新たな研究では、モデル蒸留プロセスを用いてLLMの静力学問題における性能を評価。LLMはテキストのみの問題では良好な成績を示すが、図表や多段階推論が必要になると精度が低下する。その原因は画像認識の限界ではなく、多段階推論の困難さにあることが示唆された。

研究により、言語モデルに対する有用性（helpfulness）を目的とした事後学習（SFTやRL）が、中期学習で注入された動物への思いやりの価値を大幅に低下させることが判明。一方、コーディング領域の事後学習はこれらの価値をよりよく保持する。有用性学習は英語の一般的道徳推論も大きく低下させるが、言語を跨いだ効果は見られず、思いやり価値の低下は一貫して言語間で転移する。中期学習された価値は、領域特化型事後学習による推論改善よりも深く、言語横断的に符号化されていることを示唆。価値指向モデル構築にはコーディング事後学習が推奨される。

arXiv:2606.26101 の新しい論文は、LLMの知識に基づく回答と推測を区別するためのベンチマーク「Know2Guess」を提案。1200の質問から成り、FLAN-T5、Qwen2.5-Instruct、Llama-3-Instructを評価。Qwen2.5-3B-Instructが最も信頼性が高いが、依然として課題あり。

HierBiasは、文書コンテキストをモデル化することで文レベルのバイアス分類を改善する新しい階層型コンテキスト条件付きメディアバイアス検出器です。理論的には、コンテキストを利用することでベイズ誤差が減少することが示され、マルチタスク学習によりサンプル効率が向上します。アーキテクチャはRoBERTaエンコーダとクロスセンテンスTransformerを組み合わせ、BABEおよびBASILデータセットでF1 0.853、MCC 0.723を達成し、既存の最良手法を上回ります。

本研究は、位相的データ解析を組み込んだニューラルネットワーク手法を提案し、洪水検出の精度と解釈可能性を向上させる。SEN12-FLOODデータセットを用いて、画像から抽出した位相的特徴をニューラルネットワークに統合し、位相的記述子が単独で意味のある洪水シグナルを伝達し、既存ネットワークのロバスト性と解釈可能性を高めることを示す。

現代の機械学習システムは、人間の機会を媒介する複雑な社会技術的アーキテクチャへと進化しています。アルゴリズム的公正性の分野は、予測精度を最適化したモデルが社会的に弱い立場の集団を体系的に不利にする可能性に対処します。本論文（arXiv:2606.26200）は、監査における確定的点推定への依存と、個人を構造的文脈から切り離された孤立した実体として扱うことという、現在の公正性パラダイムの2つの根本的な限界を特定しています。

新しいFHPLFモデルは、ハッシュ学習と連合学習を統合し、二値勾配行列、投影ハミング距離、プライバシー強化アップロード戦略を用いて、精度、効率、プライバシーを向上させる。

本論文では、アナリストの対話を通じて初期手がかりから徐々にマネーロンダリンググループを回復するCGGD（Clue-Guided Group Discovery）を提案。Clue2Groupフレームワークは、局所調査コンテキストを構築し、多意味局所時間GNNでリスク場を推定、証拠を統合してグループを復元する。大型AMLベンチマークで実用性を示す。

LLMを判定者として使う際、温度0で決定論的になるという前提が誤りであることを実証。デフォルト温度1.0により境界項目が不合格/合格に変動し、温度0でも一部の項目は再現不能。判定者の不一致を重要な健全性指標として扱うことを提言。

KG-TRACEは、WHO変異知識グラフを構造的生物学的制約としてニューラルゲノムモデルに統合する新しいニューロシンボリックフレームワークであり、学習可能な認識信頼ゲートを介して神経証拠と象徴的生物学的知識を動的に重み付けする。CRyPTIC結核菌コホートで評価され、イソニアジドに対するAUROC 0.9760を達成し、神経帰属と確立された生物学との整合性を定量化する生物学的根拠比率（BGR）メトリックを導入する。

