習を組み合わせたValue Diffusion World Models（Valdi）を提案し、このギャップを埋める。CarRacing環境での予備実験において、学習時と推論時の両方で単一の拡散ステップを用いるValdiが、決定論的なMLPベースラインと同等の性能を示すことを実証した。さらに、本実験により、この設定において予測の多峰性と制御性能の間にトレードオフが存在することが明らかになった。コードはhttps://github.com/Kit115/ValueDiffusionWorldModelsで公開されている。
軽量機械学習モデルは、産業用モノのインターネット（IIoT）ネットワークにおける侵入検知において、リソース制約のあるエッジ展開に適していることから、ますます提案されている。報告された結果のほとんどは、これらのモデルをトレーニング元のネットワーク内でのみ評価しており、未知のネットワークにおける挙動は未検証のままである。本研究では、1つのIIoTデータセットで4種類の軽量アーキテクチャを訓練し、再学習なしで、構造的に異なる2つのIIoTデータセットに対して、3つのデータソースすべてに共通する属性に限定した特徴表現を用いて評価する。上位2つのモデルにわたる説明可能性分析から、両モデルとも大まかなポートカテゴリ特徴に圧倒的に依存していることが示される。最も影響力の大きいカテゴリは、ソースドメインの攻撃トラフィックにおいて、2つのターゲットドメインの96倍から435倍の頻度で出現しており、ポート粒度を粗くすることで、文書化されたショートカットが除去されるのではなく移動されることを示している。自然に不均衡なクラス分布下での評価により、さらなる影響が明らかになる。すなわち、使用される評価プロトコルによって、どのターゲットネットワークがより大きな一般化の課題を呈するかの見解が逆転し得る。敵対的ロバスト性と、限られたターゲットドメインへの露出による回復も評価される。敵対的摂動に対するロバスト性はネットワーク間の一般化とは無関係であり、適応による回復はアーキテクチャによって大きく異なる。これらの知見は、展開の準備態勢は、ドメイン内の精度のみに頼るのではなく、現実的なクラス分布の下でのネットワーク間評価を用いて評価されるべきであることを示唆している。
GSO、SWE-Perf、SWE-fficiencyといったリポジトリレベルのパフォーマンス最適化ベンチマークは、実リポジトリにパッチを適用し、その実行時間を最適化前のベースラインや公式リファレンスパッチと比較することで、コーディングエージェントを評価する。これらのベンチマークのリーダーボードスコアは、コーディングエージェントの進歩を示す証拠としてますます用いられているが、これらのスコアは、実行時間の不安定性、ベンチマーク固有のスコアリングルール、そして公開された提出結果のうち少なくとも一つがすでに解いているタスクの数などの要因を混同している可能性がある。我々は、これら3つのベンチマークにわたってこれらの問題を調査する。第一に、Google Cloudマシン4種類に共通する740件のコード最適化タスクについて、公式リファレンスパッチを再実行した。ほとんどのベンチマークタスクは再実行可能であったが、そのリファレンスパッチが、すべてのマシン間再実行において元のベンチマーク有効性ルールを満たしたのは、GSOの39/102タスク、SWE-Perfの11/140タスク、SWE-fficiencyの411/498タスクのみであった。特にSWE-Perfは脆弱であり、多くのリファレンスパッチがほぼゼロに近い実行時間の変化しか生み出さなかった。第二に、公開された提出結果のランキングは、ベンチマークのスコアリングルールに強く依存することを示す。GSOとSWE-fficiencyで共通する8つの公開提出結果において、公式ランキングは28組の提出結果のペアワイズ比較のうち9組で不一致を示し、SWE-fficiencyのリーダーボードのスコアリングルールは、最も悪い10のタスクに対して58.5%から82.8%という過度に高いスコア重みを割り当てている。第三に、各タスクに対して10件の公開提出結果を横断して調べたところ、再実行可能なGSOおよびSWE-fficiencyタスクの85.3%（384/450）において、少なくとも一つの提出結果がリファレンスパッチに匹敵するかそれを上回り、最適化前のベースコードを上回ったのは99.8%（449/450）であった。我々の研究は、より信頼性の高いパフォーマンスシグナルを持つタスクを特定し、タスクごとのスコア貢献度を定量化し、集計ランキングによって隠されている残存するパフォーマンスギャップを明らかにすることにより、リーダーボードスコアを補完するものである。
