本論文は、正確性、簡潔性、事実整合性、可読性、一貫性の5つの次元を統合した多因子スコアリングフレームワークを提案し、グラフィカルユーザーインターフェースによる結果の可視化を備えています。TruthfulQAデータセットでの評価により、主流のLLMは推論タスクで高い性能（複合スコア最大0.6104）を示す一方、複雑な事実や曖昧性の処理に限界があることが明らかになりました。このフレームワークは透明で適応性が高く、将来的には多言語領域への拡張が期待されます。

大規模言語モデル（LLM）は、文脈がアフリカ系アメリカ英語（AAE）であっても、標準アメリカ英語（SAE）の続きを系統的に好み、AAEをSAEに書き換えることが示されました。著者らは、条件付き方言群不変性（cDGI）やアクティベーションステアリングを用いたバイアスの監査と軽減のためのエンドツーエンドフレームワークを提案します。また、最大の実AAE並列コーパスREAL-AAEを公開しました。

本研究では、任意の微分可能な自動音声認識（ASR）モデルに適用可能な、勾配ベースの汎用的な音声テキストアライメント手法を提案する。トレーニングやモデル修正は不要で、CTC、トランスデューサー、アテンションエンコーダデコーダ、音声大規模言語モデルを含むすべてのモデルファミリで動作する。入力グリッド上でアライメントを行い、従来のエンコーダグリッドよりも高精度。16モデルでの評価では、特にストリーミングモデルでネイティブアライメントより優れているが、トークンごとに1回の逆伝播が必要。

本論文では、強化学習のポリシー勾配法を用いてTransformerベースのマスク言語モデルを最適化し、eコマースの広告見出しを自動生成する手法を提案する。この手法は、出品者が宣伝したい複数の商品を同時に考慮して見出しを生成し、重複指標と品質監査の両方で既存のTransformerやLSTM+RL手法を上回る。監査によれば、モデル生成の見出しは文法と創造性の両面で人間が作成した見出しを凌ぐ。

大規模言語モデル（LLM）は医学的質問応答ベンチマークで有望な結果を示しているが、幻覚や公的ガイダンスの急速な進化により公衆衛生での使用は制約される。検索拡張生成（RAG）は明示的に維持されたコーパスに回答を基づけることでこれらのリスクを軽減するが、エンドツーエンドの性能は検索設定と多肢選択以外の評価に大きく依存する。本研究はPubHealthBenchを検索拡張設定に拡張し、検索と生成の選択を体系的に評価。ハイブリッド検索が一貫して再現率とランキング品質を向上させ、検索コンテキストの提供が多肢選択精度を大幅に向上させることを示した。自由形式回答評価のためのルーブリックベースのLLM-as-a-judgeも導入。

本論文では、自動音声認識と機械翻訳を用いてテキスト書き起こしを生成し、クロスモーダルトランスフォーマーにより音声と多言語テキスト特徴量を統合するマルチモーダル手法を提案する。知識蒸留により、推論時の計算負荷を増やさずに音声のみのモデルの性能を向上させる。

TSFフレームワークは、LLMをオフラインで使用してタスクセマンティックフィールドを構築し、変数セマンティクスを統合して時系列予測を強化。オンラインLLMのオーバーヘッドはなく、平均MAEが6.4%削減。

この研究は、注意機構におけるスコア行列のスペクトル特性が位置符号化によってどのように影響されるかを調査します。7つの事前学習モデルを分析し、RoPEでは前トークンヘッドが回転スペクトルを示す一方、絶対位置符号化とALiBiではそうでないことを発見しました。動的分析ではスペクトルシグネチャが行動後に現れ、因果実験ではスペクトルチャネルは必須ではないが禁止すると形成が遅れることを示します。

Inertia-1は、1820万時間以上の加速度計データを用いたウェアラブルモーション基盤モデルの完全オープンな探求プロジェクトです。データ選択、モデル選択、トレーニング選択を体系的に研究し、15のデータセットで評価しました。人間活動認識、歩行凍結検出、疾患予測などのタスクで汎化性能を示し、実用的なレシピを提供します。

