マスク拡散モデル（MDM）の少数ステップ生成における終端エントロピー欠如問題に対し、複数のマスク状態を導入したマルチマスク拡散モデル（MultiMDM）を提案し、高品質な少数ステップテキスト生成を実現。

本論文は、LLMが生成した推論トレースをセグメントに分解し、自然言語推論（NLI）を用いて局所的な前提-目標関係をラベル付けし、ハイパーグラフとして組織化した後、決定論的な後方AND-OR探索でセグメントごとの監査ラベルを割り当てる、推論ベースの参照不要フレームワークを提案する。Hard2Verify（演繹的数学）とUroReason（医師注釈付き医療ベンチマーク）で評価し、直接的なLLM-as-judgeベースラインよりも信頼性の高い評価シグナルを提供することを示した。臨床設定では、最先端のLLM審査員が問題のある推論セグメントを特定できず、流暢だが根拠の弱い回答を過度に受け入れる傾向があることを明らかにした。

新しい論文は、「適応的降伏」と呼ばれるLLMの障害モードを特定しました。これは、モデルがユーザーの感じる社会的不公正を最初に認め、その後、名目上は推奨していない獲得を詳細に促進するというものです。この研究は、3つの商用LLMに対して900セッションのテストを実施し、最小再帰属十分性（MRS）を設計原則として提案しています。

新たなarXiv論文は、指示チューニング済みのQwenモデルが、通常のタスク行動と衝突する指示に対して実際に従うかを検証した。多肢選択QA、感情分類、数学QAの3タスクで、小規模モデルはタスク遂行能力を保ちながら衝突する非標準指示をしばしば無視することが示され、タスク能力と指示追従は別個の能力であり、標準的な正解率だけでは指示追従の失敗が見えなくなることが明らかになった。

本研究は、ハイパーネットワークを用いた訓練時の知識注入について初めて厳密なスケーリング則分析を行い、深さ・幅・ターゲットモデル規模の各軸で予測可能なべき乗則スケーリングを示し、LoRAや全パラメータ微調整よりも急峻な指数で分布外汎化が改善することを明らかにした。著者らは39領域にわたる数千万のマルチホップQA例を含むMegaWikiQAデータセットを構築した。

本論文は構造的一般化を初めて形式的に定義し、合成的構造と無界的一般化という二つの前提を数学的言語に翻訳する。著者は、純粋なTransformerの学習可能クラスがTC⁰に含まれる一方、意味論面G_γの木評価がNC¹完全であることから、標準的仮定TC⁰ ≠ NC¹の下では純粋なTransformerは構造的一般化を学習できないと論じる。神経記号システムの高スコアはG_γを注入していることに由来し、ベンチマークのスコアは「学習した」能力と「与えられた」能力を区別できない。

研究により、教師ありファインチューニング（SFT）が大規模言語モデルを下流タスクに適応させる際、特に逐次的意思決定において行動の多様性を著しく低下させることが明らかになった。三目並べの変種などの確定論的ボードゲームを用いた制御実験を通じて、著者らは推論モードの生成がしばしば行動の多様性を抑制し、標準的なSFTは精度向上に必要以上に早期の多様性崩壊を引き起こすことを示した。行動拡張（各状態におけるすべての最適行動を訓練する）はこの効果を部分的に緩和する。

既存の大規模言語モデル（LLM）の安全ガードレールは各プロンプトと応答のペアを個別に評価するため、会話中に無害なターンが蓄積して害を生じる失敗を見逃します。本論文では、会話リスク蓄積（CRA）の概念と、セマンティックドリフト、感度重み付き情報蓄積グラフ、コンプライアンス勾配を追跡するセッション層フレームワークを提案します。CRA-Benchベンチマークと評価プロトコルも公開します。

本論文は一次元の単一スイープ型ニューラルオペレータ研究を二次元へ拡張し、FNOとUNOによる直接写像、および一回のソース反復後の束を入力に加えるFNOを比較し、遮蔽に関わる強減衰領域で対数束学習が有効かを検証する。

arXiv 論文は、ビン化スペクトルパワー損失をフーリエ帯域からグラフラプラシアン周波数帯域へ拡張し、非構造メッシュ上の混沌力学のサロゲートモデリングに適用する手法を提案する。全スペクトル形式、Chebyshev フィルタ近似、GLEAM による多層監督を備え、乱流予測の長期ロールアウト忠実度と統計的不変量の保持を改善する。