材料発見の加速には、多段階かつ領域に根ざした推論を通じて科学的に妥当な仮説を生成できるAIシステムが必要である。標準的な大規模言語モデルは、オープンエンドな材料設計問題に対して流暢だが追跡可能性の低い応答を生成することが多く、最終的な回答が首尾一貫した中間推論によって裏付けられているかどうかを判断することを困難にしている。我々は、Group Relative Policy Optimization（GRPO）を用いて微調整された、グラフネイティブ推論モデルのファミリーであるGraph-PRefLexORを開発した。これにより、推論をメカニズム探索、グラフ構築、パターン抽出、仮説合成という明確なフェーズに整理する。この設計は、ニューラル言語生成と記号的関係構造を結び付け、因果関係の構築、検査、再利用を可能にする。材料科学と力学の文献から得られた100のオープンエンドな質問において、Graph-PRefLexORは対応するベースモデルと比較して40～65%の改善を示し、最大の改善は推論の追跡可能性において見られた。埋め込み分析により、ベースラインと比較してより広範な意味的探索と、約2～3倍の意味的多様性が示された。さらに、意味的バックトラックと層別の隠れ状態分析により、構造化された推論と最終的な回答の間により強い整合性があることが明らかになった。最後に、テスト時グラフ拡張の分析から、計算量の追加は、単に意味的カバレッジを拡大するのではなく、限定された意味空間内での長距離の概念的組み換えを主に増加させることが示された。これらの結果は、材料設計やその他の科学的応用における科学的仮説生成のための解釈可能なAIシステムへの道筋として、グラフネイティブ強化学習を確立するものである。
医療レポート生成（MRG）の従来の評価指標は、主に単純なn-gramの重複に依存しており、臨床的事実の正確性を捉えられず、しばしば重大な診断エラーを見落とします。我々はこの根本的な限界に対処するため、AtomiMedを提案します。AtomiMedは、モダリティに依存しない普遍的な評価フレームワークであり、複雑な医療記述を、疾患レベルのエンティティと位置・形態・重症度などの属性レベルの記述子を含む標準化された多階層の「原子臨床事実（Atomic Clinical Facts）」に分解します。正解レポートと予測レポート間でエージェント型相互検証ループを実装することにより、AtomiMedは複数の放射線科医によるピアレビュープロセスをシミュレートして臨床的一貫性を検証し、診断検出と記述精度を分離して評価することを可能にします。標準化された評価を促進するため、自動階層抽出のためのオープンソースツールキットMRGEvalKitを導入し、X線、CT、MRI、超音波を網羅する包括的なマルチモーダルベンチマークOmniMRG-Benchをキュレーションします。複数の専門家アノテーション付きリーダー研究による広範な実験により、AtomiMedは従来の指標やモデルベースの指標と比較して、人間の放射線科医の判断との相関が有意に高いことが実証されました。コードは https://github.com/Venn2336/MRGEvalkit で公開しています。
大規模言語モデル（LLM）はテーブルタスクにおいて高い性能を発揮するものの、テーブル構造を理解しているにもかかわらず、依然としてデータ参照エラー（DRE）、すなわちテーブル値の誤った引用や省略を引き起こす。最終的な回答の正しさに加え、DREは中間推論ステップの正確性と信頼性を直接損なう。しかしながら、従来の研究は限定的かつ小規模な分析にとどまっている。本研究では、異なるモデルやタスクにわたるテーブルデータの参照エラーに関する初の体系的な評価を提示する。実験結果から、DREは検証したすべてのモデル（パラメータ数17億から200億）で発生することが明らかになった。さらに、データ参照を批評（critic）として組み込むことで、批評モデルベースのフィルタリングと拒否サンプリングを通じて、回答精度を最大12.0%向上できることを実証した。最終的に、軽量な40億パラメータの批評モデルを訓練し、分布内および分布外のDRE検出において平均F1スコア78.2%を達成し、大規模モデルの推論を効果的に支援することを示した。
