翻訳付きの日次キュレーションされたAI研究論文
長期的な探索エージェントは、最終回答に到達するために、検索・取得・検証・統合といった複数の逐次的な行動（ステップ）を実行しなければならない。しかし、既存の訓練手法は、教師ありファインチューニング（SFT）と強化学習（RL）の両方において、軌道内のすべてのステップを一様に扱うのが一般的であり、有用な行動と誤った行動や冗長な行動を区別できていない。本稿では、Answer-Backtracked Credit Assignment（ABC）を提案する。これは、疎な軌道レベルの結果を密なステップレベルの監督信号に変換することで、失敗した軌道であっても有用な行動に報酬を与え、誤った行動や冗長な行動を抑制する、きめ細かなクレジット割当フレームワークである。具体的には、場合によっては不明瞭なクエリとそれに対応する正解が与えられたとき、ABCはまずAnswer-Backtracked Clue Recovery（回答逆追跡型手掛かり復元）を実行する。これは正解から遡って問題を解くために必要な中間手掛かりを復元する処理である。次に、Clue-Anchored Step Scoring（手掛かりに基づくステップ評価）を適用し、各探索ステップをこれらの手掛かりに照らして評価することで、疎な二値の結果監督を密なステップレベルの報酬に変換する。これらの報酬に基づき、各ターンの損失を再重み付けするABC-SFTと、ステップレベルのスコアをGRPOの報酬として用いるABC-GRPOを開発する。このフレームワークに基づき、我々はQwen3.5-4BをベースとするABSeekerをわずか8.5k個の例で訓練する。ABSeekerはBrowseCompで37.3%、BrowseComp-ZHで39.1%を達成する。コンテキスト管理を導入すると、スコアはそれぞれ55.3%と52.9%までさらに向上し、同規模（4B）のエージェントを大幅に上回り、より大規模（約30B）のエージェントの性能にも匹敵する。これらの結果は、長期的な探索エージェントの訓練における回答逆追跡型ステップレベル信用割当の有効性を示している。
テキストから画像への（T2I）モデルは視覚的に説得力のある画像を生成できるが、複雑な意味理解、多段階推論、外部の世界知識の統合を必要とするオープンワールドタスクでは依然として限界がある。既存の取り組みでは、エージェント機能を画像生成に導入しているが、固定されたワークフローを規定するか、オープンワールド画像生成プロセスの一部のみをエージェント制御下に置くかのいずれかである。その結果、推論、ツール呼び出し、画像生成が単一のポリシーによって調整されることはない。我々は、統合マルチモーダルモデル（UMM）をポストトレーニングすることで得られる完全エージェント型の画像生成モデルであるToolArtistを提案する。ToolArtistは、推論、外部ツールの使用、ネイティブな画像生成を、単一の統合ポリシーの中で動的に調整する。教師ありファインチューニング（SFT）では、教師エージェントに画像生成ツールに加えて検索ツールを装備する。その後、収集した軌跡を、画像生成ツールが隠蔽され、生成された画像が保持されるUMM互換形式に変換する。強化学習（RL）では、UMM向けのエージェント型RLインフラストラクチャを開発し、補完的な意図報酬と品質報酬を用いてモデルを共同で最適化するReason-Act-Draw GRPO（RAD-GRPO）を導入する。実験では、オープンワールド画像生成プロセス全体をエージェントポリシーの下に置くことが、固定パイプラインや、部分的にのみエージェント制御された構成要素を持つアプローチを一貫して上回ることを示している。我々は、トレーニングデータと完全なポストトレーニングインフラストラクチャを公開する。
視覚は、基盤モデルを発展させるための重要な軸を提供し、ネイティブに統合されたマルチモーダル事前学習への移行を推進する。この勢いにもかかわらず、統合訓練中におけるモダリティ間の相互作用についての設計空間と基本的なメカニズムは、十分に探求されていない。我々は、マルチモーダル事前学習の体系的な探求を通じて、実証的な明確さを提供する。合成データセットと大規模な実世界データセットの両方を用いた我々の制御実験は、マルチモーダル事前学習の物理に関する4つの重要な洞察をもたらす。(i) 知識の流れ：言語、視覚的理解、視覚生成がモダリティ間でどのように知識を伝達するかを解きほぐし、影響と非対称性の明確なパターンを明らかにする。(ii) 相乗効果と競合：データの「複雑さ」が、モダリティが相乗的であるかどうかを主に決定することを示す。また、相乗効果を促進するアーキテクチャ上の選択、例えば共有のアテンションと正規化、およびモダリティ固有のフィードフォワード層を特定し、これらの挙動が異なる視覚トークナイザ設計にわたって一般化されることを見出す。(iii) 早期統合：モダリティを非常に初期の段階から統合し、それらを共同で訓練することは、後期のアライメントや逐次訓練よりも効果的であることが示される。このプロセスは、統合の遅延がモデルに言語の事前知識への依存をもたらす「視覚の怠惰」現象を明らかにする。(iv) レシピ：計算予算のわずか5%で強力な生成性能を達成する効率的な事前学習レシピを導出する。これらの中心的な発見は、その後、2Tトークンを用いて複数の13.5B MoEモデルを訓練することにより、大規模に検証される。我々は、この研究がマルチモーダル事前学習の理解とスケーリングのための原理に基づく基盤を提供することを願っている。
永続的なメモリを備えたパーソナライズLLMがますます展開されているが、そのユーザーモデルの忠実性は未検証のままである。本稿では、LLMが証拠が支持する以上にユーザー属性を作り出してしまう現象である過剰推論（OI: over-inference）を研究する。我々はMirageBenchを導入する。これは、ステレオタイプ的、反ステレオタイプ的、中立的プロファイルにバランスよく配分された150のペルソナ、「想像力勾配」にわたる6つのパーソナライズタスク、独立した判定者によって運用される4値の忠実性分類法（400件の主張に対する盲検人手アノテータとの検証で、Cohen's kappa = 0.863（4クラス）、kappa = 0.900（2値））、および7ファミリーにわたる12モデルのリーダーボード（判定済み主張143,616件）から構成される。我々は、過剰推論が広く見られることを見いだした。評価対象の12モデルすべてが、その主張の35%～49%を過剰推論しており（モデル間平均41.6%、主張加重平均41.8%）、本評価においてそれを免れるモデルは存在しない。最も顕著なのは、自己モニタリング反転（Self-Monitoring Inversion）を明らかにしたことである。モデル選択レベルでは、モデルの自己評価によるOIは、判定者による測定OIと負の順位相関を示した（rho = -0.60, p = 0.044; 探索的、幅広いブートストラップCI [-0.90, +0.06], n = 12）。過剰推論が最も少ないと報告するモデルほど、最も多く捏造していると判定される傾向がある。したがって、単一モデル内では自己監査がそのモデル自身の主張を依然として中程度にうまくランク付けするものの（AUROC 0.58–0.83）、自己報告された信頼度はモデル比較には誤解を招くシグナルである。さらに我々は、OIがタスク依存的であり（27%–59%）、マルチターンパイロットでは、推定された属性がほぼ線形に蓄積され、修正はほとんどないことを示す。MirageBenchは、モデルの自己報告ではなく外部検証を、信頼できるパーソナライゼーションのためのより信頼性の高い基盤として位置づけるものである。
