低精度強化学習、品質を保ちつつ5.4倍高速化 — アリババ TRACE
アリババの TRACE は、学習とロールアウトの「丸め誤差のズレ」を直接縮めることで、FP4 強化学習において BF16 並みの品質を保ちながらロールアウトのスループットを最大5.4倍に引き上げた。4種類の MoE で実測。
実行する前に選ばせよ — AIエージェントの本当のボトルネックは「選別」だった
候補となるコマンドを複数生成し、実行する前に一つだけ選ぶ。成否を分けたのは候補の数ではなく、それを見極める検証器の質だった。
翻訳しながら自らを修正する:シーズン全体の字幕で一貫性を保ったSMART
ドラマを1シーズン通して翻訳すると、同じ呼称が話数ごとにブレてしまう。SMARTはモデルを再学習させず、翻訳の途中で作業のやり方自体を修正し、15の翻訳方向すべてで1位を獲得した。
料理が失敗したら誰のせい? すべての役割をともに鍛えるFloWright
設計者だけを教えていたマルチエージェントのワークフロー。FloWrightは実行ログに残った失敗を役割ごとに切り分け、すべての役割をまとめて強化学習させることで、4Bモデルの精度を平均+5.03%ポイント引き上げた。
AIに記憶の「書き方」を教えてみたら——綱引きが始まった
数百時間の映像を短い文章の記憶へ圧縮するMemLife、そしてその「書き方」だけを強化学習で鍛えたMemOpt。精度は上がったが、読む側が賢いほど、その上乗せ分は縮んでいった。
オンポリシーが万能ではなかった — 蒸留の明暗を分けたのはKLの向きと学習率
ケンブリッジの研究チームが、オンポリシー蒸留の優位性を統制実験で検証した。最終性能を左右したのはロールアウト方策ではなくKLの向き、そして忘却と疎性を決めたのは学習率だった。
OneStreamer: 過去をメモに残し、現在を曇らせずに記憶する動画AI
南京大学などが公開したストリーミング動画AI「OneStreamer」。見た場面を自らキャプションとして書き留め、過去を動画そのものではなくメモとして持ち運ぶことで、4Bという小ささでベンチマーク8つすべてを制した。
AI PMの「完了しました」をどこまで信じるか
「完了しました」という言葉ではなく、その横に添えられた確認の根拠と、まだ終わっていない項目を見よ。納期短縮の依頼ひとつを追いながら、AI PMの報告を根拠までたどる運用法を整理した。
モデルにラベルを貼るだけでAIは派閥を作る ― 「派閥主義」の発見
エージェントに互いのモデル系列を教えたところ、同じラベル同士で群れる「派閥主義」が生まれた。2つの協力ゲームと推論ベンチマークで測定し、ラベルを隠すだけでそれは消えた。
計画を最初にすべて決めないディープリサーチエージェント、同じ条件で精度が高くコストも低かった
全体の計画をあらかじめ固めず、終わったタスクの結果を見ながら少しずつ計画を広げていくディープリサーチAIエージェントが登場した。同じ条件での比較で、精度を上げつつトークン・ツール呼び出し・ステップ数をいずれも減らした。
同じAIを3回走らせたスコアのほうが、別々のAIどうしよりも大きくブレた — BIABench
公開済みの生物学研究をタスクとして蘇らせたBIABench。2Dはクリアしたが、奥行き・時間が加わった一部のタスクは最高点が0.19にとどまり、同じエージェントの再実行によるばらつきがエージェント間のばらつきを上回った。
出力はそのまま、コーディングエージェントの応答生成だけを最大4.76倍に — KAIST AgSpec
KAISTのAgSpecは、コーディングエージェントが答えを書き下ろす区間だけを加速する。greedy条件では出力を一切変えず、従来の最速手法より平均18.0%速かった。