連合学習におけるラベル偏りはクライアントドリフトを引き起こし、グローバル精度を低下させます。合成データ拡張はこの不均衡を軽減できますが、完全なクラスバランシングには多大な計算コストがかかります。本論文ではFedEASを提案します。これは各クライアントに、ローカルラベル分布から計算されたエントロピー適応型のクラス別生成予算を割り当てるポリシーです。この予算は、各クライアントがどれだけ生成するか、およびサンプルの行き先を共同で決定します。総生成予算は事前に固定されるのではなく、クライアントごとの予算から決まります。FedEASは完全なクラスバランシングの精度向上の大部分を回復しつつ、生成予算を94.1%削減します。同じ総生成予算で、CIFAR-10およびCIFAR-100において均一割り当てよりも最大18.82%優れています。

STAGformerは、線形複雑度でグローバルモデリングを実現する時空間エージェントグラフトランスフォーマーであり、NYC Citi-BikeとChicago Divvy-Bikeのデータセットで最先端手法を上回る性能を示した。

本論文は、期待リターンとダウンサイドリスクを同時に最適化する多目的信頼性ベースのポートフォリオ最適化フレームワーク（MORP-DRL）を提案する。分散、CVaR、EVaRの3つのリスク指標を組み込み、GARCHや極値理論で市場不確実性をモデル化し、実用的制約下でPPOを用いる。10のグローバル株価指数でNSGA-IIを上回る性能を示す。

D2PO（動的直接選好最適化）は、タイムステップスケジュールとCFG重みを含む拡散サンプリングポリシーを最適化するフレームワークです。低NFEの学生サンプラーが高周波テクスチャの忠実度を犠牲にするという教師-生徒回帰の限界に対処します。最適化をエネルギーベースモデルと動的選好を用いた選好アライメントとして再定式化することで、より良い知覚品質を実現します。低NFE制約下で回帰スケジューラを凌駕する実験結果が示されています。

NESTは、データセット内の異なる動作レジームを無教師クラスタリングで特定し、レジーム指向の混合エキスパートアーキテクチャを用いて長期予測を行うフレームワークです。ベンチマークで最先端の性能を達成しました。

創薬における限界共形予測は不均衡データセットでマイノリティクラスのカバレッジを著しく低下させることが示され、クラス条件付き（Mondrian）共形予測がこれを修正する。

TriRouteは、各トークンと各層においてアテンションモード、エキスパート選択、KVキャッシュビット幅を協調的に決定する軽量な統合コントローラであり、同等の計算・メモリ予算下で独立最適化を上回る性能を発揮します。

arXivの研究によると、AIエージェントは暗黙の社会的規範を定量化しないため、人間との動的協調に失敗することが多い。研究者らは歩行者-車両インタラクション実験から、結果予測可能性、価値整合性、優位性認識の3つの原則を特定。これらをLLMに組み込むことで、閉ループタスクのスコアが約4倍に向上し、人間同士の協調を43%上回った。

本稿では、大規模行動モデル（LBM）を提案する。これは、統一された人物-環境定式化を通じて、大規模な小売トランザクションから直接顧客の意思決定を学習する。履歴購入から行動プロファイルを構築し、検索拡張生成で製品コンテキストを統合する。継続事前学習、教師あり微調整、検証可能な報酬による強化学習で訓練され、購入予測、バスケット補完、プロモーション応答などのタスクで汎用言語モデルを凌駕する。アブレーション研究により、継続事前学習が行動汎化の主な原動力であり、強化学習が明示的な行動証拠への依存を改善することが示された。

研究によると、オーケストレーションレイヤー（ハーネス）を最適化することで、モデル自体に焦点を当てるよりも、企業エージェントAIの運用コストを大幅に削減し効率を向上できる。実験では、Writer Agent Harnessを使用すると、タスクあたりのコストが41%削減、時間が44%短縮、トークン消費が38%減少し、品質は同等またはわずかに向上した。

本論文は、LLM推論とSageMathによる検証可能なフィードバック、Context7の最新ドキュメントを組み合わせたReActスタイルのエージェント設定を提案。RealMathベンチマークで研究レベルの数学問題を評価し、平均9.7ポイントの性能向上を示した。GPT-5.5が75.2%の最高解決率を達成し、Qwen 3.7-Maxが最大の恩恵を受けた。ICML 2026第3回AI for Mathワークショップに採択。