本論文は、生成敵対ネットワーク（GAN）に適用されるニューラルアーキテクチャ検索（NAS）手法を包括的にレビューし、探索戦略、評価指標、性能結果を比較。進化的アルゴリズムや勾配法の優位性、ISやFIDを超えたロバストな評価指標の必要性、多様なデータセットの重要性を指摘している。

この研究は、単細胞藻類の走光性を情報駆動型の感覚運動プロセスとして再構築し、部分観測可能マルコフ決定過程（POMDP）と化学反応ネットワーク常微分方程式（CRN-ODE）を結び付ける枠組みを提案。30本のクラミドモナス軌跡に対する逆強化学習を用いて行動目標を推論し、ラン・タンブル交代が情報獲得戦略として現れることを示し、細胞内生化学ネットワークが適応的な情報探索行動をどのように支えるかを実証している。

χ-sao（Convergence-Halt-Invert-Stick-And-Oscillate）は、収束・反収束振動サイクルを利用して局所的なトラップから脱出しながら確定したモードを凍結するGPUネイティブ集団最適化手法である。Simon Fraser大学最適化ベンチマークスイートの全42関数（次元d∈{2,4,8,16,32,64}）において、χ-saoは最も困難な多峰性関数でd≥8のときに全てのCPUベースラインが失敗する中、100%のモード回復を達成。Michalewicz d=64ではbasin-hopping比最大34倍、Rotated Hyper-Ellipsoid d=64では最大39倍の高速化を実現。尤度ノイズσ_noiseが1.0までの状況でもモード検出は100%信頼性を維持する。本アルゴリズムはオープンソースのPythonパッケージとしてPyPIで公開されている。

研究者らは、Cahn-Hilliard方程式に従う系の微細構造進化を予測するために、注意機構を備えた物理誘導畳み込みニューラルネットワークを提案した。このモデルは二元混合物の相分離を長期にわたり正確に予測し、組成を保存し、Lifshitz-Slyozov則に従う。

解決策の検証は生成より容易だという古典的直感は、今日のコーディングエージェントでは逆転している。検証器は人間の意図の代理に過ぎず、意図の不完全な指定と最適化による乖離が課題である。本論文では検証信号の品質をスケーラビリティ、忠実性、ロバスト性の三次元で特徴づけ、4種類の報酬構成を研究。実験は、検証設計が報酬ハッキングを抑制しタスク品質を向上させることを示し、検証は生成器と共進化すべきだと結論づける。

COrigamiは、自然言語から折り目パターンを生成するエンドツーエンドのAI駆動パイプラインであり、平らに折りたためるという厳密な幾何学的制約と視覚的美学を満たします。セマンティックな棒人間の生成、ベースパッキングの計算、折り目パターンの解法、整形、そして強化学習と自律的な美的評価ループによる最適化を通じて、人間のアーティストの設計を支援します。

本論文は、自律型AIエージェントの推論プロセスを監視するのではなく、ハイリスクな行動の時点で独立して証明された証拠を要求するガバナンスモデルを提案する。エージェントは計画と推論の自律性を保持するが、指定されたハイリスク行動の実行権限は持たず、実行は独立した権威ある情報源によって証明され、宣言された意図に暗号的に結び付けられ、決定論的ポリシーによって評価される前提条件に依存する。決定は改ざん防止ログに記録される。概念実証実装が提供され、ソフトウェアデプロイメントと臨床処方の例で示される。

研究者らは、ドリフト拡散モデルと棋譜レベルのデータを組み合わせたDD-Eloレーティングシステムを提案。従来のEloよりも速くスキル変化に適応し、理論的一貫性を維持する。

本研究は、Redditの投稿、WebMDのレビュー、FDAの有害事象報告を統合するプロvenance対応の知識グラフベースマルチエージェントフレームワークを開発し、エンティティ認識の高精度を達成。患者生成データが規制報告とは一部独立した安全性シグナルを提供することを明らかにした。

