LLMシミュレーターはどこでボロを出すか — じゃんけん実験
統制実験において、LLMは行動の頻度こそうまく当てたが、過去に応じて次の手を決める順序ルールを復元し、守り続けることには弱かった。二手前まで遡って見なければならないルールで、特に大きく崩れた。
三度考えるAI：文章ではなく判断を書き直す決定モデルSanSi
一文字も書かずに同じ層を何度も通し、判断を書き直す決定モデルSanSi。構造をそろえた非ループモデルより13.5ポイント高い72.0%の精度を出した。
メッシュを編集可能なCADへ戻すエージェント、CADFather
古い3D形状(メッシュ)を編集可能な設計図へよみがえらせる自律エージェント。一つのツールに頼らず、複数のツールと候補を指揮し、追加学習なしで動作する。
良い画像は一つのスコアでは捉えられない — 画像AIを引き上げる報酬の組み合わせ方
一つのスコアだけを追いかけると、本当の品質はかえって頭打ちになる。Arena・UCLAの研究陣が、性質の異なる報酬を安定的に組み合わせてオープンソースの画像AIを引き上げたレシピを読み解く。
プロセスを採点したら答えが良くなった — OneSearch-VL
正解だけを見るのではない。「どこを見て、どんな根拠で答えたか」まで採点するOneSearch-VL。このプロセス採点を報酬に加えたところ、ベンチマーク平均が57.3から61.1に上がった。
止まっていた3Dワールドを無限に動かす — OuroWorldを読み解く
静止した3Dシーンを、マスクなしで無限にループする映像へと変えるOuroWorld。ループが数学的に保証され、複数視点で生成した映像のズレまで吸収する。
SparseEngine: 長いエージェント対話を「忘れる」設計で作り直した推論エンジン
異なる15種類のスパース手法を一つのエンジンに収めたSparseEngineが、長いエージェント対話の遅さにどう切り込むのか、そして「何を忘れるか」がなぜ私たちの宿題として残るのか。
絵に印をつけて、短く書く — VibeEditのキャンバス編集
画像のなかで「どれ」を言葉で指し示すのが難しいという問題を、絵の上に描く丸や矢印の印と短いメモで解くVibeEdit。丁寧な説明文を与えられた既存の編集器よりも、二つの指標の両方で高いスコアを出した。
モデルはそのまま、手順だけを直す:X線分析エージェントGan Jiang
言語モデルを再学習させることなく、分析の失敗を次のサンプルにも使える「手順」へと変えて積み上げていくX線回折エージェント。組成情報がなくても、従来最強の手法を大きく上回った。
手伝ってもらってもまだ遠い — 自律エージェントの「確認を仰ぐべき決定」を選り分ける
長時間の自律タスクで、人間が確認すべき重大な決定を根拠つきで選り分ける研究。根拠をグラフでつなぐとモデルの指摘精度は上がるが、最高性能のモデルでもまだ先は長い。
きれいに描けるのに、見当違いに描く — RISEBench++が浮き彫りにした編集AIのボトルネック
編集AI 58種を競わせたRISEBench++ — 首位モデルですら、すべての評価軸で満点を取れた課題は56.6%止まり。画質ではなく、指示の推論が足を引っ張った。
成功だけを思い描くロボット世界モデル、その楽観を抑えた方法 — DreamTrue
成功シーンだけを学習したロボット世界モデルは、手が空振りしても成功したかのように予測する。DreamTrueは失敗をわざと想像させて採点する後学習によって、自身の初期バージョンの相互作用の不具合率48%台を6%台まで下げた。