ベンチマークは、大規模言語モデル（LLM）によるタスク完了を評価するために広く利用されているが、この手法には構成概念妥当性の問題が蓄積しており、合格スコアだけでは要求されたタスクが実際に達成されたかどうかが示されない可能性がある。我々はこの両方の問題を研究する。制御されたコード仕様（code-as-spec）環境において、2つの本番用Copilot CLIエージェント（claude-opus-4.7、gpt-5.5）が、React Fluent-UIのデータテーブルをAngularで再利用可能なライブラリとして再実装する。その際、隠された222テストからなるPlaywrightオラクルを用い、18回の実行と3種類のオラクル利用可能条件の下で行う。スコアに加えて、機械的なライブラリ監査を実施し、各判定をno-opアブレーションで確認する。オラクルがない場合、ライブラリは存在するものの未完成であり、それがスコアによって明らかになる。オラクルをループに組み込むと、スコアはほぼ完璧に達するが、テストされた動作を直接保持するデモから見ると、ライブラリは使えない状態か欠落している。我々はこれを「テストへの構築」と呼び、その背後にあるより広い傾向を「検証自己認識」と呼ぶ。エージェントは、ユーザーが行うように、自らが提供するものを自ら検証することはない。この問題の普遍性は、他のエージェント、シグナル、モデルファミリーにおいても未解決の課題である。ベンチマークスコアを超えて、検証自己認識のような傾向は研究の注目に値する。
スライドデザインには、デッキテーマとページレイアウトの両方をパーソナライズする必要がある。しかし、現在のAIエージェントベースの手法は、粒度の細かいページレベルのデザインに苦戦している。あらかじめ指定されたテンプレートやユーザーの冗長な指示だけに依存しているため、潜在的なデザイン意図を捉えることができず、ページレベルスライドパーソナライゼーション（PSP）は未解決のままである。このギャップを埋めるために、本研究ではPSPを逆計画問題として定式化する。我々は、使用されている特定の実行ツール（例：PowerPoint、Beamer）に関する知識を一切仮定せずに、デザイン意図を学習することを提案する。しかし、これらのツールに対する制御を放棄すると、問題をエンドツーエンドで最適化することが困難になる。これを克服するために、我々はPSPを近似的に解くための原理的なフレームワークであるSPIREを提案する。クリーンなスライドの視覚構造を意図的に破壊することにより、SPIREはその破壊をノイズ除去する検証可能なタスクを生成し、それにより二つのエージェントが強化学習（RL）を介して実行可能なデザインを協調的に洗練することを学習する。我々は、構造的ノイズ除去がPSPの一貫した代理タスクであり、マルチエージェント定式化がRLにおける方策勾配の分散を厳密に削減することを証明する。広範な実験により、SPIREの優位性が実証される。
テキストから画像を生成する（T2I）モデルは、写実的な視覚コンテンツの生成において顕著な成功を収めているものの、科学的な画像に求められる厳密な意味的整合性や論理的推論には依然として苦戦している。我々は、パースの記号論的三項関係に着想を得て、科学的画像生成のための訓練と評価を包括的に提供するリソース「Scientific Image Reasoning（SciIR）」を提案する。科学的推論を、実体構造（イコン）、科学プロセス（インデックス）、科学法則（シンボル）という三つの核となる次元に形式化する。具体的には、科学的画像生成における訓練データの不足を克服するため、最先端の論文から抽出した8万件以上の高品質な科学画像－テキスト対からなる大規模データセットSciIR-82kを精巧に構築した。このデータセットは記号論的次元に従って階層的に整理され、科学推論連鎖思考（Sci-RCoT）を組み込むことで、根底にある視覚的論理を明示的にモデル化している。評価に関しては、これら三つの記号論的レベルに対応したSciIR-Benchを提案し、アトミックチェックリストを用いて、結果指向の科学的正確性をプロセス指向で検証可能な細分化された質問に変換する。広範な実験により、現在のモデルにおける科学的推論能力の重大な欠陥が明らかになった。さらに、SciIR-82kデータセットでファインチューニングを行うことにより、Qwen-Image-SciIRモデルを開発し、SciIR-Benchにおける最終スコアを35%から43%に大幅に向上させ、将来の科学的画像生成の進展に向けた強固な基盤を築いた。
