オーストラリアのアンドリュー・チャールトン技術担当副大臣は、AIモデルが「不正行為、欺瞞、勝手な行動」を示していると警告し、連邦政府のAI安全研究所が最新モデルのテストを開始した。

NVIDIAとHugging Faceは、ヒューマノイドロボット向けのNVIDIA Isaac GR00T 1.7モデルとIsaac TeleopフレームワークをLeRobotに統合し、さらにNVIDIA Cosmos 3の追加も計画しています。これらの統合により、開発者はロボット開発のためのよりアクセスしやすく標準化されたパスを得られ、オープンロボティクスコミュニティの革新を促進します。

テンセントのHyチームがHy3を公開。295BパラメータのMixture-of-Expertsモデルで、トークンあたり21Bパラメータのみを活性化。Apache 2.0ライセンスで提供され、256Kのコンテキストウィンドウを備え、推論、エージェント、長コンテキストタスクを対象とする。SWE-Bench Verifiedで78.0を記録し、幻覚率を低減。OpenRouterで2026年7月21日まで無料トライアル可能。

LLMの核心メカニズム（次トークン予測、バックプロパゲーションによる学習、ロジットとソフトマックス、温度パラメータの影響、出力の確率的性質）を深く掘り下げます。モデルが幻覚を起こす理由、チェーン・オブ・ソートプロンプティングが精度を向上させる仕組み、モデルが「知っている」ことの実際の意味について説明します。

sqlite-utils 4.0rc4 は 4.0 安定版リリース前の最後のリリース候補であり、主に Claude Fable 5 による詳細なレビューからのフィードバックを実装しています。

この記事では、アゼルバイジャン語のような低リソース言語向けのリアルタイム音声AI構築の課題を探り、エンドツーエンド音声モデル（OpenAI Realtime、Gemini Live）とカスケードパイプライン（LiveKit、Pipecat、Vapi）を比較し、障害モード、コンポーネントの可用性、評価チェックリストを提供します。

2026年5月のインタラクティブレポートで、オーストラリアの一般保険ブランドのAI検索可視性を分析し、2つのブランドを直接比較できます。

ThariqによるFableモデルの講演を要約：モデルの束縛解除、未知の発見、感情的变化への対応、卓越性の追求。さらに、AIニュース：Tencent Hy3オープンソース、エージェントベンチマーク、AnthropicのJ-Spaceグローバルワークスペース、推論効率、世界モデル、音声技術など。

OpenAIはAPIに2つのRealtimeモデルを追加しました。gpt-realtime-2.1とgpt-realtime-2.1-miniです。ミニモデルはリアルタイム音声向けの小型推論モデルで、従来のgpt-realtime-miniと同じ価格です。また、キャッシュの改善によりp95レイテンシを少なくとも25%削減しました。本稿では、変更点、価格比較、WebRTCを介した接続方法を説明します。

本論文は、縦方向の速度や加速度が変化する状況に対応したロバスト非線形横方向制御フレームワークを提案する。既存の定速仮定やパラメータ不確かさの問題を解決するため、追従誤差モデルを導出し、フィードバック線形化と2つのロバスト制御手法（リアプノフ再設計と増分非線形動的逆変換）を用いる。シミュレーションと実車テストにより、追従精度とロバスト性が確認された。

本論文は、プロセスおよび計測の不確実性を伴う連続時間確率システムに対するサンプリングベースの動作計画を扱い、安全性と性能に関する確率的保証を提供する。ロボットのダイナミクスを連続時間線形確率微分方程式でモデル化し、センサ計測は離散時間に行われる。計測間では連続時間常微分方程式により信念が進化し、計測時には離散カルマンフィルタ更新が行われるハイブリッド信念伝搬モデルを導出する。安全性確保のため、信念障壁関数に基づくセグメントレベル確率的検証を導入し、従来のノードベース検査では見逃されるサンプル間の確率的制約違反を検出する。この手法をRRTおよびSSTプランナに統合し、複数のベンチマーク環境で評価した結果、高い成功率とロバストな確率的制約の達成を示し、特に狭い通路において離散時間手法が失敗する状況でも有効である。