LLMエージェントは、仕事、学習、生活にまたがるオープンエンドな日常の依頼にますます応用されている。これらのタスクは長期的で、複数環境にまたがり、マルチモーダルであるため、エージェントは多様なツールや添付ファイルを操作しながら、多数のステップにわたって目標と制約を保持することを強いられる。先行研究では、目標の逸脱、状態の喪失、コンテキストオーバーフローといった個別の障害モードが扱われてきたが、単一のハーネスがこれらを統合的に管理し、バックエンド間で有効性を維持できるかどうかについては研究が十分でない。本稿では、自律エージェントのための長期的タスク向けハーネスであるOneDayAgentを提案する。OneDayAgentは、オープンエンドな依頼を管理された実行プロセスへと変換し、タスクを範囲が定められたサブタスクに分解し、コンテキストの逼迫下で実行メモリを維持し、最終成果物を検証・修正する。我々はOneDayAgentを、104タスクからなるAgentIF-OneDay上で評価した。GLM-5.2バックエンドを用いた場合、OneDayAgentは総合スコア0.821を達成し、新たな最先端を記録した。同じハーネスは、3つのモデルファミリーに属する5つのバックエンドLLMで動作しており、異なるモデルが同じワークフローの下で異なる実行スタイルを生み出す場合でも、ハーネスがチューニングなしでバックエンド間を汎化することを示している。
エージェントの自己進化は、事前の経験からエージェントの永続的状態を更新し、それを再利用して関連するタスクをより効果的に解決する。自己進化の評価は難しい。既存のベンチマークは、経済的に価値のあるタスク領域のカバレッジが限られており、テスト時の利得をトレーニング経験に帰属できるようなトレーニングおよびテストタスクを常に設計しているとは限らず、データ汚染に対しても脆弱なままである。我々は、GDP関連のエンタープライズワークフローに基づく自己進化ネイティブなベンチマークであるGDPevoと、それを生成する完全自動化データパイプラインを提示する。その中核メカニズムであるルールのハイブリッド化は、各エンタープライズワークフローを原子的なビジネスルールに分解し、これらのルールのサブセットをトレーニングタスクに分散し、ホールドアウトテストタスクで再結合することで、テスト時の利得を帰属可能にする。GDPevoはCRM、ERP、財務、ヘルスケア、法務、データ中心のワークフローを網羅する。V1リリースには12グループに120タスクが含まれ、各グループに5つのトレーニングタスクと5つのホールドアウトテストタスクがある。完全自動化により、パイプラインはスイートを2日以内に24グループ240タスク（V2）へ拡張でき、汚染への実用的な対応を提供する。GDPevoを用いて、我々はそれぞれがハーネスとモデルからなる4つのエージェントを、4種類の教師信号タイプの下で評価する。自己進化は、ホールドアウト精度を最大16.44パーセントポイント一貫して向上させる。しかし、最良の進化済みエージェントの成績は、完全な情報を与えられたオラクルの上限91.6%には依然として大きく及ばず、現在のエージェントの自己進化能力が完全には実現されていないことを示している。我々は、パイプライン、ベンチマーク、および完全な評価結果をhttps://github.com/Prism-Shadow/GDPevoで公開する。
近年の大規模言語モデル（LLM）における長期的推論では、モデルが推論チェーンの中で異なるスキルを切り替えることが求められる。例えば、最初に数学的導出を行い、その結果を用いてスケジュールを計画するといった具合である。我々はこのような問題をクロススキル長期的タスク（cross-skill long-horizon tasks）と呼ぶ。すなわち、異なる推論スキルを必要とし、かつ以前の出力に依存する多段階タスクである。既存のベンチマークは個々のスキルを評価することが多く、モデルがスキル間をどの程度うまく切り替えられるかを原理的に測定する方法が欠けている。我々は評価と訓練の両面からこのギャップに対処する。まず、あるスキルから別のスキルへの切り替えの難しさを測る指標であるスキルエントロピー（Skill Entropy）を導入する。次に、検証可能かつ自由形式の9つのドメインにわたる558のスキルに基づいて構築されたクロススキル長期的タスクのベンチマークであるSkill^2-Benchを提案する。各タスクにはタスクレベルのスキルエントロピースコアが割り当てられ、3つの難易度レベルに分類される。Skill^2-Bench上で8つのフロンティアモデルと4つのオープンソースモデルを評価すると、スキル切り替えギャップが明らかになる。すなわち、エントロピーが高いタスクでは精度が低下する。次に、我々はスキルエントロピーをベンチマーク用の尺度から訓練信号へと変換する。モデルが各ステップで答えだけでなく、その答えを生成するために使用したスキルも予測する強化学習フレームワークであるSkill-Entropy RLを提案する。報酬は、ステップレベルの正しさと、モデルが予測したスキル系列と正解スキル系列との整合性を測定するスキルエントロピー報酬を組み合わせる。Qwen3-4B-InstructおよびQwen3-1.7Bにおいて、Skill-Entropy RLはSkill^2-Benchスコアをそれぞれ34.4%から68.4%、14.6%から40.1%へ向上させ、競合するベースラインを上回る。同じパイプラインはOpenR1-Mathのような既製の訓練データにも適用でき、スキルエントロピーが再利用可能な訓練信号であることを示している。コードはhttps://github.com/Gen-Verse/Skill-Entropy-RLで入手できる。
