EXPLORINEER
ja

注目のAI論文

Hugging Faceで推薦されたarXiv論文を、やさしい日本語で要約しました。

AIarXiv:2610.31329

WeVisOne-VL：オブジェクトからピクセルまでの統合視覚認識

著者らは、構造化された次トークン予測によってオブジェクトレベルとピクセルレベルの認識を統合する視覚言語モデル WeVisOne-VL を提案しています。特殊な <OBJ> トークンを介して軽量なピクセルデコーダをVLMに組み込み、インスタンス単位のピクセル出力を生成し、3段階のカリキュラムSFTと混合タスクRLで学習します。

推薦221

AIarXiv:2610.30949

IQuest-Q1：エージェント型CLIシステムのための基盤能力の向上

著者らは、総パラメータ320B（活性15B）のスパースMixture-of-Experts型エージェント基盤モデルIQuest-Q1を提示します。学習は3段階で構成され、コーディングデータの比率を高めた2段階カリキュラムによる安定した事前学習、文脈長を段階的に延ばす細粒度の中間学習、そしてSFT・ドメイン特化RL・MOPDを組み合わせたマルチスキャフォールド・マルチバージョンの事後学習です。その後、モデルマージを行います。

推薦53

AIarXiv:2610.30753

FilmFlow: 3D仮想映画撮影のためのエージェントシステム

著者らは、自然言語の指示や参照動画を動的な3D環境の明示的なカメラ軌道に変換するエージェント型フレームワーク FilmFlow を提案しています。Director エージェントが、並行して動作する移動・回転・フレーミングの原子的操作を組み合わせて高水準のカメラ動作を構成し、Interpreter、Scout、Critic の各エージェントが支援します。さらに、150のBlender シーン、750の文章指示タスク、60の参照動画からなる CinemaBench を公開しています。

推薦26

ロボティクスarXiv:2610.29997

DONIC：人間のデモンストレーションに基づく汎用両手器用追従制御

著者らは、複数の操作カテゴリと人間動作のソースを横断して共同学習した、両手器用参照追従のための単一の汎用ポリシーDONICを提案しています。あわせて、229個の物体にわたる1,575本の両手インタラクション系列からなる多視点データセットBiHOIを紹介し、再構成されたインタラクションをロボット参照へリターゲットしています。

推薦124

AIarXiv:2610.29989

先を見据えて：自己回帰型ビデオ生成における未来の変化のモデリング

著者らは、自己回帰型ビデオ拡散モデルの教師強制（teacher-forced）によるノイズ除去学習と同時に最適化される補助目的関数、Future Chunk Prediction（FCP）を提案しています。FCPは、間にある視覚的文脈にアクセスせずに、時間的に離れた未来のチャンクを予測し、学習用ビデオから直接教師信号を得ます。自己回帰推論は変更されず、追加の事前学習済み視覚エンコーダも不要です。

推薦108

AIarXiv:2610.27851

LaLa-World: 自然言語アクションによる潜在世界モデルのスケーリング

本研究は、ビデオ生成モデルの言語条件付きインターフェースを採用することで、JEPA型の潜在世界モデル(LWM)が多様なドメインとデータソースから学習できることを示します。数値アクションと視覚的変化の両方を言語で記述し、言語モデル上に未来予測器を構築するLaLa-Worldを提案し、異種データセットで単一の予測器を共同学習できるようにしました。事前学習済みモデルは、アクションと将来の視覚表現を同時に予測するLaLa-Policyの初期化にも用いられます。

推薦27

AIarXiv:2610.29722

検索拡張生成の合成性（Retrieval Augmented Generation Compositionality）

著者らは、制御されたRAG評価のためのオープンソースフレームワークLASAGNAを構築し、8つのベンチマークと5K〜200K文書規模のコーパスで450の構成を検証しました。埋め込み、チャンク化、検索、再ランキング、クエリ拡張、文脈圧縮、エージェント型検証を、個別ではなく組み合わせた状態で調べています。

推薦26

AIarXiv:2610.30320

World Action Modelのための自己蒸留による未来映像表現の学習

本論文は、単一のデノイジングステップから抽出される未来映像表現の品質を向上させるようWorld Action Model(WAM)を学習する枠組みFREDを提案します。FREDは自己蒸留を用い、ノイズから未来表現を予測します。その教師信号には実際の未来観測から抽出した表現を用います。さらに映像モデルを過去の観測で条件付けし、未来表現予測に時間的文脈を与えます。

推薦23

AIarXiv:2610.30113

Quant-Arena: 定量的トレーディング研究のためのLLMエージェントのベンチマーク

著者らは、実際のA株市場データを用いたエンドツーエンドの定量研究のためのベンチマークと公開リーダーボードを構築しました。モデルは2022〜2023年のフィードバックのみを受けて特徴量と銘柄スコアリングのコードを作成し、その後、取引制約・取引コスト・簡易板情報に基づく市場インパクトを適用する現金口座評価器によって、封印された2024年で1つの戦略を評価されます。