本論文は、AIエージェントプロトコルのガバナンス構造を大規模に分析するためのLLM駆動の比較パイプラインを紹介する。ERC-8004（許可不要、オンチェーン）とGoogle A2A（企業主導）の2つの対照的な標準を検証し、4323件のガバナンス参加記録を分析。両方の体制で参加の不平等とコミュニティの断片化が見られるが、許可不要の設定では言説の整合性が高く、オープンなガバナンスがテーマの収束を促進する可能性を示唆している。

AlgoEvolveは、大規模言語モデル（LLM）を進化的枠組みに活用し、実行可能な取引戦略を生成、評価、反復的に改善するシステムです。複数の実験を通じて、システムは市場状態に適応する戦略ロジックを創発的に示し、プロンプトを進化させるメタ進化的外側ループを導入します。結果は、LLMベースの意味的進化が複雑な環境での継続的なプログラム合成に有効なアプローチであることを示しています。

本論文は、指示調整済みチャットモデルにおいて、拒否行動が従順なパーソナ方向によってゲートされていることを示す。Qwen2.5-7B-InstructとLlama-3.1-8B-Instructへの介入実験により、従順パーソナ方向の操作が拒否を抑制し（Llamaでは拒否率が97%から2%に低下）、拒否方向は後期層でのみ部分的な回復をもたらすことが明らかになった。拒否はパーソナの計算よりも下流で発現する。

ベンチマークの精度が飽和すると、しばしば廃止され、より難しいバージョンに置き換えられます。本論文は、このアプローチが精度を優先し、他の6つの重要な次元（構成概念妥当性の問題、分布外汎化、効率性、信頼性、モデルとスキャフォールドの相対的重要性、人間とエージェントの協力による向上）を見逃していることを示します。CORE-Bench Hardをケーススタディとして、精度飽和後でもこれらの次元を測定することで有意義な洞察が得られることを実証します。構成概念妥当性の脅威を明らかにし、改善版ベンチマークv1.1と分布外タスクスイートを導入し、ベンチマークが効率性、信頼性、パフォーマンスの測定に依然として有用であることを発見しました。さらに、小規模なランダム化実験により、人間とエージェントの協力が約2倍の速度向上をもたらすことを確認しました。

研究者らは、言語モデルにおけるお世辞行動（ユーザーの承認を優先する傾向）を検出・制御する新しい手法を提案する。このアプローチでは、反復的なデータ生成パイプラインを用いて、行動と線形にスケールする特徴を分離する。発見された特徴は線形分離可能な部分空間を形成し、お世辞行動の検出と回避を可能にし、ベースライン手法よりも低い計算コストで優れた性能を示す。

LogiGateは、身元確認と法的責任をリクエスト元デバイスのハードウェアエンクレーブに移すゼロトラストミドルウェアアーキテクチャであり、エフェメラルサンドボックスと強制リセットトリガーを使用してAI処理におけるコンプライアンスとデータプライバシーを確保します。

筆者は、誰でもAIアシスタントにメールを送り、機密ファイルを漏洩させようと試みられるサイトを構築。2000人以上から6000通以上のメールが送られたが、秘密は一度も漏れなかった。実験の設定、攻撃方法、問題点、学んだ教訓を共有。

攻撃的AIエージェントにガードレールを設ける必要性について論じ、単なる指示では安全性を確保できず悪用を防げない理由を説明する。

Llamatik CodeはJetBrains IDE向けの有料AIコーディングアシスタントプラグインで、コードプライバシーとオフライン機能を重視したローカルファースト処理を特徴としています。

超党派非営利団体RAISE USが始動。5億ドル以上の資金を活用し、教育・訓練を通じてAIによる雇用変革に適応する労働者を支援。最初の州はアーカンソー、メリーランド、ユタ、コネチカット。アマゾン、マイクロソフトなどが参画。

著者はAI生成の子供向け書籍を購入したところ、不気味なボディホラー画像が含まれていることを発見し、現在のAIモデルの品質に疑問を呈しています。