MEMORAは、ロボットが一人称視点動画からの持続的な記憶を用いて長期計画を行うための身体化行動記憶（EAM）を提案する。4つのタイプの記憶ストア、オンライン編集、オフライン統合を特徴とする。45時間のEPIC-KITCHENS-100動画で評価した結果、記憶精度が最大20.5ポイント向上し、計画スコアが16.6%改善した。

本論文は、事前学習済みの視覚-言語-行動（VLA）ポリシーに接触反応性を付与する力覚対応のポストトレーニングフレームワークLIFTを提案する。LIFTは元の行動エキスパートの隣に反応型行動エキスパートを移植し、事前学習済みの行動重みで初期化した上で、因果的力メモリとゼロ初期化クロスアテンションを通じて直近の6Dエンドエフェクタ力を注入し、実行中に行動を更新可能にする。さらに、接触フィードバックに伴うポリシー依存の分布シフトに対処するため、オフラインのタスク整合データと人間による修正済みオンラインロールアウトを混合して訓練するオンラインDAggerループを組み合わせる。タオル折り、本挿入、ハノイの塔のリング配置の3タスクで、LIFTは視覚のみのポストトレーニングより高速に学習し高い性能に達し、アブレーションにより反応型力メモリとオンライン修正データの両方が堅牢な接触リッチ操作に重要であることを示す。

Open-AoE は、スマートフォンによる収集からモデル学習までの一連の流れをカバーする、オープンでコミュニティ指向の一人称操作データセットとツールチェーンである。初版には、500 名以上の貢献者が 400 台以上のスマートフォンを用いて自然環境で収集した約 2,000 時間の操作動画が含まれ、テキスト注釈、MANO ベースの手姿勢、カメラ軌跡、時間的に局在化された原子行動が付与されている。さらに、生データを構造化サンプルに変換するデータ処理パイプラインと、可視化、クロスエンボディメント再ターゲティング、モデル固有のデータ変換、VLA ポリシー・WAM・World Model の学習レシピを支援する下流ツールチェーンを提供し、データ貢献と再利用の障壁を下げることを目指す。

本論文は、音楽と音声入力をリアルタイムで解析し、模倣学習スキルライブラリから適切な動作ポリシーを自律的に選択・実行する、意味的オーディオ駆動型ヒューマノイド制御のためのマルチモーダル調停フレームワークを提案する。Unitree G1ヒューマノイドで堅牢なsim-to-real転送を実証した。

本論文は、位置制御アクチュエータを備えた柔軟関節ロボットのための適応制御手法を提案する。関節の非線形トルク-たわみ関係をオンラインで推定し、暗黙的な制御則と制御入力依存の回帰行列を用いることで、モータ位置制御器の誤差に対するロバスト性を解析した。非線形剛性を持つ柔軟関節での実験により有効性を示した。

MixCompressは、疎な構造的専門化に基づく統一可変ビットレート画像圧縮フレームワークを提案する。疎ゲート付きMixture-of-Expertsルーティングに加え、Mixture-of-Depths拡張による動的容量スケーリングと、サブバンドエネルギー変調のためのConditional Auxiliary Transformsを組み合わせる。個別最適化された単一レートベースラインに匹敵し、それを上回ることもあり、計算効率の高い画像符号化の新たなパレートフロンティアを築いた。ECCV 2026に採択された。

SD-MARは、視覚言語モデル（VLM）のマルチ画像分析推論タスクにおける訓練と評価のためのフレームワークです。制御された摂動によりペアの視覚シナリオを構築し、意味変化の帰属や定量的比較にわたる推論タスクを生成します。GRPO-liteと後方割引配分（BDA）を用いた強化学習手法を採用し、KL正則化を除去してポリシー最適化を強化します。Qwen2.5-VL-7BとInternVL3-8Bでの実験では、ドメイン内精度が最大36.95%向上し、Qwen2.5-VL-7BはSD-MARベンチマークでGPT-4.1を上回りました。ドメイン外汎化性能は維持または向上し、MME、MMMU-Pro、MathVistaでは1%以内、MMBenchでは最大4%の改善を示しました。LLM-as-judge評価では、両モデルで論理的整合性と説明品質の一貫した改善が確認されました。

本論文では、Bフレーム符号化のためのニューラルビデオコーデックフレームワークDCVC-Mamba（DCVC-MB）を提案する。IBPフレーム戦略による低遅延Bフレーム符号化、状態空間モデルに基づく時空間融合モデルによる双方向時間予測、およびエントロピー符号化時間を削減するために特定の潜在変数の符号化を選択的に省略するエントロピー認識スキップ機構を導入する。また、圧縮性能を向上させる2つの推論時戦略も実装する。実験評価では、DCVC-MBは従来のニューラルビデオコーデックと比較して平均BD-rateを最大8.98%削減し、VTM-19.0-LDPおよびVTM-19.0-RA（Inter-GoP=16）ベンチマークに対してそれぞれ最大30.45%および1.81%の改善を示し、ニューラル動画圧縮の進展に貢献する。

