Archive
Agent、MCP、coding agent、工作流自動化與評測。
代理工具
CalibForgeは、実行可能な合成問題をすべて残すのではなく、異なる解答エージェント間で所定の成功・失敗関係が生じるまでタスクを繰り返し修正する。キャリブレーション軌跡でファインチューニングした2つのモデルは、3種類のコーディングエージェント・ベンチマークすべてで性能が向上したが、フルパラメータ学習には64基のH20が必要で、一部の評価は1回しか実施されていない。
AI 安全
新ベンチマークは4種類の対照的なコンテキストを用い、モデルが証拠を正しく評価しているのか、それとも外部情報を一律に無視しているだけなのかを判別する。SCOPEはDPOの選好データ構成のみを変更し、正解・無関係コンテキストでの精度を維持しながら、誤情報による回答反転を抑える。
時間序列與檢索增強
Baiduの研究者らは、RAGをテキスト生成から多変量時系列予測へ応用した。TCNで類似セグメントを検索し、クロスアテンションで融合する。チャネル間依存関係を組み込んだバージョンは、6つのデータセットで掲載されたベースラインを上回った。一方、コードはまだ公開されておらず、使用された従来型ベンチマークについても、保守担当者が識別力を失っている可能性を警告している。
最新模型
拡張版Low Frequency Trapは、プログラム可能な2,190本の動画を用いて、イベント数と頻度を分離して測定した。Gemini 3.6 Flashのボール衝突回数の計数精度はサンプリングの増加に伴って向上したが、タイムスタンプ系列のF1は逆にわずか3.7％だった。
最新模型
新たな研究は、反実仮想クロップを用いて6つのオープンモデルを検証し、「ツールを呼び出すこと」と「ツールの返却内容が実際に回答を変えること」を区別した。正の増益の大半は、適切に較正された少数の軌跡に集中しており、最終精度だけを見ると視覚ツールの能力を過大評価する恐れがある。
代理工具
EnvACEは訓練時に外部環境へ問い合わせず、同一の方策がツールアクションと想像上の環境応答を交互に生成する。実行可能な訓練環境を構築する必要性を低減する一方、シミュレーションの誤りもエージェントのパラメータへ直接取り込まれる。
硬體
MicroEvoは、プロセッサ設計の知識、Pareto木探索、過去のPPAフィードバックを組み合わせ、より少ないシミュレーションで性能・消費電力・面積のトレードオフを探索する。最大36.2%のhypervolume向上はシミュレーション上の設計空間で得られたものであり、実チップの改善と同一視することはできない。
推論系統
PaDocは、レイアウト系列と各領域のコンテンツでページ接頭辞を共有し、並列デコードを行うことで、ページ全体を単一の系列として処理することを回避する。2.1BモデルはOmniDocBenchで総合スコア94.24を維持したが、性能値は単一GPUと特定のスケジューリング設定に基づく。
3D 生成與具身 AI
iARCSはまず屋内シーン生成器の衝突と歩行可能性を改善し、その後、自然言語による要件を実行可能な報酬関数へコンパイルして、第2段階の強化学習を行う。3D-FRONTでの実験では、幾何学的指標においてMiDiffusionを上回ったが、新しい要件ごとにLoRAを個別に訓練する必要があり、著者らはまだ実装を公開していない。
代理工具
Ai2は、実際の数学個別指導のトランスクリプト462件を基に再現可能な評価を構築し、モデルに「足場かけを提供する」か「生徒に深い推論を求める」かを選択させた。両者のトレードオフを明示すると7つのモデルすべてで性能が向上したが、生徒のシミュレーションとモデルによる採点だけでは、実際の学習効果を証明できない。
代理工具
成功デモンストレーションは、エージェントが迂回して到達した状態に必ずしも適用できず、無条件に完全な軌跡を与えると、正しい行動の確率が下がることさえある。SMRC-SDは、状態とデモンストレーションのステップに互換性がある場合にのみ自己蒸留シグナルを追加し、ALFWorldとWebShopの双方で完全パスのベースラインを上回った。
代理工具
新たな分析により、Google ERAはシーズン終了後に統合されたデータでバックテストを行い、CDCモデルの予測時点ではまだ利用できなかった改訂情報を事実上取得していたことが判明した。データがほとんど改訂されていない場合、両者のWISは同程度であり、AI予測ベンチマークでは各時点で利用可能だったデータのバージョンを保存する必要があることを示している。