推薦21

AIarXiv:2610.29545

PACE：4ビット再帰状態の周期的・チャネル整列エンコーディング

著者らは、線形注意言語モデルの再帰状態を対象とする、事後適用型の4ビット量子化器PACEを提案します。PACEは生成トークンを数個ごとに一度だけ状態を丸めて、その間のトークンはバッファに保持します。また、gated-deltaの状態で大きな値が列方向にまとまることを利用し、列ごとに量子化スケールを共有します。誤差を最も長く保持するヘッドは8ビットのままにします。

推薦19

AIarXiv:2610.28402

StreamEval：インタラクティブなストリーミング動画生成モデルの評価

本研究は、インタラクティブなストリーミング動画生成のための統一ベンチマーク StreamEval を提案します。アバター対話、アバターパフォーマンス、ワールド生成、指示編集、参照編集の5つのタスクにまたがる300件のスクリプト化されたテストケースを含み、4つの評価次元にわたる10のタスク固有指標で採点します。

推薦330

AIarXiv:2610.28577

エージェントのためのキャッシュエンジニアリング

本論文は、LLMエージェントが軌跡を書き換えたり再プリフィルしたりすることなく、アクティブなKVキャッシュを直接制御できる「キャッシュエンジニアリング」を提案する。選択したキャッシュをアテンションから除外（drop）し、保持されたキーの位置エンコーディングを調整（repos）できる。これを実装したAKVサービングエンジンは、ステートレスなインターフェースを提供しつつ、内部ではステートフルなキャッシュの再利用、退避、復元を管理する。

推薦111

AIarXiv:2610.28698

ゲームにおけるスケーリング：多様な仮想世界の身体性エージェントのための継続事前学習

本研究は、身体性ゲームエージェントのための継続事前学習（CPT）を、データ量、データの多様性、モデルサイズの3軸にわたる120の構成で統制的に検証します。学習済みの世界から未知の世界まで、3段階の検証損失とゲームプレイのベンチマークで評価し、経験的なスケーリング則を当てはめています。

推薦46

AIarXiv:2610.28889

Policy-Mask: 予算を考慮した拡散特徴の識別タスクへの適応

本研究は、固定された拡散モデルから、指定されたチャネル予算の下でタイムステップ、ブロック、チャネルサブセットを同時に選択する、予算条件付きポリシーPolicy-Maskを提案します。チャネルスコア項を部分集合の要素数で正規化し、3つのポリシーヘッドが同程度のスケールで更新されるようにします。さらに、PixArt-ΣやSD3.5 MMDiTなどのDiffusion Transformerへの適用も示しています。

推薦43

AIarXiv:2610.28416

Code2Video-Compass：T2V、I2V、V2Vにわたる汎用コードベース動画生成のための包括的ベンチマーク

著者らは、実行可能なコードを書いて動画を生成するCode2Video-Compassベンチマークを構築し、テキストから動画(T2V)、画像から動画(I2V)、動画から動画(V2V)の各設定を対象としています。2,104のタスクが10カテゴリ・24サブタイプにわたり、12の客観的指標と、MLLMジャッジによる5つの主観的指標で評価されます。

推薦24

ロボティクスarXiv:2610.28589

AgenticRoboRL：コーディングエージェントの事後学習をエージェント型ロボティクスへ

本研究は、異なるロボットハーネス間でロボットプランナーを事後学習するためのフレームワーク AgenticRoboRL を提案します。教師あり微調整とマルチターン強化学習を組み合わせ、ハーネス固有のアダプタによって、VLAスキル呼び出しと制御コード生成の両方に共通のRL学習パイプラインを適用しつつ、実行コンポーネントは固定します。

推薦20

AIarXiv:2610.30181

実世界のWeb環境におけるディープサーチ

著者らは、ライブのオープンWeb上で多段階のディープサーチを評価するOpenDSタスクを提案しています。エージェントは複数の独立した情報源から証拠を見つけ、アクセスし、統合して一意の事実的な答えに到達する必要があります。さらに、多様なモダリティ、ファイル形式、対話的アクセス要件を含む200タスクのベンチマークOpenDS-Worldを構築し、証拠の妥当性と答えの一意性を人手で検証したうえで、統一されたツール環境で12の最先端モデルを評価しました。

推薦149

AIarXiv:2610.26828

Agent World Model in the Wild: コンピュータ操作エージェント向け環境合成

著者らは、GUI、MCPサービス、コマンドラインインターフェースを横断する、制御可能で実行可能なコンピュータ操作環境とタスクを合成するスケーラブルなパイプラインWildAWMを提案します。このパイプラインは完全にオープンソースモデルで動作し、解決可能性、難易度、検証器の信頼性を確保するための実行ベースの品質ゲートを備えています。

推薦64

AIarXiv:2610.26233

Heartbeat Thinking：リアルタイム音声エージェントにおける、聞いている間の投機的推論とツール実行

本研究では、ユーザーが話している最中から推論とツール呼び出しを開始する音声エージェント手法Heartbeat Thinkingを提案します。音声の更新ごとに生成を打ち切るのではなく、定期的なThinker呼び出しが最新の部分的な文字起こしと、完了した推論・ツール結果の共有記録を読み取り、既存の呼び出しと実行中のツールは完了させます。