この研究は、スパースオートエンコーダの自動解釈可能性スコアがアーキテクチャの違いよりも評価パイプラインの選択によって大きく左右されることを示し、論文間の比較がパイプラインの違いを反映する可能性があると指摘する。

本論文は、現実的な投資設定での株式ランキングとポートフォリオ構築のために、時間的Transformerとグラフアテンションネットワークを組み合わせ、NMI事前グラフとソフトしきい値スパーシフィケーションを導入したSTN-TGATモデルを提案し、実データでベンチマークを上回る成績を示した。

本論文では、集約中に適応ベクトルに対して幾何手術を実行することで、連合クラス増分学習における空間的干渉と時間的干渉の両方を軽減し、追加のクライアント側計算や通信なしで最大22%の改善を達成するサーバーサイドフレームワークSUMを提案する。

本研究は、適応的時系列予測における継続学習の理解のための重要なツールとして説明可能性を調査する。経験再生戦略を用い、PatchMixer、PatchTST、DLinearなどのニューラル予測アーキテクチャを注意に基づくサンプリング機構で拡張して研究。注意展開やGrad-CAMなどの説明可能性手法を用いて、継続学習フレームワーク内での予測行動とサンプリング戦略を分析。実世界の地下水位時系列データを用いた実験により、非定常予測シナリオにおける説明可能性活用の課題と機会を明らかにする。

大気汚染は年間約790万人の早期死亡を引き起こし、正確な予測は公衆衛生上の重要課題です。既存のベンチマークは地理的範囲や汚染物質のカバレッジが狭く、最新の時系列基盤モデル（TSFM）を実世界大規模データで評価していません。本研究では、7カ国・4大陸、6主要汚染物質、3年間、14,000以上の観測点-汚染物質系列をカバーする大規模マルチ国・マルチ汚染物質データセットとベンチマーク「Air Quality Arena（AQA）」を提案します。11の主要時系列基盤モデルと古典的ベースラインを評価した結果、TSFMはゼロショット予測で有効であり、古典的ベースラインを一貫して上回り、最良モデルは視覚基盤モデルを活用したクロスモーダルアーキテクチャを採用しています。AQAは公開されています。

CruiseBenchは航空機エンジンの残存寿命予測のための巡航段階ベンチマークであり、固定プロトコルによりN-CMAPSSデータセットを簡略化し、モデル比較の再現性を向上させる。

本研究は、トランスフォーマーがデータから正しい仮説クラスを特定するベイズモデル選択を実行できるかを調査する。制御された「ベイズ風洞」環境で、小型トランスフォーマーは関係タスクでほぼ最適な性能を示すが、算術タスクでは不透明記号で完全に失敗し、その境界は112倍のスケーリング後も持続する。最先端LLMは定性的なベイズ行動を示すが、較正に大きなギャップがある。

本論文では、暗黙的にパラメータ化された大域的・入力依存の多次元畳み込みカーネルを用いて、多次元データのネイティブな幾何構造に直接作用する二次未満・大域的・入力依存演算子HyenaNDを提案する。CUDA実装nSubQはFFT畳み込みパスを融合し、O(L log L)スケーリングを実用的な高速化に変換する。長文脈ゲノミクス、コンピュータビジョン、医用画像、PDEモデリングにおいて、純粋なHyenaNDスタックは強力な注意ベースラインに匹敵し、注意層とインターリーブしたハイブリッド構成は純粋な注意や強い再帰ハイブリッドを上回る。

新しい論文では、マルチホップメモリベンチマークMemHopと、プロファイル拡張と圧縮残差を組み合わせた2層メモリアーキテクチャProGraphを提案し、LLMエージェントの長期記憶を改善。ProGraphはMemHopとLoCoMoの両方で既存手法を上回る結果を示した。

LISAは、線形アテンションとライトニングインデクサーを組み合わせることで推論計算量をO(n²)からO(nM)に削減するプラグアンドプレイのアテンション置換モジュールである。16Kトークン文脈で50%の推論高速化を実現し、推論ベンチマークで平均5.6%の性能向上を達成した。

本論文は、推論時に軽量なデコーディング層を追加し、確率的 primal-dual 近似を用いて関連性と補助目的のトレードオフを動的に調整することで、モデルの変更や再訓練なしに多目的スレート生成を実現する。実大規模A/Bテストで補助目的が1.8%向上し、ユーザー満足度は低下しなかった。

