話しながら考える: リアルタイム音声AI StepAudio 3 Realtime 徹底解説
StepAudio 3 Realtimeは「話している最中に内側で推論する」構造により、リアルタイム音声対話の応答速度と深い思考を両立させようとする音声言語基盤モデルである。
AIが言葉の代わりに内部表現をやり取りするとき、チームの安全性が揺らぐ
マルチエージェントがテキストではなく内部表現を交換する「潜在通信」において、エージェント本体はそのままに接続リンクだけを手直しするだけで、チーム全体の安全性が揺らぐというCISPAの研究。
100回学んでも忘却を大きく抑える方法:継続学習メカニズムの組み合わせ
言語モデルが100個のタスクを順番に学習する際の破滅的忘却を、3種類のアンカーとマージLoRAの組み合わせで最終記憶率を1.2%から34.9%へと28倍に高めた研究を解説します。
Atria Dawn論文解説: エージェント超知能と、人間に残された役割
744BのMoEを土台にしたエージェントモデルAtria Dawn Previewを、16のベンチマークと自己開発過程769件の記録から読み解き、AI PM製品への示唆を整理する。
世界モデルでAI研究エージェントを3〜4倍高速化:WMRL論文解説
実験の実行を「世界モデル」で置き換え、RL学習のボトルネックを取り除いたWMRL。4B・9Bのエージェントが48B・120Bを上回る。
Gander — 途切れなく対話しながら働く全二重AIシステム
テンセント・浙江大の研究陣が開発したGanderは、リアルタイム対話モデル(Cerebellum)と別個の推論バックエンド(Brain)を組み合わせ、発話の途中で割り込み・聞き返しができるフルデュプレックス・エージェントを実現する。
AuK: 音声を作り、直すオープンソース音声基盤モデル
自然言語の指示ひとつで音声生成から編集・復元までを統合したオープンソース基盤モデルAuK。ハイブリッドなrectified-flow構造と蒸留によって4ステップ推論まで実現した仕組みをわかりやすく解説します。
自己改善するAIエージェントに「手綱」をかける — Google RRSI
自らの手足を修正するAIエージェントは練習課題への過学習に陥りやすい。GoogleのRRSIは自己改善に「正則化」をかけ、初見の問題でも実力を保ちつつコストまで削減した。
RULER: 正解のないSVG生成に「採点ルーブリック」で報酬を与える方法
正解画像が存在しないSVG生成タスクにおいて、指示文ごとに6項目の採点ルーブリックを自動生成し、それを強化学習の報酬として使うRULERを読み解く。
作業はするのに終わらないAI、「思い込みの罠」を断ち切るPoS
長時間タスクでエージェントが止まらないのに前進しない「思い込みの罠」。PoSはエージェントの現在の判断を表に取り出して検証し、罠にはまれば引きずり出す。
ロボットスキルが「どこで通用するか」まで組み合わせ器に引き継ぐ — APPL論文解説
スキルを学習させた構造的仮定を、組み合わせ段階のインターフェースとして再利用するAPPL。スキル汎化と組み合わせ汎化を一本につなぐアイデアを読み解いた。
エージェントはデジタル世界をすでに知っている — 眠った知識を呼び起こすEVOKE
LLMエージェントが新しい環境で崩れるのは知識がないからではなく引き出せないからだと捉え、同じ場面に目標だけを変えて問い眠った知識を呼び起こす事後学習手法EVOKE。