付加製造におけるXCT画像の欠陥セグメンテーションの課題に対し、XCT-SAMフレームワークを提案。Conv-LoRAアダプタを用いた逐次ドメイン適応により、ドメインギャップを徐々に埋め、CycleGAN-XCTベンチマークと実NISTスキャンでベースラインを上回る性能を達成。

MonteRETは、胸部CTの所見セクションを生成するための領域認識型検索拡張フレームワークである。グローバルCT特徴と領域レベルの解剖学的表現を統合し、予測された医学的状態と領域レベルの視覚言語アラインメントを用いて臨床関連知識を検索し、知識誘導型のレポート書き換えエージェントで初期レポートを洗練させる。RadGenome-ChestCTと外部コホートで、レポート品質、意味的類似性、臨床効果を改善し、特に再現率で顕著な向上を示した。

本論文は、複数カメラ映像と慣性計測を含む25万枚超の画像を備えたレース向け3D車線検出データセットを公開し、約300Hzで動作する手法を提案する。オドメトリのプリインテグレーションとマルチカメラアンサンブルにより、F1スコアを約3ポイント改善し、車両近傍の横方向MAEを30%以上低減した。

本論文では、視覚基礎モデルが3次元ユークリッド空間の内在的特性を反映する表現を構築しているかどうかを問う。従来の深さや法線の回帰による3次元認識のプローブとは異なり、視覚特徴空間の構造とユークリッド変換群SE(3)の関係を調査する。相互近傍指標とポアンカレアダプターというプローブを提案し、自己教師あり視覚モデルが直接的な3次元監督なしに潜在部分空間に3次元空間と強く相関する情報を持っていることを示す。この知見に基づき、明示的な3次元再構成を必要としない「潜在空間ナビゲーション」技術を提案する。

本論文は、キーフレーム条件付き動画生成を評価する初の包括的ベンチマークKeyFrame-Compassを提案する。386の厳選サンプルと自動評価フレームワークを導入し、9つのシステムを評価した結果、キーフレームの忠実な実行と自然な動画合成の間のトレードオフなど、根本的な限界が明らかになった。

本論文では、テキストからビデオ（T2V）モデルにおける概念レベルのアンラーニングのための、学習不要な推論時フレームワークSIRUSを提案する。SIRUSは、ターゲット概念に関連するプロンプト証拠を特定し、サンプリング中にその表現を抑制する。テキストエンコーダやノイズ除去ネットワークの更新は不要である。また、ターゲット忘却、非ターゲット保持、映像品質、脱獄ロバスト性、効率を個別に測定するビデオ中心評価フレームワークを導入。CogVideoXにおいて、SIRUSは平均忘却成功率70.4%、フレームヒット率25.7%を達成し、VideoEraserの44.4%/47.2%を上回り、VBench品質低下を平均-0.043から-0.016に低減した。Wan2.2への転移実験により、SIRUSが現代のT2Vバックボーンに一般化することが示唆される。

マルチ参照音声映像生成（MR2AV）は、複数の参照とテキスト指示に基づいて同期した音声・映像コンテンツを生成するタスクである。既存のベンチマークはテキスト駆動生成や単一参照の保存に焦点を当てており、MR2AV設定の評価は未開拓である。本論文では、350の厳選されたサンプルからなる統合ベンチマークMultiRef-Compassを提案する。これは多視点対象保存、多エンティティ結合、人物-物体-シーン構成をカバーし、4次元（基本品質、参照一貫性、音声映像一貫性、指示追従）の評価プロトコルと14のサブメトリクスを定義する。自動メトリクスと再審査強化型MLLM-as-a-Judgeフレームワークを統合し、拡張可能で監査可能な評価を実現する。8つの代表的なMR2AVシステムでの実験により、すべての評価次元で改善の余地があることが明らかになった。

本論文では、LLMエージェントの軌跡における有用なツール呼び出しの割合を評価する新しい定量的指標「ツール効率」を導入する。ツール効率の明確な定義のために、各ツール呼び出しが有用か、安全に除去可能かを示す「限界ツール効用」も定義される。限界ツール効用の符号はLLM-as-a-Judgeによって決定される。この研究は精度を代理とする間接的な測定ではなく、効率を直接定量化し、将来のベンチマーク設計やスリムなツールスイートの最適化に貢献することを目指す。

Polestarは、トークン表現のドリフトを活用して拡散大規模言語モデル（dLLM）におけるKVキャッシュ再利用と復号並列性の課題に取り組む、トレーニング不要の推論フレームワークです。Polestar-Cache（スパースキャッシュリフレッシュ）とPolestar-Commit（コミット準備完了トークンの識別）から構成され、数学・コーディングベンチマークにおいて最大10.73%の精度向上と3.7倍のスループット向上を達成しました。