自律的な科学発見システムは、仮説生成と検証のプロセスを自動化することで研究を加速する可能性を秘めている。しかし、現行のシステムは制約された探索空間内で動作するか、事前に定義された研究課題を必要とするため、真のオープンエンドな探究能力が制限されている。さらに、仮説を反復的に生成するものの、複雑で相互接続された現象を発見するために、自身の蓄積された知見を明示的に総合する能力がほとんど欠けている。我々はDiscoPERを紹介する。これは大規模言語モデルを活用した自律的フレームワークであり、事前に指定された研究目的なしにデータセットを探索するためにコードを動的に生成・実行することで、オープンエンドな研究を実施する。厳密な科学的妥当性を確保するため、提案された発見はすべて統計的検定を通過しなければならない。孤立した探索の限界を克服するため、本フレームワークは自身の蓄積された発見を定期的に分析する二次的な推論機構を導入する。過去の発見を経験的データとして扱うことで、DiscoPERは構造的パターン、交絡要因、認識論的ギャップを特定し、探索空間の未踏領域へ向けて仮説探索を能動的に方向転換する。さらに、ツール利用を取り入れることで探索空間は拡張され、画像などのマルチモーダル情報源からシームレスに有用な情報を処理・抽出することで、構造化メタデータを超えた仮説の探索が可能になる。査読文献から得られたパターンレベルの正解を持つ新しいマルチモーダル生態知識ベンチマークiNatDiscoで評価したところ、DiscoPERは9つの既知パターンのうち8つを72.7%の仮説支持率で再現し、古典的因果発見とLLM誘導ベースラインの両方を上回った。アブレーション研究により、DiscoPERはより多くのデータでスケールすること、そして二次的なメタ省察の利点が確認された。
ビジョン・ランゲージデータセット蒸留（VLDD）は、大規模な画像とテキストのペアデータセットを少数の合成ペアに圧縮し、厳しいデータおよび計算予算の下で対照的視覚言語モデルを効率的に訓練できるようにする。既存の手法のほとんどは、専門家の軌跡やクロスモーダル統計量を照合するが、それでもなおユークリッド埋め込み空間において全次元的なアラインメントを強制する。これは、画像とテキストの相関がランク不足であるために過度に制約的となることが多く、共有される意味は低次元の範囲に集中し、残りの変動は弱く相関した残差部分空間に広がっている。LoRSは低ランク分解により類似度レベルでアラインメントを緩和するが、表現空間における支配的なアラインメント能力と構造を明示的に制御しない。そこで我々は、階層的幾何学と明示的なアラインメント能力制御を組み合わせたランク認識双曲アラインメント（RAHA）を提案する。RAHAはマルチモーダル表現を双曲空間に引き上げ、蒸留ペアを非対称な目的関数で最適化する。これにより、共有範囲では測地線的アラインメントを強制し、残差部分空間を正則化してモダリティ固有の多様性を保持し、転移ロバスト性を向上させる。ベンチマーク実験により、RAHAが固定予算下で競争力のあるクロスモーダル検索と改善された転移指標を示すことが明らかになった。
文学作品のAI翻訳はますます一般的になっている。内容は適切に伝えられるかもしれないが、没入感や文学的効果といった点で読者がどのように体験するかについては十分に理解されていない。これらの側面は、自動機械翻訳の評価指標や流暢さ・適切さを対象とした人間による評価では捉えきれない。私たちは、フランス語、ポーランド語、日本語の最近の小説15作品を英語に翻訳したものについて、15人の熱心な読者に、最近出版された人間による翻訳（HT）と、エージェント型大規模言語モデル（LLM）ベースのパイプラインで生成された機械翻訳（MT）を比較してもらった。読者は、約8000語の抜粋を2つの条件で評価した。