オン・ポリシー蒸留（On-Policy distillation, OPD）は、生徒モデルがサンプリングした軌跡を、高密度なトークン単位の教師信号で監視することにより、教師の能力を転移する。近年の選択的OPD手法は、確信度が高い、情報量が多い、または学習可能性が高い信号を優先することによって、このプロセスを改善している。しかしながら、これらの仮定は、言語モデルの根本的な失敗モードを見落としている。すなわち、言語モデルのトークン単位の判断は、タスク固有の証拠ではなく、入力に依存しない言語事前分布、書式規則、または定型化された推論テンプレートによって駆動される可能性がある。我々は、このような最適化には関連するものの入力接地性が弱い教師信号を、OPDにおけるスプリアス信号（疑似信号）と呼ぶ。これらの信号は、大きな勾配を生み出す一方で、タスク改善の方向への寄与はほとんどない。この問題を緩和するために、我々はSA-OPD（Spurious-Signal-Aware On-Policy Distillation）フレームワークを提案する。これは、入力接地性と最適化への影響に基づいて、誤解を招くトークン単位の教師信号を特定し、フィルタリングする。SA-OPDは、トークン単位の蒸留信号が本当に入力に依存しているかどうかを推定する軽量な入力接地性プロキシを導入する。そして、入力接地性が低く、かつ蒸留ダイバージェンスが極端に大きいトークンのみをフィルタリングする。これにより、影響の大きなスプリアス更新を除去し、細粒度のOPD最適化を実現する。大規模言語モデル（LLM）と視覚言語モデル（VLM）の両設定における広範な実験により、SA-OPDがバニラOPDおよび競争力のある選択的手法を一貫して上回ることを実証する。これらの結果は、入力接地性がOPDの教師信号選択における重要な次元であることを確立し、スプリアス更新を軽減するためのシンプルで効果的な戦略を提供する。
汎化可能なロボット操作ポリシーの学習には、大規模かつ多様なデモンストレーションデータが必要である。自己中心視点の人間による操作動画は、豊富なシーンとタスクの多様性を提供し、先行研究では、そのような動画をリターゲティングしてロボット形式のデータにレンダリングすることで、小規模ながらタスクごとに効果的なポリシーを生成できることが示されている。しかし、このアプローチが視覚・言語・行動モデル（VLAモデル）に対して大規模な事前学習の利点をもたらすかどうかは未検討のままである。本稿では、アクションのリターゲティング、ロボットアームの視覚合成、多段階の品質キュレーションを通じて、自己中心視点の人間による操作動画をロボット訓練データに変換するスケーラブルなパイプラインであるEgo2Robotを提案する。Ego2Robotは、キュレーション済みデータセットと非制御環境の動画の両方をサポートし、15種類のロボット形態にわたる18,561時間のロボット訓練データを生成する。これは、現在までで最大のエゴからロボットへのデータセットである。汎化性能を評価するため、我々はRoboTwin2.0を拡張し、視覚的外観、シーンレイアウト、身体形態、タスク意味論をカバーする分離された摂動軸を導入する。実験により、Ego2Robotで合成されたデータとロボットデータによる共同事前学習が、複数の摂動タイプにわたって分布外汎化を一貫して向上させることが示され、その利点は実ロボットへの展開においても検証された。プロジェクトページ： https://www-ye.github.io/ego2robot_blog/
本稿では、韓国語の性能格差がどこで生じるかを診断するために設計された、手続き的に生成される英語-韓国語パズルベンチマークであるNOLLIを紹介する。NOLLIは15種類のパズル（25タスク、7,500項目）で構成され、すべてのインスタンスはシードから再生成可能であり、一意の解を持つことが検証され、決定的に採点される。我々は、「難しい」ことを「大きい」ことと同一視するのではなく、難易度を行動的に較正し、固定された参照モデルが目標精度帯域に入るまで各生成器を調整する。その3レベル設計は、対応する直接翻訳、ハングル字母（音節以下の文字）にわたる文字体系適応、そして韓国の文化または正書法に基づく韓国語のみのタスクを組み合わせたものである。我々は、フロンティアモデル、オープンウェイトモデル、韓国開発モデルを含む15のモデルを評価する。全体精度が3%の下限を上回る12のモデルでは、対応する英語-韓国語の精度は±10ポイントの範囲内で統計的に同等であり（TOST）、提示言語だけによるコストはほとんどないことを示唆している。文字体系集約的なタスクではより明確な格差が見られる。韓国語暗号は英語より最大68.7ポイント低い一方、同じ字母を用いた暗号算は系統的なペナルティを示さず、字母合成の精度は韓国語暗号の精度を予測する。これらの対比は因果的というより診断的であり、多段階の音節以下の実行における困難さと整合する。韓国語のみのタスクは、符号が様々な規則適用の欠陥と、12モデル全てで正の親族関係の欠陥とを分離する。最後に、顕著なサイズ指標は15タイプ中7タイプでEasyからHardへ増加せず、構造的なサイズが経験的難易度の信頼できない代理指標となっていることを示す。
指示ベースのビデオ編集は急速に進歩しているが、実世界のビデオには音声信号と視覚信号が密接に結合されており、一方のモダリティを編集する際には、しばしば他方のモダリティの協調的な変更が必要となる。既存のベンチマークは主に無音クリップに対する視覚的変換や、独立した音声編集を評価しており、複雑な音声・視覚編集とクロスモーダル一貫性は未探索のままである。我々はAVE-Compassを紹介する。これは、145本の厳選されたソースビデオ、196件の音声・視覚が結合された編集指示、2,688項目の詳細なチェックリスト項目からなる包括的なベンチマークである。本ベンチマークは、チェックリストに基づくMLLM判定と専用の現実性評価基準を通じて、指示追従、忠実性保持、現実性、編集意図を評価し、さらに自動化されたクロスモーダル指標、ビデオ指標、音声指標によって補完される。広範な評価により、最先端モデルであっても非対象コンテンツを保持しながらクロスモーダル指示を実行することは依然として困難であることが示された。さらに我々は、複雑な指示を依存関係のあるサブタスクに分解し、自己内省と評価者フィードバックを通じて編集結果を反復的に改善するモジュール型エージェントフレームワークであるAVE-Agentを提案する。AVE-Agentは、競争力のある知覚品質を維持しつつ、統合編集における指示実行、忠実性保持、音声・視覚の整合性を向上させる。
検証可能な報酬を用いた強化学習（RLVR）は、大規模言語モデル（LLM）のポストトレーニングにおける標準的なパラダイムとなっている。グループ相対方策最適化（GRPO）は広く採用されているが、報酬信号がスパースであり、グループ内のすべての応答が同一の報酬を受け取る場合には勾配が完全に失われるという問題がある。オンポリシー蒸留（OPD）は、教師モデルからの密なトークンレベルの教師信号を提供することで、自然な解決策となる。しかし、GRPOとOPDを単純に組み合わせると性能が低下する。その根本的な原因は3つある。すなわち、蒸留の恩恵を受けないサンプルが存在すること、教師に適合しすぎることでRLの探索能力が損なわれること、そしてOPDの利点が非対称であり、ほとんどのトークンが抑制されることである。これらの課題に対処するため、我々はRSTG（Adaptive Teacher Guidanceによる学習信号の回復）を提案する。これは、最も重要となる箇所に選択的かつ精密に蒸留を適用する手法である。サンプルレベルでは、OPDは負のゼロ分散プロンプトに限定され、各サンプルは教師の信頼度スコアで重み付けされる。トークンレベルでは、蒸留は学生モデルのエントロピーが高いトークン、または教師と学生の乖離が大きいトークンのみを対象とする。さらに、教師モデルによって生成された正しい軌跡に対するSFTで訓練を拡張し、RLが勾配を生み出さない箇所に正の勾配信号を注入する。実験により、RSTGは単純なGRPO+OPDを数学で+4.02%、コードで+3.05%大幅に上回ることが示された。