本論文では、トークン時間連続拡散（TTCD）を導入する。これは連続空間で動作する新しい拡散言語モデルであり、ガウスノイズを最終的なトークンキャンバスに決定的に写像し、追加のサンプリングを行わない。さらに、トークンごとの時間という新しい概念を組み込み、一部のトークンが他より速くノイズからトークンへ遷移することを可能にする。連続空間モデリングは、純粋に離散空間で反復するモデルが高速化時に不正確さを生む主因である複数トークンの並列サンプリングを回避するのに役立つ。トークンごとの時間の概念は、条件付き生成のモデリングを改善し、より確実なトークンを速く進め、精製中のトークン間影響を差別化することを可能にする。TTCDは高速化時に離散モデルを上回る。OpenWebTextで160MパラメータのTTCDモデルを訓練し、自己蒸留した結果、高速化時に無条件生成品質は同程度で、条件付き生成では同サイズの既存モデルを上回った。数独解決でも同様の利得を得た。

論文AGOPSは、参照回答付きの例からタスク特化のプロンプト指針を自動生成する手法を提案する。実験では、プロンプトの曖昧さが下流タスク性能を最大95.3%低下させ、AGOPSの指針に従うことで平均15.5%から81.7%の性能を回復できることが示された。

本論文は、UzWordnetとウズベク語の最大規模の正書法辞書を生成AIと統合し、4つの教育ゲームを通じてウズベク語学習を支援する教育システムアーキテクチャを提案する。ゲームのダイナミクスから語彙資源の改善も副産物として実現する。

大規模言語モデルエージェントがテキスト通信時に情報を失うことを、スパースオートエンコーダー（SAE）特徴分析を用いて定量化した研究。潜在空間通信は圧縮率において高い精度を維持するが、失われた特徴は主に表面形式を符号化し、タスク関連の意味ではないため、潜在通信の優位性は限定的であることが示された。

本論文は、階層的な静的属性と動的記録を大域的な属性グラフで統合し、直交する2つのパラメータ部分空間で静的集約と動的推論を支え、軽量なハイパー構造機構によりタスク固有の属性間相互作用を実現するUniSAGEを提案する。複数の公開ベンチマークと実世界の金融行動データセットで10%超の性能向上を報告している。

本論文では、低クエリ予算下で高品質なテキスト敵対的サンプルを生成するサンプリングベースの手法LBAを提案する。事前知識と事後知識を統合して近似分布を構築し、サンプリングを通じて分布を更新することで効率的に探索する。実験では、6つの言語モデルと4つのデータセットにおいて、LBAが既存手法を大きく上回り、より意味を保持し理解しやすい敵対的テキストを生成することを示す。

Wajahath Mohammed 氏による arXiv 論文は、pregroup文法に基づく量子構成的自然言語処理（QNLP）をアラビア語に初めて適用した研究である。文を文法構造に対応したトポロジーを持つ量子回路へ変換し、語順・形態的時制・動詞の語義曖昧性解消に関する3つの統制実験を、AraVec や AraBERT などの古典的ベースラインと比較している。

研究者らは「Just Keep Prompting（JKP）」というマルチターン評価フレームワークを提案し、最大10回の追加質問で視覚言語モデルを試した結果、反復プロンプトは推論を助けるよりもむしろ不安定化させることが多く、モデルごとに異なる圧力応答プロファイルを示すことを明らかにした。

本研究は、大規模言語モデルや強化学習などの閉ループ知識システムが内部フィードバックの繰り返しにより飽和する理由を分析し、構造的介入による脱出を可能にする3層の操作的枠組みを提案する。リアプノフ・ドリフト条件を用いて安定性を特徴づけ、脱出はアトラクタ変位とKL下限で定量化される。ケーススタディとして、LLMコード修正、スパース報酬強化学習、ベイズ最適化が含まれる。

オフライン強化学習における世界モデルは、データが少ない領域でモデル悪用の影響を受けやすい。RENEWは、想像上のロールアウトに対する人間の好みを利用して悪用を直接修復し、認識的不確実性を導入して微調整を集中させ、サンプル効率を向上させる。

本論文は、V2Xスナップショットから中継リンクのアクティベーションを予測するエッジ対応の学習最適化フレームワークを提案する。エッジ特徴付きグラフ同型ネットワーク（GINE）を用いることで、計算コストの高いMILP求解を置き換える。実験ではGINEがMILPのリンクレベル決定に近い精度を示し、1ホップベースラインに対してエンドツーエンド接続性を改善しつつ、推論遅延を数ミリ秒以内に抑える。さらにハイブリッドGP-MILP戦略は、ほとんどのインスタンスでMILP等価解を維持しながら求解時間を30ミリ秒未満に短縮する。

arXivの新論文は、教師あり辞書学習を10-K提出書類とItem 1Aのリスク要因セクションに拡張し、リターンとボラティリティの両方をラベルとして、セクター・ポートフォリオ・個別企業の3つの集計レベルでセンチメントスコアを訓練した。集計レベルが粗いほど全文が有効だが、個別企業レベルではより狭いItem 1Aの方が優れるという結果を示している。

研究者らは、サンドボックスのスナップショット可能な特性を活かし、共有プレフィックスを持つロールアウトの木を構築することで分散を低減する強化学習アルゴリズム「分岐ポリシー最適化（BPO）」を提案。複数のエージェントベンチマークでGRPOやRLOOを上回る性能を示した。