抜粋全体を没入読書する条件（30件の比較）と、386の対応するHT-MTチャンクペアを精読する条件（772件の比較）であり、各書籍につき2人の読者が交互に提示順序を変えて評価した。全体的に、読者はMTを「悪くない」と評価するが、HTを好む傾向にあり（抜粋レベルでは19/30でやや優勢、チャンクレベルでは522/772でより明確に優勢）、その読みやすさ、明瞭さ、没入感が評価された。読者のハイライトからは、MTの品質は1冊の書籍内でもHTよりもばらつきが大きいことが示された。重要なことに、読者は両者を確実に見分けることができず（17/30が正しく推測）、自分が人間による翻訳だと信じたバージョンを好む傾向があった。LLMを審判とするアプローチを含む自動評価指標は、読者の嗜好を再現できず、MTを優先する。私たちは、LAIT（Literary AI Translation：文学AI翻訳）を公開する。これは、1000件の読者コメント、2000件の判断および嗜好評価、7200件のスパンレベルのアノテーションを含む、読者中心の評価データセットであり、評価プロトコルと対応するインターフェースも併せて提供する。
本論文はマルチターン視覚推論を探究し、MLLMが繰り返し対象の位置特定に失敗し、長く冗長な推論軌跡を生じることを観察する。この失敗の原因は、単一モデル内での推論と知覚の絡み合いにあると考える。すなわち、MLLMは推論と位置特定を同時に行い、不正確な位置特定が追加の推論ターンを引き起こし、軌跡を肥大化させる。この問題を解決するため、我々はPixelEyesを提案する。PixelEyesは推論と知覚を明示的に分離するマルチターン視覚推論エージェントであり、すなわち推論器が「何を探すか」を決定し、専門の知覚ツールが「それはどこにあるか」を回答する。具体的には、PixelEyesは次の二つを導入する。1) マスク誘導型視覚探索: 参照セグメンテーションモデルを呼び出しマスク精度の位置特定を提供することで、推論器が不正確なグラウンディングを補う必要をなくす。2) 意味領域幅優先探索(BFS): 誤った部分領域の繰り返し切り出しによる冗長ループを排除するため、探索を意味領域上の幅優先探索として整理する。これらの能力を内在化させるため、既存データから専門家の軌跡を再合成してPixelEyes-6Kデータセットを構築する。これにより、マスク誘導探索とBFSのロジックをモデルに明示的に埋め込む。さらに、ゼロヒント視覚探索ベンチマークであるPinpoint-Benchを導入する。これは質問内に位置情報の手掛かりが一切なく、インスタンスレベルのマスクとバウンディングボックスにより位置特定の失敗と推論の失敗を分離し、不注意性盲目などの失敗モードの詳細な分析を可能にする。近年の最先端MLLMおよび視覚推論エージェントはPinpoint-Benchにおいて大きな改善の余地を残しており、その品質と難易度を示している。コードとモデルはオープンソース化されている。
従来の3Dシーングラフ生成手法は、環境マッピングの高い計算コストと中間的な点群表現の生成が必要なことから、リアルタイムでの動作が困難です。この問題を軽減するため、最近の研究では各オブジェクトに対して軽量なガウス分布を採用し、点群を回避しています。この近似により推論が大幅に高速化され、リアルタイムの3Dシーングラフ生成が可能になります。しかし、この表現には2つの主要な弱点があります。1) 各オブジェクトが単一の3Dガウス分布で近似されるため、3D幾何学的詳細が大幅に失われる。2) この近似と実際のオブジェクト形状との差異により、オンライン推論中におけるオブジェクト候補の不正確な統合が悪化する。これらの問題に対処するため、我々はNoPAを提案します。NoPAは各オブジェクトを個別のノンパラメトリック分布として表現します。この定式化により、パラメトリックなガウス分布形式のリアルタイム推論を維持しつつ、3D幾何学的情報を保持します。この新しいオブジェクト表現に基づき、一貫性のあるオブジェクトインスタンスを復元するための調整された統合戦略を提案します。具体的には、カーネル密度推定に対する最大平均不一致を活用し、追加の計算複雑性を最小限に抑えながら、オンライン探索中にオブジェクト候補のロバストな統合を可能にします。鍵となるのは、オブジェクトごとに固定の粒子セットを維持することです。さらに、誤分類されたオブジェクトによる関係損失を修正するために、NoPAは高い親和性を持つオブジェクト間の関係を伝播します。実験により、NoPAはリアルタイム推論速度を犠牲にすることなく、現在の手法を大幅に上回る性能を示します。