本テクニカルレポートでは、グローバルなフロンティア規模の基盤モデルを目指す取り組みの一環としてLG AI Researchが開発した、オープンウェイトの多言語基盤モデルK-EXAONE 2.0について紹介する。我々はゼロからの学習を行うのではなく、K-EXAONEをアップサイクリングしてアーキテクチャを拡張することで、総パラメータ数750B、トークンあたり約37Bの活性化パラメータを有する混合エキスパート（MoE）モデルを実現した。これは前モデルの3倍以上の容量に相当する。K-EXAONE 2.0は最大256Kトークンのコンテキスト長をサポートし、多言語対応を6言語から10言語に拡大している。そのトレーニングパイプラインは、継続的事前学習、難易度重視の中間学習、事後学習を組み合わせることで、推論能力、エージェント型コーディング、多言語能力、および韓国の社会文化的文脈に基づく安全性を強化している。実際の使用条件下での性能を反映するよう選定された9つの評価カテゴリーにおいて、K-EXAONE 2.0はK-EXAONEから改善し、オープンウェイトモデルと競争力を維持している。最大の向上はエージェント型コーディングと長文脈理解で見られ、最も明確な強みは長文脈検索と安全性において発揮されている。Apache 2.0ライセンスのもとで公開されたK-EXAONE 2.0は、より広範なAIエコシステムが本モデルを評価、展開、適応、およびそれを基盤とした構築を行うことを可能にし、グローバルなフロンティアへの挑戦の終着点ではなく出発点を示すものである。
メモリ拡張型VLMエージェントは永続的な空間的知識に基づいて行動するが、環境が変化するにつれてその知識は黙って陳腐化する。本研究では、エージェントが確信度の高いメモリの主張と矛盾する観察を整合させなければならない場合に何が起こるか、そして現在のモデルがその矛盾を安全に関わるミスに発展する前に検出できるかを問う。動的なFrozenLakeテストベッドを用いて、陳腐化検出タスクと下流のナビゲーションタスクをペアにし、3つのクローズドソースモデルと3つのオープンウェイトVLMをテキスト入力と画像入力の両方で評価した（1,800回の検出実行、および共通50シード規模で4つのLLMナビゲーターにわたる12,000エピソードのテキストモードナビゲーション）。3つの知見が得られた。第一に、テキストでの解決可能性は視覚的接地を意味しない。すなわち、テキストから陳腐化したエントリを確実に検出できるモデルであっても、同一グリッド上での視覚F1は0.887から0.067までばらつき、最も弱いモデルは画像を無視した流暢で自信に満ちた意思決定を続けた。第二に、検証なしで陳腐化したメモリを使用することは安全上の負債となる。主要なGPT-4o設定では、生のメモリを信頼するエージェントは、メモリを一切与えられない同じエージェントの2倍以上頻繁に死亡した。第三に、検証は役立つがギャップを埋めるには至らない。透過的な読み取り時フィルタはテキストモードでの安全コストの大部分を除去するが、現在のグリッドサイズではオラクルによる陳腐化ラベルでさえさらなる有意な改善をもたらさず、視覚的検証が信頼できない場合にはフィルタリングは一貫した効果を生まない。これらの結果は、空間メモリの陳腐化を安全上の障害モードとして位置づけ、メモリと観察の矛盾下での信頼できる視覚的接地と行動選択を、メモリ拡張エージェントの中心的な未解決課題として特定するものである。
近年の動画世界モデルの目覚ましい進歩にもかかわらず、これらの世界内のキャラクターとユーザー間の社会的インタラクションは依然としてサポートされていない。このギャップを埋めるため、我々は、世界内のキャラクターとの社会的インタラクションを可能にする動画世界モデル HelloWorld を提案する。ボタンを1回押すだけで、ユーザーは画面上のキャラクターにカメラに向かって応答するよう促すことができる（例：視聴者の方を向く、手を振る、うなずく、短い挨拶を話すなど）。これらのインタラクションを自然にするため、我々は、自身が合成したデータで動画生成モデルをファインチューニングする自己蒸留パイプラインを提案する。合成された各クリップには社会的インタラクションとカメラモーションの両方が含まれており、モデルはインタラクション品質を損なうことなくカメラポーズ条件付けを学習できる。推論時には、さらに、インタラクションが発生するタイミングを決定する学習不要のモジュールを導入する。ボタンが押されると、このモジュールは DiT のクロスアテンションマスクを変調し、インタラクション関連のテキストプロンプトが押下ウィンドウ内のフレームのみに注意を向けるようにすることで、キャラクターの応答を時間的に局所化する。さらに、評価のために、3つの社会的インタラクションメトリクスと3つの従来メトリクスを備えた400サンプルのベンチマーク HelloWorldBench を構築する。実験により、HelloWorld は、最先端の画像美観とカメラポーズ追従を維持しつつ、インタラクション品質において様々なベースラインを上回ることが実証された。プロジェクトページ: https://github.com/AlayaLab/HelloWorld
GUIエージェントは、以前のタスクから得た有用な経験と、現在の対話における未完了の進捗の両方を記憶する必要がある。潜在記憶は、マルチモーダルな軌跡を少数の連続トークンへと圧縮することで、コンパクトな解決策を提供する。しかし、既存手法は通常、各軌跡を単一の固定メモリブロックに対応付け、主に次の行動に対する教師信号を通じてこれを訓練する。このため、圧縮中に重要な詳細が失われる可能性がある、同じメモリブロックが異なる決定段階に役立たなければならない、無関係に検索された軌跡がエージェントを誤らせ得る、という三つの実用的な問題が生じる。我々は、コンパクトな潜在記憶インターフェース内でこれらの役割を分離するFocusMemを提案する。役割を考慮したコンテンツ基底により、エピソード記憶は再利用可能な経験を保持し、作業記憶はタスクの進捗を保持することが促進される。状態条件付き読み出しは、保存された同じ証拠に対して決定固有のビューを生成し、軽量な信頼ゲートは現在のステップに無関係と思われるメモリブロックを抑制できる。すべてのコンポーネントは、GUIポリシーを凍結したまま訓練される。5つのGUIエージェントベンチマークにおいて、FocusMemは、完全に条件を一致させた行動のみの固定メモリベースラインおよび従来の潜在記憶適応手法を一貫して上回る。さらなる分析により、意味的および機能的な教師信号が補完的な情報を保持すること、状態条件付き読み出しは周囲の軌跡コンテキストが増えるほど頑健になること、信頼ゲートは注入された無関係なエピソード証拠による悪影響を低減することが示される。これらの結果は、効果的な潜在記憶が、過去の相互作用の圧縮だけでなく、何を保持するか、何を露出するか、何を許可するかにも依存することを示している。