研究者らは、Explorer-Definer PipelineとReflective Orchestratorという2つのコスト効率の良いエージェントアーキテクチャを提案し、ARC-AGI-1ベンチマークでそれぞれ57.50%と67.25%のpass@2を達成、タスクあたり0.25ドルと0.62ドルのコストで、ベンチマーク固有のトレーニングや大量のテスト時計算を必要としません。

QANTISは、量子プロセッサをキャリブレーションされた信念更新サービスとして扱い、事前分布と観測モデルを受け取り、稀なイベントの証拠項を推定し、事後分布を古典的プランナに返します。本論文は、IBM Heronハードウェア上のTiger POMDPを用いて、このサービスが逐次決定に再利用可能かどうかを検証します。全ステップ固定点増幅（FPAA）は8ステップと12ステップで事後分布を維持し、20ステップと32ステップの制御も同じ動作帯域内にありました。すべての決定チェックにおいて、ハードウェア事後分布と正確なベイズ事後分布は同じ即時動作を選択しました。

研究者らは、エージェントベースモデリング（ABM）における人間の意思決定を予測するために大規模言語モデル（LLM）を活用するスケーラブルなHybrid Agent-based and Language-driven Epidemic（HALE）モデリングフレームワークを提案し、ユタ州ソルトレイク郡でのCOVID-19シミュレーションを概念実証として行った。

本論文は、大規模言語モデルにおけるコンテキスト内検索を推論トレース上の近似推論としてモデル化し、理論的に分析する。反射が初期の誤りを確実に特定できる場合、コンテキスト内検索は指数関数的な改善をもたらし、多項式回の逐次試行で非常に低いゼロショット通過率の問題を解決できる。一方、その性質が満たされない場合、並列サンプリングに対する漸近的な利点はない。また、これらの利点は頑健で学習可能であり、強化学習における最適ポリシー拡張とも関連する。

AgentLens は、インタラクティブなコーディングエージェント向けのプロダクションアセスドベンチマークであり、指示追従、ツール使用、自己検証、エラー回復、コミュニケーションなど、エージェントの全軌道を評価します。形式検証とLLMによる軌道レビューおよび比較を組み合わせ、スコアの理由を説明可能にします。モデルの行動診断、バージョン比較、回帰検出に有用で、オープンソースとして公開されています。

中国は大規模な高等教育改革を実施しており、2021年から2025年にかけて12,200の学士課程プログラムを廃止・停止し、約10,200の新プログラムを導入した。学部課程の30%以上が影響を受けた。背景には若年失業率の高さ（16～24歳の非学生で16.9%）と国家の技術戦略がある。人文科学、芸術、外国語などの「時代遅れ」とみなされたプログラムが大幅に削減され、人工知能、ロボット工学、半導体工学などの分野が優先されている。米国の財政難によるプログラム削減とは対照的に、中国の改革は政府主導で戦略的にリソースを再配分し、高等教育を国の経済目標に合わせるものである。

Figmentはテキストで会話できるパーソナルAIで、好奇心を持ち、積極的にあなたを助ける方法を見つけながら、友達のように感じさせます。独自の24時間稼働のコンピュータとブラウザを持ち、友達による2週間のテスト中に多くの魔法のような瞬間が生まれました。

米国にはデータセンターを稼働させる十分な電力があるが、必要な場所に電力を届けることが問題である。電力網への接続待ち時間が2005年の20ヶ月から2023年には55ヶ月に延び、AI開発の主要な障害となっている。市場メカニズムは有効に機能するが、送電網の計画が遅れている。

本記事では、AIによる自動化が安価な労働力の輸出に依存する貧困国の経済発展モデルを脅かす可能性について論じています。農業から製造業、サービス業へと至る歴史的な発展の梯子を振り返り、製造業の雇用が発展途上国でより早期にピークを迎えていることを指摘します。ITやコールセンターなどのサービス輸出もリスクにさらされており、新卒採用の減少などの初期兆候が見られます。安価な労働力は一時的に競争力を保つかもしれませんが、急速に低下するAIコストが最終的にその優位性を排除し、貧困国に成長の道筋を残さなくなる可能性があります。

本記事では、2026年現在のCharacter AI代替アプリを徹底比較。Polybuzz、Chai、Silly Tavern、Swerve、chatbrat.aiの長所短所を解説し、chatbrat.aiが個性、記憶、ソーシャルアーケード体験で優れている理由を紹介。