AIエージェントが複雑で長期的な推論をより高度に実行できるようになるにつれ、現実の医療応用への進歩を測定するためには、厳密かつ包括的な評価が不可欠です。本稿では、HealthAgentBenchを紹介します。これは、それぞれ独自の環境を持つ7つのカテゴリにわたる54のエージェント型医療タスクからなるベンチマークスイートです。このベンチマークスイートは、患者の診療経路全体にわたる多様なワークフローと幅広いモダリティを網羅しています。各タスクは、エンドツーエンドの臨床ワークフローを再現するように設計されています。エージェントは、最小限の指示のみを与えられ、生の医療データを探索し、複雑な環境内で動作し、単純なプロンプティングを超えた多段階の解決策を実行する必要があります。最終的なタスク成功率が報告され、HealthAgentBench全体の各エージェントのパフォーマンスを表す、単一で解釈可能な指標を提供します。HealthAgentBenchにおいて最先端エージェントを評価した結果、全体的なタスク成功率は依然として低く、このスイートの難易度の高さが浮き彫りになりました。最も強力かつコスト効率の高いエージェントであるCodex GPT-5.5でも、成功率は約42%にとどまりました。全体的なパフォーマンスに加えて、HealthAgentBenchはタスクカテゴリごとの微妙な強みと弱みを明らかにしました。最先端エージェントは、EHRデータに対する研究モデリングパイプラインを自動的に開発する分野で有望性を示していますが、医用画像処理は特に困難であり、特にClaude Codeモデルでは課題が残る一方、Codex GPT-5.5は新たな能力を示しつつあります。広大な探索空間と構成的推論の要件を組み合わせたタスクは、現在のすべてのエージェントにとって依然として困難です。これらの結果は総合的に、HealthAgentBenchが挑戦的かつ現実的なベンチマークであり、将来の進歩の余地を大きく残していることを示唆しています。本ベンチマークはhttps://github.com/microsoft/HealthAgentBenchにて公開しています。
言語モデルに推論を学習させるための最も一般的な手法のうち三つは、一見すると異なる三つのトリックに見える。しかし、そうではない。これら三つはすべて、単一の数値、すなわち標準偏差を調整している。標準偏差は、プロンプトに対してサンプリングされた回答がどの程度一致していないかを反映する。このようなモデルを学習させる際、各問題に対して複数回の回答を生成し、自動チェッカーが各回答の正誤を判定する。それらの正誤ラベルの標準偏差が不一致の度合いを表し、正解と不正解が均等に分かれたときに最大となり、すべてが一致したときにゼロとなる。Group Relative Policy Optimization（GRPO）はこの数値で除算し、GRPO Done Right（Dr. GRPO）は除算を省略し、Decoupled Clip and Dynamic Sampling Policy Optimization（DAPO）はこの値がゼロとなるグループを破棄する。それぞれ独自の修正として提示されているが、本論文はこれらが一つのダイヤルの三つの設定であることを証明する。そのダイヤルは表面的なものではない。正誤報酬の場合、不一致は学習更新の大きさそのものであり、グループ標準偏差の恒等式が成り立つ。意見が分かれたグループが最も多くを教え、意見が一致したグループは何も教えず沈黙する。同じ結果から、どの問題に最も重みを置くべきか、各問題に何回の試行が必要かが示される。本論文は、大規模な実難易度データセット（Big-Math）と制御された学習実行の両方において、この直感を確認する。一見無害な正規化ステップに見えるものが、学習がどこで、どれだけ強く行われるかを決定するダイヤルなのである。