スキルベースのプロンプティングは、大規模言語モデル（LLM）エージェントを改善するための実用的なメカニズムとなっている。しかし、既存のスキル獲得手法は、スキルを経験の要約、メモリエントリ、または成功したデモンストレーションの直接的な要約として扱うことが多い。このことは、より性能の低い生徒エージェントにとって不整合を生じさせる。生徒がタスク知識や実行戦略を欠いているために失敗した場合、その失敗軌跡には欠落した行動を推測するための十分な証拠が含まれていない可能性があり、一方で教師軌跡は再利用可能な指針として内部化するには暗黙的すぎる可能性がある。我々は、スキルを異なる能力を持つエージェント間の明示的な蒸留媒体として扱う、対照的スキル蒸留フレームワークであるSKILL-KDを提案する。同じタスクに関する生徒の失敗と教師軌跡が与えられると、SKILL-KDはそれらの間の実行可能な差分をテキスト形式のスキルパッチに蒸留し、生徒を再実行してパッチを評価し、生徒がまだ失敗する場合にはパッチを反復的に改良する。反復的な局所更新によるスキルドリフトを防ぐため、SKILL-KDはさらにトレースに紐づけられた編集履歴を維持し、ドリフトを考慮したスキル統合（Drift-Aware Skill Consolidation）を実行して、各パッチが新しいルールを追加すべきか、既存のルールを削除・修正すべきか、またはスキップすべきかを決定する。5つのエージェントベンチマークと2つの生徒設定において、SKILL-KDは固定モデル適応ベースラインと比較して、凍結された生徒エージェントを一貫して改善する。
モデルチェックポイントは数とサイズの両方において増大し続けており、アーカイブ保存、転送、およびデプロイのコストがますます高くなっている。汎用圧縮器はストレージ要件を削減できるものの、テンソル構造を無視する一方、既存のテンソル特化圧縮器は固定されたフォーマット固有のパイプラインに依存している。我々は、可逆テンソル圧縮をプログラム合成として定式化するBrevisを提案する。我々は、反復領域や浮動小数点フィールドなどの再帰的なテンソル構造を、一連の可逆演算子を通じて捕捉する型付きドメイン固有言語（DSL）を設計する。テンソルが与えられると、Brevisはそれをビット完全に再構築する自己完結型のDSLプログラムを合成する。テンソルの小さな代表サンプルから学習されたチェックポイント固有の生成事前分布が、有界A*探索を導いてコンパクトなプログラムを合成し、そのプログラムは後にビット完全な復元のために直接実行できる。言語、音声、および画像生成モデルにわたる10の公開チェックポイントにおいて、Brevisは2.13 TBのチェックポイントデータを1.41 TBに削減し、33.93%のストレージ削減を達成する。これは、zstdやgzipを含む4つの汎用圧縮器よりも最大30.87%小さなアーカイブを生成し、テンソル特化圧縮器であるZipNNおよびDFloat11よりも小さなアーカイブを生成する。実用的な並行処理構成の下で、Brevisはすべてのソースバイトを保持しながら、3.60 GB/sの圧縮と6.61 GB/sの復元を達成する。
インタラクティブビデオワールドモデルは長期的な計画と探索に不可欠であるが、累積誤差に悩まされる。強化学習(RL)などの事後訓練手法はこれらのモデルを改善できるものの、検証のボトルネックに直面する:任意のアクション系列に対して、長期的なドリフトを測定するための正解となる将来状態が存在しないのである。我々の重要な洞察は、可逆アクションサイクルがこの検証を可能にするという点にある:系列をその逆変換と組み合わせると、解析的に初期状態に戻らなければならず、長期的な正確性に関するアノテーション不要の教師信号が得られる。この洞察に基づき、我々はWorldCycleを提案する。これは、通常のアクション系列から閉じたアクションサイクルとその反復実行を構築し、2つの相補的な報酬を最適化する自己検証可能なRLフレームワークである:対称な前方セグメントと逆方向セグメント間の対称性を強制する空間的閉包報酬と、反復サイクル実行間で状態を整合させる時間的一貫性報酬である。これらの報酬により、モデルは記憶された時間的パターンではなく一貫した状態オペレータとしてアクションを学習することを強制され、ベースモデルがうまく扱えない分布外の複合アクションサイクルにも自然に拡張される。さらに、複雑なアクション構造下での状態復帰能力を診断するベンチマークであるCycleBenchも公開する。WorldCycleは状態復帰ドリフトを最大44%削減し、複合アクション精度をベースモデルと比較して約4倍向上させ、物理的な基盤を備えたワールドモデルのための重要な基盤を提供する。
オン方策自己蒸留（OPSD）は、マルチモーダル大規模言語モデル（MLLM）における視覚的推論を向上させるための標準的なポストトレーニング手法となっている。既存手法は、多様な入力ソースから得られる特権情報を引き出し、自己蒸留を導いている。しかしながら、これらの設計は、MLLM推論に内在する課題であるモダリティ不均衡を見落としている。テキスト情報が生成を支配する場合、モデルはマルチモーダル入力を十分に統合できない。その結果、慎重に設計された特権情報は十分に活用されず、OPSDの有効性が制限される。この限界を検証するため、我々はズームイン画像を用いたポジティブ教師とマスク画像を用いたネガティブ教師を構築し、これらが異なる程度のモダリティ不均衡を示すことを確認した。それらの推論正確性とトークンロジットの変化から、モダリティバランス自体が特権情報として機能し得ることが明らかになった。この知見に基づき、我々はポジティブ教師とネガティブ教師を通じてそのような情報を具体化する視覚的OPSDパラダイムであるOPD-Vを導入する。ポジティブなモダリティバランスのロジットマージンは、自己蒸留に使用するオン方策トークンを選択するモダリティバランス信頼領域を定義する。6つのベンチマーク、4つのMLLMバックボーン、5つのポストトレーニング手法にわたる実験により、OPD-Vが学習コストを削減しながら推論性能を一貫して向上させることが示された。