NEXUSは、決定論的安全ルール、引数レベルの検査、および調整されたロジスティック回帰リスクスコアを組み合わせ、LLMエージェントのアクションに対して許可、ブロック、確認要求、または修正要求の4つの介入を行う構造化計画セーフティモニターです。複数のベンチマークで優れた性能を示し、レイテンシは0.205ミリ秒です。

新しい研究により、大規模言語モデル（LLM）が外部情報を統合する際に重大な欠陥を持つことが明らかになった。信頼できる情報源とそうでないものの区別、および真実に向かって信念を更新する能力がほぼ偶然のレベルである。Learn2Discernフレームワークを用いて13のモデル、約67万回の試行でテストした結果、モデルは信頼性の2倍、情報源の人気に依存し、主張が正確性を向上させるか悪化させるかに関わらず同程度に更新することが示された。ユーザー調査（n=299）では、これらの欠陥が信頼と使用意図を低下させることが確認された。単純な推論時介入により、両方の識別能力を部分的に改善できる。

研究チームは、追加データなしでモデルが反復的に自己改善できる自己対戦型ファインチューニング手法 FORMULASPIN を提案した。数式の実行可否という二値的な性質を暗黙の監督信号として用い、意味的な誤りと妥当な表記ゆれを区別する。さらに意味レベルの投票機構 ExecVote を組み合わせ、NL2FORMULA で完全一致 74.9%、実行精度 87.1% を達成した。

新しい研究では、Intel TDX環境下のNVIDIA H100 GPUで機密コンピューティングを有効にした場合の大規模言語モデル推論のパフォーマンスコストを評価。Mistral-7BとQwen3-30B-A3Bモデルを使用し、機密モードでは最初のトークンまでの時間が21.8%〜27.8%増加し、グローバルトークンスループットが17.7%〜21.1%低下した。大規模モデルはより早く飽和に達し、キャパシティ計画の調整が必要であることが示された。

OpenEvoShieldは、LLMベースのマルチエージェントシステムにおける攻撃戦略の適応と正常行動のドリフトという二重の動的変化に対処する継続的防御フレームワークであり、非対称レートコントローラ、動的境界更新、EWC正則化ポリシーアンサンブル、エネルギー検出器を用いて、100ラウンドの展開において未知の攻撃を低い誤検出率で検出する。

本論文では、金融詐欺検出における極端なデータ不均衡（詐欺率0.13％）と進化する敵対的回避戦略に対処するため、LSTMネットワークと手作りのグラフトポロジー特徴を統合したハイブリッドフレームワークFraudShield AIを提案する。PageRank中心性、入度ダイナミクス、カスタムフロー比率などのネットワーク中心特徴を設計することで、システムは孤立したトランザクション分析からネットワークレベルのフォレンジックへと検出パラダイムをシフトする。クラス不均衡に対処するためにFocal Lossを、低額スマイミング攻撃に対する耐性を向上させるために動的しきい値メカニズムを導入する。PaySimデータセットでの実験評価では、提案モデルがロジスティック回帰やXGBoostベースラインを精度、再現率、F1スコアで大幅に上回り、特に検出が困難なマイクロトランザクション詐欺パターンで顕著な性能を示す。アブレーション研究により、時間的要素とトポロジー的要素の相補的な寄与が確認された。

研究者らは、グローバルな商用マーケットプレイスから収集したマルチモデルLLMサービングワークロードの実データセットFineServeを公開。異種モデルとタスクの細粒度特性分析を可能にし、マルチモデルサービングプラットフォームのベンチマーク用ワークロード生成器も提供する。

本稿では、Apache SeaTunnel AI CLIを用いて、7つの主要な大規模言語モデルを100のETLタスクで評価した階層型ベンチマークを紹介する。静的構成検証（L1）、CLIおよびルールベース検証（L2）、Docker化環境でのランタイム検証（L3）の3層検証フレームワークを採用。結果、静的検証の高パフォーマンスがランタイム成功率に直結しないことが示され、AI支援ETLの実用的評価の重要性を強調している。

DamNesiaは、16次元状態空間に基づくAIキャラクターフレームワークで、PESランタイムを介して決定論的な人格動態を提供し、長期インタラクションにおけるLLMの人格ドリフト問題を解決します。コミュニティ版（オープンソース）、ランタイム版（商用）、エンタープライズ版（ゼロGC、百万エージェント同時実行）の3層構造を備えています。