DREAMSTEERは、事前学習された視覚-言語-行動（VLA）ポリシーを展開時にファインチューニングなしで導くフレームワークです。潜在世界モデルと価値モデルを利用し、候補アクションをサンプリング、想像、ランク付けすることで、タスク成功率と指示追従精度を大幅に向上させます。

本研究では、アナログ回路の差動増幅器に着想を得た新しいアテンション機構AmpAttentionを提案し、マルチビューロボット操作におけるアテンションドリフトを抑制する。これに基づくRVAFモデルは、18のRLBenchタスク（249バリエーション）で最先端の平均成功率を達成し、トレーニング時間を33.3%削減。拡張版RVAF++はSAM2画像エンコーダを統合し、「ピグ挿入」タスクで91%の成功率を達成。本論文はIROS2026に採択された。

CLEARは、エンドツーエンド自動運転向けに強化学習を用いたクローズドループトレーニングシステムを提案する。事前学習済みVLAモデルから残差ウェイポイントポリシーを学習し、異種パイプラインでシミュレーション環境を拡張することで、CARLA longest6 v2とBench2Driveで最先端の性能を達成した。

TACOは、接触を伴う操作におけるスケーラブルなVLA後訓練のための触覚認識世界モデル駆動フレームワークである。認識-想像-ラベルのループにより、実際の失敗を想像上の視覚-触覚修正に変換し、基本ポリシーと比較して44%の絶対成功率向上を達成する。

本論文では、単一の近位トランスデューサーで完全に読み取る金属超音波導波路を分散型触覚センサーとして調査する。実験により、力と反射/透過係数比の線形関係、および力に依存しない材料分類パラメーターを実証した。接触位置特定、力推定、材料識別を同時に実現し、システム複雑性を低減する。

研究者らは、2軸ジンバルで4つのローターシステムを独立に可動させる可変型クアッドローターMorphQuadを発表。全方向への推力ベクトル、大域安定性、超人的な機動性・操作・回復力を実現。多回転回転、バルブ操作、パーチング、風外乱除去などを実演。

EVA-Clientは、実ロボット上での訓練済み操作ポリシーの展開、データ収集、評価のためのオープンソースフレームワークです。ポリシーサーバーと物理ハードウェアの間に位置し、ポリシー反復ループの実ロボット段階を単一のコードベースに統合します。コンポーネント分離アーキテクチャ、デバッグ・収集・評価のワークフロー、評価をデータ収集として活用する機能を備え、主要なリアルタイム推論戦略を統一された設定インターフェースの下に統合します。

本論文は、ロボットポリシー評価におけるワールドモデルを体系的に研究し、実ロボットのテレオペレーションデータとポリシーロールアウトから構築されたベンチマークWMBenchを導入。7つのビデオワールドモデル、4つの行動表現方式、32万4千以上のシミュレーションロールアウトを分析し、評価者の品質は長期・行動忠実な一貫性に依存し、事前学習には汎用知識とロボット固有の制御可能性のバランスが重要であり、アーキテクチャの選択が実世界との整合性を決定づけるという3つの洞察を得た。これらに基づき、GigaWorld-1モデルを実装し、コード、モデル、データセット、ツールキットを完全公開した。

拡散モデルにおける注意のダイナミクスを探索するためのビジュアル分析フレームワークを提案。定量的測定とデータ駆動型の段階識別を統合し、60プロンプトのベンチマークで解釈可能なパターンを明らかにし、人間とAIの協力を支援します。

本論文は、離散潜在表現を利用したエントロピー符号化MS-VQ-VAEフレームワークを提案する。UCF101データセットで0.043-0.064 bppの動作を実現し、H.265と比較して5～7.6倍少ないビット数で知覚品質を上回る。