主要なオープンなテキスト画像生成モデルは、しばしば相補的な強みを持つ。あるモデルは嗜好アライメントされた美的品質で優れる一方、別のモデルは構成指示をより忠実に守る。しかし、オートエンコーダーとノイズスケジュールの違いにより、これらの強みをモデル間で移転することは困難である。本論文では、異種の教師モデルの相補的な強みを、単一のコンパクトなフローマッチング生徒モデルに統合できるフレームワークPoly-OPDを提案する。異なる教師モデルの非互換な潜在空間を橋渡しするため、Poly-OPDはピクセルブリッジを通じたオン方策蒸留を実行する。生徒モデルが生成した各画像は、選択された教師モデルのエンコーダーで再符号化され、教師モデルのノイズスケジュールのもとで、ノイズの大きさを一致させたノイズレベルから精緻化される。得られたターゲットは、さらに凍結されたDINOv2空間内で生徒モデルと照合され、非互換な潜在空間を跨いだ教師信号を可能にする。教師モデル間の干渉なしに相補的な能力を保持するため、Poly-OPDは勾配互換性診断を用いてアダプターを構成する。アテンションLoRAモジュールは全教師モデル間で共有される一方、フィードフォワードアダプターは教師モデル固有のままである。蒸留中、ギャップを考慮したカリキュラムは、生徒モデルがまだ教師モデルに及ばない構成カテゴリに多くの訓練を割り当てる。各ギャップが縮小するにつれて、訓練は残りのギャップが大きいカテゴリへと移行する。FLUX.1-devとZ-Imageを2.5BのSD3.5-Medium生徒モデルに蒸留することで、Poly-OPDはGenEvalを67.3から73.3に改善し、より大型の両教師モデルを上回る。またDrawBench HPSv3を9.34から11.35に引き上げ、両方の強みを切り替え可能なモデルに統合する。
事前学習済み視覚-言語モデル（VLM）を活用して視覚-言語-行動（VLA）モデルを構築することは、3次元ロボット操作の有望なパラダイムとして浮上している。しかし、既存の3D VLA手法は依然としてデータ依存性が高く、分布シフト下では限られた汎化しか示さず、過去の観測の明示的な記憶を欠いている。これらの限界は、データが乏しく、オープンワールドで、記憶に依存する操作シナリオへの応用を妨げている。我々の以前の研究であるBridgeVLAは、3次元行動学習中に事前学習済みVLMの入出力の整合性を維持することで、データ効率と汎化を向上させた。すなわち、生の点群を多視点画像に投影し、ロボット行動を生成する前に中間ヒートマップを予測する。本研究では、BridgeVLAに持続的な空間的文脈と時間的相互作用履歴をモデル化する統合時空間メモリアーキテクチャを装備することで、BridgeVLA++を開発する。得られたメモリ拡張フレームワークは、BridgeVLAのデータ効率と汎化能力を維持しながら、観測履歴に基づいて推論することができる。広範な実験により、我々のフレームワークが空間的操作タスクで強力な性能を達成し、頑健な汎化を示すことが実証された。さらにBridgeVLA++は、元のBridgeVLAのデータ効率と汎化性を犠牲にすることなく、2つの困難な記憶依存操作ベンチマークで最先端の性能を達成する。加えて、BridgeVLA++は双腕操作設定でも効果的に動作し、追加の実世界ロボットプラットフォームでも検証されており、タスク、環境、ロボットプラットフォームを横断したスケーラビリティを示している。これらの結果は、BridgeVLA++が、データ効率的な学習、頑健な汎化、効果的な記憶を考慮したロボット操作を同時にサポートする統合3次元視覚-言語-行動フレームワークとして確立されることを示している。プロジェクトウェブサイト: https://bridgevla-plus.github.io/。
ソーシャルメディア上で日常的に撮影された単眼ビデオや画像が豊富に存在することは、没入型コンテンツ制作における貴重な情報源であり、そのような疎な観測から新規視点を生成できれば、ユーザー体験を大幅に向上させることができる。しかし、入力の被覆が極めて限られている場合、精密なカメラ制御を伴う写実的かつ幾何的に一貫した視点生成は依然として困難である。NeRFや3D Gaussian Splatting (3DGS) などの再構成ベースの手法は、疎な入力条件下で性能が著しく低下し、遮蔽を明示的に扱うことができない。生成的手法はデータ要件を緩和する一方で、不正確または暗黙的な幾何学的ガイダンスに起因し、大基線長の視点合成には依然として課題が残る。これらの限界を克服するため、我々は単眼入力からの制御可能な大基線長新規視点合成のための統一フレームワークであるUniWorld-Viewを提案する。UniWorld-Viewは、明示的な3Dガイダンスと生成的拡散モデリングを統合し、精密なカメラ制御と幾何的に一貫した視点生成を実現する。幾何学的ガイダンスは、遮蔽を考慮した点群レンダリング戦略によって得られ、可視性の曖昧さを解消し、拡散ベースの合成のための正確な事前情報を提供する。このレンダリング戦略を強力なビデオ拡散バックボーンと組み合わせることで、UniWorld-Viewは極端なカメラ移動や広い基線長変化の下でも高忠実度の新規視点生成を達成し、さらに下流の動的3DGS再構成のためのマルチビュービデオを提供できる。WorldScoreベンチマークおよびゼロショットNVSベンチマークにおける実験により、UniWorld-Viewの制御可能性、幾何的一貫性、視覚的忠実度における有効性が示された。
分子糊型分解誘導剤は、E3ユビキチンリガーゼと標的タンパク質との間に三元複合体形成を誘導することにより、標的タンパク質分解のための有望な戦略として登場してきた。その治療上の可能性にもかかわらず、分子糊の計算設計はほとんど未開拓のままである。従来の構造ベースの医薬品設計とは異なり、分子糊の設計は未知のタンパク質間界面に支配され、リガンド生成、タンパク質間ドッキング、および三元複合体アセンブリの同時モデリングを必要とする。本研究では、分子糊設計を三元複合体生成問題として定式化し、生物学に着想を得た生成フレームワークであるTriGlueを提案する。分子糊の作用機構に基づき、我々は三元複合体生成を、界面推定と界面条件付き複合体生成という2つの連成した段階に分解する。まず、非結合状態のモノマー構造から幾何学的に制約されたタンパク質間界面を予測するSE(3)同変の界面推定モジュールを開発する。次に、分子糊を同時に生成し、三元複合体を組み立てるために必要な剛体変換を予測する界面条件付き三元フローマッチングネットワークを導入する。広範な実験により、TriGlueが化学的に妥当な分子を生成し、妥当な三元複合体を生成することが実証され、これは分子糊の発見を加速するための生物学に着想を得た生成モデリングの可能性を強調する。我々のコードは https://github.com/yuliangyan0807/molecular-glue-design で入手できる。