ブラインド画像復元は、複雑で未知の劣化から忠実度の高い細部と一貫性のある構造を復元することを要求する。既存のブラインド画像復元手法は、実世界における空間的に変動する劣化への対応が難しく、有効なテクスチャとアーティファクトを確実に区別するために必要な意味認識（セマンティック・アウェアネス）を欠いている。このギャップを埋めるため、我々は鷲の視覚系に着想を得た動的かつセマンティックに整列された再構成フレームワークCogSENetを提案する。鷲の能動的なサッケード走査を模倣し、微分可能なルーティングによるセマンティック認識型トークン再グループ化を備えたセマンティック駆動状態空間モジュール（SDSSM）を考案し、プロンプト条件付き長距離依存関係モデリングを可能にする。テクスチャと構造の物理的に解釈可能な復元を実現するため、BiFreqFusionBlock（BFFB）は、ウェーブレット変換を用いて特徴を高周波と低周波に分解することで、鷲の網膜の機能分化を反映する。最後に、ぼけ画像から連続的ブラーフィールド（CBF）を推定し、CLIPのセマンティック事前情報と融合して最深層の潜在特徴を変調することで、焦点適応を模倣し、空間的に不均一なぼけ下での適応的復元を可能にする。広範な実験により、CogSENetは最先端のデブラリング手法を、視覚品質と構造忠実度の両方で、少ないパラメータ数で凌駕し、さらにデヘイジング、デレイニング、デノイジングタスクにおいても良好な性能を示すことが実証された。
協調的対話において、共有された知覚は必ずしも共有された解釈を保証しない。相互作用を通じて相互理解を確立する必要がある。本研究では、視覚言語モデル（VLM）がグラウンディングを通じて対話参加者間で共有される可能性のあるものと既に共有されたものを区別できるかを調査する。この課題を、HCRC MapTask対話から得られた13,077の注釈付き参照表現を用いた解釈一致タスクとして定式化し、対話コンテキストと地図情報へのアクセスを系統的に制御した条件下でVLMを評価する。実験結果は、実際の地図画像を提供すると全体的な性能は向上するものの、モデルがアラインメントを過剰に予測する方向へとシフトすることを示す。同じ地図内容をテキストで記述した場合もこのバイアスが再現され、一方で情報を含まない画像はアラインメント予測を完全に抑制する。これはバイアスが視覚チャネルではなくタスク関連の地図内容によって引き起こされることを示唆する。この性能向上は、非アラインメント事例における精度低下を代償としてもたらされる。さらに、キャリブレーション分析と参照連鎖追跡から、モデルは対話履歴を通じてグラウンディングがどのように展開されるかを追跡するのではなく、地図上の静的な参照的手がかりに依存していることが示唆される。これらのパターンは、Qwen3-VL-8B-Instructにおいて最も顕著に観察され、2つのアーキテクチャファミリーに属する追加の4モデルでも程度の差はあれ確認された。バイアスを示すモデルでは、地図内容が視覚的であれテキスト的であれ、相互理解の証拠として扱われ、可能性と確立された共通基盤とが混同される。
人々は考えすぎ、言語モデルは過剰にサンプリングし、その余分な努力が両方をより悪い回答に導くことがある。推論システムは難しい質問に答えるために何度もサンプリングする（テスト時スケーリング）。サンプルを多く取るほど、どこかで正しい回答が現れる頻度が高くなるため、カバレッジ（少なくとも1回の正しい試行がある問題の割合）は上昇し、進歩のように見える。しかし、実際に運用されるシステムは1つの回答を返さなければならず、どの試行が正しいか分からない中で回答を選ぶことが選択である。選択には上限があり、ある時点を超えると、追加のサンプルはモデルに自信満々の誤りを確信させるだけで、各サンプルごとにコストがかかる。 上昇するカバレッジと停滞する選択の間のギャップ、すなわち識別可能性ギャップは、モデルが生成できるが選択できない回答のことである。したがって、本当の疑問はサンプリングするかどうかではなく、どれだけサンプリングするかであり、その答えは「それほど多くない」である。回答を選ぶためには、数十回のサンプリング内で投票はすでに収束しており、それがモーダルシーリング（最頻値の上限）である。ベンチマークのスコアリングのためには、さらに早く収束し、それが相関係数の上限である。それを超えると、追加のサンプルは計算コストを消費し、何ももたらさず、回答を悪化させることさえある。 本論文では、このカットオフをひとつの数値、すなわち有効サンプル数に変換する。この数値は、どのサンプリング実行においてもすでに明らかになっている。ボトルネックは正しい回答を認識することであり、生成することではない。