コーディングAIはロボットエンジニアになれるのか — RLE-Benchという資格試験
ハーバードとジョージア工科大の研究陣が、コーディングAIのロボット開発力を51課題で測った。上位モデルの優位には「見る目」が効いていそうで、設計の安定性マージンという一つの指標では全モデルが0点を取った。
映像はそれらしいのに文字は間違える — 文字描画を測るVTR-Bench
映像生成AIが画面内の文字をどれだけ正確に描けるかを300のプロンプトで測定したベンチマーク。最高性能のモデルでも正規化した編集エラースコアは0.250にとどまり、映像がもっともらしいことと文字が正確であることは別物だった。
ロボットはできる、ただ指示の仕方を知らなかっただけ
ロボットはすでにできるのに、やらせる方法がなかった。身体は固定したまま『報酬プログラム』という指示書だけを進化させ、提案は言語モデルが、判定は手を触れられない検証器が担い、成功率を2.5倍に引き上げる。
ソフトウェアをインストールせずにGUIエージェントを教える — AutoGUIWorldを読み解く
ソフトウェアを実際に動かさず、画像生成モデルでGUIエージェントの学習データを合成した。この疑似データで、本物のコンピュータ操作・科学タスクの性能を引き上げた研究。
コードで動くロボットエージェント：トークン65%削減、成功率14%向上
ロボットエージェントがツールを一つずつ呼び出す代わりに、Pythonコードで行動をまとめて実行したところ、同じ呼び出し予算のもとで成功率は63.1%→71.7%に上がり、トークンは65%減った。
AIエージェントの作業枠組み(ハーネス)を自ら進化させるMILO
モデルを取り巻く実行枠組みである「ハーネス」を人の代わりに自動で探し出し、その探索戦略そのものまで一緒に進化させるフレームワーク。3つのベンチマークで既存の最高設計を上回った。
GraphForge: 実務特化型AIエージェントを「本物のファイル」で訓練する方法
実際の業務ファイルから課題と採点基準を同時に抽出する「証拠グラフ」方式。2,169件の学習トラジェクトリで、Qwenモデルの3つの業務ベンチマークのスコアをいずれも引き上げた。
コーチが練習メニューを組み替えるように、エージェントの「学ぶ題材」も一緒に進化させる
エージェントを改善するとき、「何で学ぶか」を最初の順番に縛りつけておくと損をする。直し方だけでなく練習メニューまで一緒に進化させれば、同じ予算でもっと良くなる。
試していない道も採点する: Dream-RSI
Dream-RSIは過去の探索記録を巻き戻し、試していない戦略までその記録の上で再び走らせ、低コストで採点する。
エキスパート統合の落とし穴:「誰が教えるか」より「どれだけ強く」が重要だった(DN-MOPD)
数学・コーディング・指示追従のエキスパートモデルを一つに統合するマルチ教師蒸留で、フィードバックの「強さ」をドメインごとに正規化すると性能が向上したという Qwen3.5 実験の分析。
相互作用で空間を学ぶVLM、Spatial-Interactor徹底解説
静止画像ではなく「観察→行動→観察」という相互作用の軌跡を使い、視覚言語モデルの空間推論を3段階のカリキュラムで学習させたSpatial-Interactor論文の解説。
エージェントの「目利き」を測る: The Tasteful Agent 論文を徹底解説
長期タスクのなかでエージェントが下す分岐点の選択能力を「目利き(taste)」と定義し、それを自動ベンチマーク(Taste-Bench)で測定・学習させた研究を、分かりやすく解き明かす。