チャート画像、テーブルデータ、可視化コードが多様な領域でますます重要な役割を果たすにつれ、これらモダリティ間の表現横断的理解はAIシステムにとって根本的な課題を提起している。すなわち、表現間の関係は本質的に一対多であり、教師信号は曖昧でコストがかかり、モデル最適化にはタスク固有の目的を超えた、方向適応的かつ表現汎化可能な原理的な信号が欠けている。本稿では、チャート・テーブル・コード表現間の整合性を向上させるCoCoEvolveを紹介する。表現横断マッピングを一対多問題として扱うのではなく、明示的な一対一対応を定義し、追加のアノテーションなしに表現間の一致を用いてモデルを最適化する。訓練中はCoCoEvolve@Trainがチャート・テーブル・コードのサイクルにわたって共進化を行い、CoCoEvolve@Testは推論時に同じ整合性目的を適用してテスト時共同最適化を行う。また、6つの表現横断タスクすべてをカバーする評価スイートCoCoEvolve@Evalも提示する。4つのベンチマークを通じて、CoCoEvolveは訓練時およびテスト時の両方の設定で性能を向上させる。プロジェクトページ: https://xhguo7.github.io/CoCoEvolve/
プロンプトインジェクションはLLMエージェントに対して重大なセキュリティリスクをもたらす。したがって、これらのリスクを評価し、防御を改善するための訓練データを収集するために、効率的かつ効果的なレッドチーミングが不可欠である。既存の最先端のプロンプトインジェクションレッドチーミング手法は主に強化学習(RL)に依存しており、生成される攻撃者モデルは新しいターゲットLLMに対してうまく汎化しないことが多い。本研究では、プロンプトインジェクションレッドチーミングのためのエージェント型システムであるPIMinerを開発する。訓練中、PIMinerは(データセット、ターゲットモデル)のペアのシーケンスで訓練され、ゼロから戦略ライブラリを構築する。テスト時には、学習された戦略ライブラリを追加の訓練なしで、未見のターゲットLLMに直接転送できる。PIMinerは、テストサンプルごとにターゲットエージェントへの少数のクエリ(例えば10回)のみを必要とする。実験結果は、PIMinerが強力な性能を達成することを示している。IPIArenaでは、Gemini-2.5-Proに対して76.2%のASR、GPT-5.1に対して61.9%のASR、Claude-Sonnet-4.5に対して42.9%のASRを達成する。AgentDojoでは、Gemini-2.5-Proに対して86.7%のASR、GPT-5.1に対して53.3%のASR、Claude-Sonnet-4.5に対して40.0%のASRを達成する。
LLMと自律エージェントの進歩により、ディープリサーチは最も広く採用されているエージェント型プロダクトの一つとなっている。しかし、ほとんどのディープリサーチシステムは汎用レポートを作成するものであり、金融ディープリサーチには不十分である。金融リサーチでは、過去のパターンを分析し今後の出来事を予測するための専門知識が必要とされる。したがって、金融ディープリサーチの自動化には、研究エージェントを駆動する多層的なハーネスと、将来情報の漏洩を防ぐ検証可能な時点固定ベンチマークの両方が必要となる。我々は、金融向けツールと実務家主導のワークフローを実行するハーネスであるFinanceHarnessを提案する。これは、環境とデータの構築、エージェント実行ループ、報酬モデリングをエンドツーエンドで自動化するものである。さらに、テーゼ駆動型のリサーチクエスチョンと、情報カットオフ前後の基準を組み合わせたルーブリックから構成されるFinanceGymを提案する。専門家による検証では82%の合格率が得られた。主要なLLMやエージェントでさえルーブリックで40%未満のスコアにとどまり、FinanceGymが難易度が高く、改善の余地を大きく残していることを示している。同じオープンウェイトのバックボーンを用いた場合、FinanceHarnessはルーブリック全体のスコアを25.3%から32.4%に改善する。FinanceHarnessは、https://github.com/Yijia-Xiao/FinanceHarness で公開されている。
大規模言語モデルは、リポジトリの調査、ツールの呼び出し、テストの実行、障害のデバッグ、パッチの生成ができるコーディングエージェントとして、ソフトウェアエンジニアリングのワークフローにますます組み込まれている。しかし、ソフトウェア開発は、リポジトリが進化し、依存関係が変化し、テストが失敗し、修復の試みが再利用可能な経験を残すという、動的でフィードバックに富んだプロセスであるにもかかわらず、既存のエージェントのほとんどはデプロイ後もほぼ静的であり続ける。この緊張関係が、自己進化型コーディングエージェントに関する研究の増加を動機づけている。自己進化型コーディングエージェントでは、エージェントが以前のコーディングインタラクションからフレームワーク、メモリ、スキル、ツール、モデル、または協調構造を更新することにより、将来の行動を改善する。本調査では、この新興分野の体系的な統合を提供する。まず、自己進化型コーディングエージェントを定義し、それらを従来のコーディングエージェントや一般的な自己進化型エージェントと区別する。次に、これらのシステムで何が進化するかを特徴付けるオブジェクト中心の分類法を開発し、それを、進化がいつ発生するか、どのようなソフトウェア固有の証拠が進化を駆動するかという2つの直交する視点で補完する。文献全体を通して、実行可能なフィードバック、リポジトリレベルのコンテキスト、コーディングの軌跡は、エージェントの自己進化のための自然な領域としてソフトウェアエンジニアリングに独特の役割を与えつつ、フィードバックの信頼性、ベンチマークへの過適合、安全性、保守性、コスト、汎化における新たな課題も導入することを見出す。既存の研究をこれらの次元に沿って整理することで、本調査は自己進化型コーディングエージェントの概念的境界を明確にし、より適応的で信頼性が高く、ソフトウェアを認識するエージェント型システムを設計するための基盤を提供することを目的とする。収集した論文は https://github.com/zhouhao1024/Awesome-Self-Evolving-Coding-Agents で参照できる。
