代理工具
GAUGE、1,560回の実世界実験でシミュレーターと動画世界モデルを検証――単独で全面的に勝るエンジンはなし
GAUGEは物理エンジンと生成世界モデルを同一の実測ベンチマークで評価し、軌跡、方程式の形式、物理パラメータの観点から誤差を個別に診断した。その結果、映像がもっともらしく、方程式の形式に適合していても、加速度、運動量伝達、振動周期が正しいとは限らないことが示された。
Archive
全ニュース
技術ニュース 1539 件
代理工具
代理工具
MIST、4種類のペア条件で「選択的信頼」を検証――誤誘導情報により23モデルのスコアが平均17.1ポイント低下
MISTは、モデルが誤ったプロンプトに抵抗できるかだけでなく、正しい外部情報を引き続き取り入れられるかも検証する。関連手法のSCOPEは、Qwen3-4Bの正答から誤答への転換率を35.0%から16.3%に低減したが、現時点で訓練による検証が完了しているのは、2つの小規模なオープンモデルファミリーに限られる。
代理工具
プログラマティックなツール呼び出し、14モデル中11モデルでJSONと同等以上、長いチェーンタスクでは18.8ポイント差
新たな研究では、API schemaを型付きPython stubにコンパイルし、モデルが1回の推論でツール呼び出しを連結または並列実行できるようにした。この手法はBFCL v4のサブセットにおいて、大半のモデルでネイティブJSONと同等以上の性能を示した。ただし、現時点で検証されたのは引数をそのまま返す模擬ツールのみであり、実際のAPI workflowでも同様の効果が得られるとはまだ証明されていない。
最新模型
GeniWorld、ロボットの動作を視覚条件としてレンダリング――合成データで実機成功率を69.0%に向上
GeniWorldはまずURDFを用いて関節動作をピクセル単位で整合したロボット運動へ変換し、その後、因果DiTによって環境の応答を予測する。著者らは4つの実機タスクにおいて、全体の成功率が40.8%から69.0%へ向上したと報告しているが、コードとモデルの重みはまだ公開されていない。
最新模型
2,190本の制御動画が明らかにしたVLMのカウント限界：サンプリングフレームを増やしてもイベント軌跡の正確性は保証されない
新たな研究は、最終的なカウントだけでなく、実行可能な時間軌跡を用いて動画モデルを監査した。Gemini 3.6 Flashはイベント数と頻度がともに高い領域で正答率がわずか0.2%にとどまり、実際のイベントの18.1%しか検出できなかった。
代理工具
HarnessOpt-Bench、エージェントハーネスの最適化をベンチマーク化――モデル選択の影響はcoding harnessの約1.8倍
HarnessOpt-Benchは、固定された評価予算内でモデルにプロンプト、ツール、メモリ、制御フローを変更させ、非公開テストセットで実際の改善幅を測定する。111件の実験では、モデル自体による差が外側のcoding harnessによる差を上回った一方、ネイティブツールが一貫して優位とは限らなかった。
代理工具
TrajDebugがエージェントのエラーライフサイクルを追跡、失敗診断により再実行の成功率が平均10.8%向上
TrajDebugは、エージェントの軌跡で最初に発生したエラーをそのまま根本原因とは見なさず、エラーが修復されたか、最終結果に影響を残したか、復旧予算を消費したかを追跡する。チームが人手でアノテーションした486件の軌跡で検証したところ、診断結果をプロンプトに変換することで、同一タスクの再実行成功率が平均10.8%向上した。
最新模型
新研究、Adamが行列分解の対称性を破り、同一の関数でも異なる注意表現に収束し得ると指摘
研究は、Adamと低ランク復元の差異を、座標ごとの前処理器が gauge equivariance（ゲージ同変性）を持たないことに帰着させた。公開実験では、機能的に等価な2つの初期化をAdamで学習した結果、注意機構の不変量に56%の差が生じたが、この結論は大規模モデルの事前学習ではまだ検証されていない。
最新模型
DASH、推論軌跡に応じて蒸留重みを動的に配分——Qwen3の3モデル規模すべてで固定重みベースラインを上回る
DASHは、各tokenにおける教師—学生間の差異を一律に扱わず、生成軌跡全体に基づいて監督を前方へ伝播させる距離を調整する。著者らは3つの数学ベンチマークで安定した性能向上を報告し、訓練コード、評価パイプライン、LoRA重みも公開した。
Reasoning Core 以 50 種程序生成器擴充監督資料，3B 模型 DROP F1 由 33.1 升至 41.7
Reasoning Core 用可執行評分器、難度控制與短答案格式產生數學、規劃、形式證明及程式題。匹配訓練實驗顯示它優於三套程序資料集，但作者也在外部資料庫發現生成器與評分器不一致。
代理工具
36,710件のGitHubプロジェクトから見つかったAgent Planはわずか85件、大半は長期保守される文書ではない
新たな研究は、常設のAGENTS.mdと単一タスク向けのAgent Planを区別し、計画が公開バージョン履歴にどのように取り込まれるかを調査した。サンプルは少数のプロジェクトに大きく集中しており、「計画を協働成果物として扱う」実務が、依然として初期段階かつ不安定であることを示している。
代理工具
Meta、Muse Codeを発表：永続バックグラウンドエージェントとイベントログで長時間のコーディングタスクを支援
Muse CodeはMuse Spark 1.2をターミナルエージェントとして提供し、隔離されたGit worktree内で大規模コードベースを並列処理できる。追記専用イベントログによりプロセス中断後も状態を再構築できるが、性能値は依然として主にMeta自身が提示したものだ。