推薦18

AIarXiv:2610.19705

RouteWeaver: モード選択と実行を統合したLLMルーティング

本論文は、単一ラウンド、マルチラウンド、エージェント型のルーティングモードを1つのLLMポリシーに統合し、どのモードを使うか、そのモード内でどのモデルを選ぶかを同時に学習するRouteWeaverを提案します。学習には、軌道レベルのアドバンテージをモード選択とモード内実行の信号に分離するCOMET-GRPOと、外部指定のモードから自律的な選択へ段階的に移行するprogressive explorationを用います。

推薦17

AIarXiv:2610.25100

Deep Fusion Memory: 大規模言語モデルのためのチャンク単位パラメトリックメモリ

著者らは、先行文脈からメモリを生成する因果的メモリ予測器を学習し、コーパスから検索したチャンク埋め込みを教師信号として用いる Deep Fusion Memory(DFM) を提案しています。予測されたメモリはチャンク内のトークン間で共有され、ゲート付きクロスアテンションによって隠れ状態に融合されます。バックボーンは凍結されたままで、推論時に明示的な検索は不要です。

推薦39

ロボティクスarXiv:2610.23479

HexaShell：ロボットコーディングエージェントとしてのVLMエージェントの限界を探る薄いハーネス

本論文は、コンピュータではなくロボットを制御する視覚言語モデル（VLM）のコーディングエージェントがどこまで行けるかを検証します。エージェントはコマンドラインから二腕ロボットを操作し、較正済みの3台のRGBカメラを見ながら、失敗するたびに三角測量と平面交差で物体位置を求める小さなツールを書き直します。ツールは課題ごとに10配置で構築して固定し、新たな10配置で評価します。

推薦84

AIarXiv:2610.23121

Scene-Designer: エージェント型3Dシーン生成のための設計知能の学習

著者らは、3D屋内シーンの設計と批評の両方を学習するエージェント型フレームワークScene-Designerを提案し、設計経験と批評経験を含む2つの新しいデータセットを構築しました。さらに、Criticが導くGRPOの変種であるScene-GRPOで学習させることで、より良い設計判断を行い、試行錯誤による修正を減らしています。

推薦40

AIarXiv:2610.23181

長期的エージェント強化学習のための木構造対応事後蒸留

著者らは、共有プレフィックスから代替continuationを分岐させ、終端報酬をターン単位のクレジットへ逆伝播し、各クレジットを有界で閉形式の教師分布に写像する、クリティックフリーの枠組みTreeOPSDを提案します。この教師と学生方策の間の発散を最小化することで方策勾配の方向が回復され、逐次的なミニバッチ更新が有限の目標付近に抑えられます。

推薦27

AIarXiv:2610.23542

実行が先、記憶は後：ビデオワールドモデルの記憶失敗の診断

著者らは、シーンが設定されたか、要求された変化が実行されたか、最終フレームに結果が表れているかを切り分けて評価するメモリテストMISTを提案します。続いて、指示の詳細を再帰的に修正し、凍結されたモデルが要求された変化を実行できるようにするM3-Agentを提案します。

推薦19

AIarXiv:2610.23230

RAP：人手で作成された見本からの宣言的マークアップによる論文からポスター生成のためのデータセット

著者らは、機械学習の学会（2022～2026年）における検証済みの論文-ポスター対を25K超含むデータセットRAPを構築しました。各人手作成ポスターは、差し替え可能なスロットを持つスタイル付きHTML/CSSに変換されています。さらに、150本の論文からなる保持型ベンチマークを公開し、学習不要のマルチエージェント手法PosterRAG（見本を検索して各スロットを埋める）とSFT+RLモデルの2通りの方法でこのコーパスを活用しています。

推薦19

AIarXiv:2610.23787

DLite：エージェント型AIのための履歴フリー投機的デコーディング

本研究は、ターゲットモデルの隠れ状態を再利用し、増え続ける過去の文脈を保持せずに局所的な予測を行う、エージェント型AI向けの投機的デコーディング・フレームワークDLiteを提案します。軽量な逐次ヘッドがブロック内の因果依存関係を復元し、このヘテロジニアスな構造を学習するために専用の2段階学習戦略を用います。

推薦18

AIarXiv:2610.23194

OfficeTown：進化するエージェント知能のための生成的組織

著者らは、組織の目的と活動に関する自然言語の記述から、シミュレートされた専門組織を生成するフレームワーク OfficeTown を紹介します。組織のメンバーは業務を調整し、範囲の決まった課題をアシスタントエージェントに委任し、成果物をレビューします。成果物、決定事項、未解決の案件は持続し、後続の業務に影響を与えます。研究チームは、これらの業務依頼、文脈、レビューのフィードバックを OfficeTown Bench と学習データに整理しました。

推薦16