マルチモーダル大規模言語モデル（MLLM）は、視覚的およびテキスト的手がかりを組み合わせることで、実世界のシーンにおける根拠に基づく予測を行う。しかし、既存のベンチマークでは、これらの証拠源が衝突した場合にモデルがどのように調停するかを明らかにすることはほとんどない。本稿では、テキストと視覚の競合解決を評価するための制御された反事実ベンチマークであるSIGNPOST-Benchを紹介する。各ソース画像は、オリジナル、ブランク、類似、ランダム、敵対的の五つのバリアントからなる反事実五つ組に変換される。非テキストコンテンツを保持するように設計された合成的で局所的なシーンテキスト介入により、位置特定性能の変化と、競合するテキストによって導入される地理的ターゲットへの方向付けられたシフトのペア測定が可能になる。SIGNPOST-Benchは、4つのデータセットから5,111の反事実グループと25,555の画像バリアントを含む。我々は、7つのプロバイダーから20のMLLMを評価した。オリジナル画像と比較して、敵対的バリアントは、位置特定誤差の中央値を282 kmから1,347 kmへと4.8倍増加させる。ジオコーディング可能な敵対的サンプルのうち、モデル全体で予測の6.5〜20.1%が注入されたターゲットから50 km未満に位置し、評価されたすべてのモデルにおいて、ブランクから敵対的へのターゲット距離の平均ペア削減が正の値を示した。適合するテキスト置換、無関係なテキスト置換、競合するテキスト置換は、モデルの予測に異なる影響を及ぼし、クリーンな入力での位置特定性能は、競合するテキストに対する頑健性を完全には予測しない。これらの結果は、視覚的地理位置特定がシーンテキスト調停の連続的な診断手段として機能することを実証し、MLLMが競合するマルチモーダル証拠をどのように解決するかを評価するための制御された枠組みを提供する。
フローマッチングに基づく視覚・言語・行動（VLA）モデル、例えばpi0は、学習されたデノイジング速度場を積分することでロボットの行動を生成し、自己回帰型VLAを容易に欺く敵対的摂動に対して耐性を持つと報告されてきた。我々は、この頑健性がほとんど見せかけであることを示す。その原因は、従来の攻撃が多段階のデノイジングODEを無視していたことにある。我々は、DRIFT（Denoising Redirection via Input perturbation of the Flow-matching Trajectory、フローマッチング軌道への入力摂動によるデノイジングリダイレクション）を導入する。これは、ロボットのグリッパーに配置されるテスト時ユニバーサル敵対的パッチであり、既製のポリシーのデノイジング速度場を攻撃する。我々の中心的な発見は直感に反するものである：最初のデノイジングステップのみを攻撃することは、より広いステップ範囲を攻撃することよりも強力かつ低コストである。これは、入力空間最適化に特有の勾配の衝突によって説明され、トレーニング時のバックドア設定とは正反対である。pi0およびpi0.5において、4つのLIBEROスイートにわたって、DRIFTは小さな単一パッチで元々解けるタスクのほぼすべてを破壊し、行動空間および埋め込み空間における攻撃ベースラインをはるかに上回る。
実行状態を永続化することで、実行が中断され、クラッシュを生き延びて継続できるようにするフレームワークは、すでに発火したエフェクトに対して再開が何を意味するのかを決定しなければならない。広く導入されている5つのエージェントワークフローフレームワークはそれぞれ異なる答えを返すが、機械検証可能な契約を公開しているものはなく、その挙動は、彼らが明示している断片さえも侵害している。RESUME CONTRACT（再開契約）は、永続化APIに関する6つの性質（プレフィックス継続（prefix continuation）、エフェクトのexactly-once（effect exactly-once）、フォーク決定性（fork determinism）、チェックポイント妥当性（checkpoint validity）、consume-once（一度だけの消費）、回復決定性（recovery determinism））に加えて、フォーク意図（fork-intent）と活性（liveness）の義務を定める。TLA+モデルは、モデルを変更することなく、スケールアップした境界（740万状態）でも参照意味論を網羅的に検証する。39個のセルからなるフォールト行列は、独立性が要求する分離モデルを導出し、consume-onceは分離される。その消費条項は、他の6つすべてから独立している。決定論的でLLMを用いないハーネスが、固定されたリリースにおいてそれらを測定する。LangGraph 1.2.9は、2つ目の再開値を永続的に記録するが、その値を決して参照せず、スキーマに適合しない状態を黙って永続化し、実際のSIGKILL後に、永続化済みの作業を再実行する。つまり、単一のAPI上で、割り込みをまたぐ場合にはexactly-once、クラッシュをまたぐ場合にはat-least-onceとなる。CrewAI 1.15.2は、文書化された主張に反して、完了したエフェクトを伴うメソッドを再実行する。pydantic-graph 1.xは、ノード実行途中のクラッシュ後には再開できない。調査したフレームワークのうち、どの2つも適合プロファイルを共有しない。consume-onceは逐次的には成立するが、並行配送の下では失敗する。k個のプロセスが1つの待機中の割り込みを再開すると、ゲートされたエフェクトがk回発火し、40セル中36セルで飽和度1.0となり、その失敗はホストをまたぐ。REMITは、Verus検証済みのリカバリ中核部が製品版実行可能ファイルと行単位で同一である参照シーケンサであり、フォークセルと妥当性セルを修復する。プロセス間セルは読み出し経路で修復され、その修復は製品に含まれる。オプトインゲートが共有ストア内での消費を主張し、1つの競合プロセスにのみサービスを提供し、残りを、いずれのノードが実行するよりも前に拒否する。
AIモデルのレッドチーム評価は、一部の主張を支持し、他の主張は支持しない。そして、その境界は単なる判断の問題ではなく計算可能である。我々は、評価の証拠的上限を、固定されたテスト予算の下で一つの結果が信念を変化させ得る最大の倍率として定義し、ベンチマークの帰無結果についてその上限を閉形式で導出し、それを使ってその境界を正確に特定する。我々は、計算可能な危害率を上回る場合には、適度な規模のベンチマークがあるカテゴリが明示された証拠基準を満たすことを保証し、その場合には無失敗結果が、考え得る2つの観測のうち証拠としてより強い方となり、単一の再現された失敗を上回ることを見いだす。その率を下回る場合には、実行可能な規模のいかなる受動的ベンチマークも、固定されたスコアリングルールと近似的に独立な試行構造の下で、指定された安全性の証拠を提供しない。2つの領域の間の交差は閉形式を持つ。この限界はベンチマークに限ったものではない。手順の仮説条件付き引き出し率によって表せば、これは適応的および自動化されたレッドチーミングも同様に包含し、証拠的価値を決定するのは攻撃の成功ではなく仮説間の判別であることを示す。我々は、8つの評価スイートをこの境界と照合して監査し、現在のベンチマークが高頻度の危害カテゴリには十分である一方、稀で壊滅的なカテゴリについては数桁不足していることを見いだす。安全性ベンチマークは情報がないわけではない。それらは、特定かつ計算可能な命題の集合について情報を与えるものであり、それらに求められる規律は、どの命題についてのものかを明示することである。