DH-Activeは、LiDARをメートル定規として扱う軽量で学習不要のジオメトリバックエンドです。近距離のLiDAR戻り値をPnPでアンカーし、有効な深度がない視覚的特徴を三角測量します。視差/再投影ゲートが幾何学的条件の悪い領域で棄権し、明示的な穴と選択的スコアを残します。コアフロントエンドはCPUで1.11ミリ秒の中央値レイテンシで動作し、DINOv2-L GPUブランチより約38倍高速です。ベンチマークでは、中央値相対誤差1.4%～6.7%を達成し、遠方候補のカバレッジ64.2%（誤差13.4%）を実現しました。

本研究では、現実的な都市形態における歩行者レベルの平均風速を効率的に予測する2段階U-Netフレームワークを提案する。UrbanTALESデータセットで訓練されたモデルは、ベースラインU-Net（M1）でパッチごとに風速場を予測し、インペインティングに基づく改良U-Net（M2）で境界の不連続性を除去する。実験結果は平均速度と空間変動を合理的に再現する一方、最大速度は過小評価される。このフレームワークは高解像度の歩行者レベル風速予測のための効率的な代理モデルを提供する。

この研究は、海洋生息地間で視覚システムを移行する際のラベル付け作業と認識精度のトレードオフを定量化する意思決定フレームワークを提案する。ベンチマークは5つのデータセット、3つの海洋、3つの分類群（魚類、サンゴ、無脊椎動物）をカバーする。凍結された自己教師あり基盤特徴（DINOv2 + 線形分類器）は、新たなサイトで信頼できる認識のために1種あたりわずか10～20枚のラベル付き画像で十分であり、アノテーション作業を約1桁削減することがわかった。

糖尿病性足潰瘍（DFU）セグメンテーションの深層学習モデルは、ドメイン内データでは高い精度を報告するが、臨床ソース間での汎化能力は未評価である。本研究では、U-Net、DeepLabV3+、SegFormer-B2の3つのアーキテクチャを厳密なプロトコルで比較し、TransformerベースのSegFormer-B2が外部データセットで最も高い汎化性能を示す一方、モデルの複雑さは汎化の保証にならないことを見出した。

本研究では、Depth Anything V2とフォトメトリックマスクを使用した信頼性考慮型単眼深度監視手法を提案。SplatfactoにおいてPSNRが14.903から15.932に向上、RMSEが0.542から0.100に低減し、信頼できる低誤差領域の選択が効果的であることを示した。

この研究では、解釈可能な機械学習を用いてQSMとfMRIの特徴からパーキンソン病の運動重症度を予測し、最良のモデルは分散の45.4%を説明し、75%の予測誤差が5点以内でした。

ビデオマルチモーダル大規模言語モデルは、グローバルな意味理解では進歩しているが、局所的な時空間知覚に欠ける。DELTAVIDは、クロスビデオの「違い探し」を訓練可能な知覚信号に変換し、DELTAVID-10KデータセットとDELTAVID-Benchベンチマークを導入する。実験では、複数のビデオ理解ベンチマークで性能向上を示し、モデルを粗い意味理解から細粒度の時空間エビデンス推論へと導く。

VulcanVoxelは、3D占有場に対するマスク付きオートエンコーダを用いて空間アフォーダンスを学習する手法であり、ロボットが散らかった布製ビン内でブレード挿入のための実行可能な領域を発見できるようにする。人間による注釈なしで10,000件の実際の倉庫収納エピソードで訓練され、最良の姿勢ベースベースラインの0.71に対してトップ5カバレッジ0.89を達成。蒸留された学生モデルにより、推論時間が1.4秒から30ミリ秒に短縮された。

クロスリンガル検索拡張生成（RAG）では、エビデンスが英語である場合に言語ドリフトや信頼性の低いエビデンス使用が問題となる。本論文では、報酬最適化と学生の訪問プレフィックスに対するオン方策蒸留を組み合わせた教師正則化RL手法TR-RAGを提案し、報酬分解を導入することで、複数のベンチマークで言語一貫性とエビデンスに基づく正確性を大幅に向上させる。