本論文は、ImageNetなどの視覚データセットに自然に存在する統計的信号が、悪意なく挿入されたにもかかわらずバックドアトリガーのように振る舞い、モデル予測を直接かつ予測可能に変化させ、異なるアーキテクチャ間でも転移することを示す。データセット構造自体が攻撃面となり得ることを明らかにした。

Light-Omniは、反射的な動画理解のためのマルチモーダルエージェントフレームワークです。探偵スタイルの反復推論を、単一のフォワードパスで構築される二重コンテキスト状態に置き換え、複数の動画ベンチマークでM3-Agentに対して平均2.4%の精度向上、12.1倍の高速化、2.6倍のGPUメモリ効率改善を達成しました。

Ground3D-LMMは、点群とオプションのRGB画像を入力とし、ポイントグラウンディングされた応答と物体・部品粒度のメートル法数値出力を備えた3D空間対話を可能にする統一モデルである。3D Grounded Measurementタスクを定義し、約250万のQAペアからなる大規模データセットを導入した。

研究者らは、カメラ1台と光源1つのみで視線推定を行う手法を提案した。カメラに対して実光源と対称な位置に「仮想光源」を導入し、瞳孔間距離とグリント間距離の関係から仮想グリントを推定した上で多項式回帰により視線を求める。単一グリント系向けの新しい正規化因子を検証し、性能は許容範囲だが2光源系と比べて劣化が見られる。

本論文は、深度認識型の合成霧生成、画像復元、物体検出、追跡を統合パイプラインに組み込んだタスク駆動型評価フレームワークを提案する。実験により、霧は主に検出漏れの増加を通じて検出と追跡を著しく劣化させることが示された。霧を含む訓練が最も一貫したロバスト性向上をもたらし、テスト時の復元は検出器がクリーン画像のみで訓練された場合に最も有益である。復元品質は下流の知覚における比例的な改善に必ずしも結びつかないため、検出と追跡の性能と併せて評価すべきである。

本論文では、複雑な画像作成と編集のために、マルチターンインタラクションを通じて異種のビジュアルツールをオーケストレーションすることを学習するツール拡張型マルチモーダルエージェントCanvasAgentを紹介する。また、著者らは14万の実行可能な軌跡と1万の強化学習タスク仕様を含む大規模データセットCanvasCraftを提案する。エージェントは教師ありファインチューニングで学習され、その後、結果とプロセスの両方の信号を組み合わせたハイブリッド報酬を用いたGRPOで最適化される。実験では、最終的な画像品質と軌跡行動の両方で有効性が示されている。

NAVER LABSはIWSLT 2026共有タスク向けに、SeamlessM4T-v2-largeとQwen3-4B-Instructを採用してIWSLT 2025の指示追従パイプラインを再実装し、10万件の合成指示追従例を構築した。主要モデルはMCIFベンチマークでEN-ZH音声翻訳COMET 0.781、英語SQA BERTScore-F1 0.346を達成した。

BaFCoはベンガル語のフォーム理解に特化したベンチマークデータセットで、農業、教育、銀行、土地管理など多様な分野から収集された200ページ以上の複雑なバングラデシュ政府フォームを含みます。26種類の細粒度エンティティと5種類の粗粒度エンティティを定義し、最新のMLLMを評価した結果、細かなフォームエンティティの位置特定に課題があることが明らかになりました。

本arXiv論文は、言語モデル（LM）のパープレキシティ（PPL）と自動音声認識（ASR）の単語誤り率（WER）の間で長らく仮定されてきた対数-対数空間での線形関係を再検討する。現代のエンドツーエンドASRシステムに焦点を当て、外部LMが依然として性能を向上させるか、PPL-WER関係が線形を保つか、エンコーダのコンテキスト長が関係にどう影響するか、LLMのパープレキシティが標準的なニューラルLMの傾向にどう当てはまるかを調査する。さらに、アテンション based エンコーダ-デコーダシステムにおける内部言語モデリング（ILM）を分析し、ILM減算が観測されるPPL-WER関係を変化させることを示す。

ResonatorLMは、物理に着想を得た因果的共振関数で注意機構を置き換え、トークン系列を1次元潜場として扱う。6Mパラメータモデルで、32Kトークン時に標準Transformerの6.47倍のデコード速度、WikiTextで61.31%の精度（ベースライン55.32%）を達成。ICANN 2026に採択。

新しい研究により、大規模言語モデル（LLM）のプロンプトに対するロバスト性は、客観的質問と主観的質問で大きく異なり、モデルやデータセット、プロンプトの変更によって変動することが明らかになった。研究者らは、LLMの主観的質問への回答をそのまま信念の指標と解釈することに警鐘を鳴らしている。

新しい研究は、交差対称化を用いてLLMの道徳的ジレンマにおける「はい・いいえ」バイアスを分解し、最先端モデルの内在的道徳的スタンスはほぼ形式不変である一方、Claudeモデルは顕著な順序バイアスと語彙的引き付けを示し、GPT-5.5とGeminiはほぼゼロであることを発見した。バイアスは拡張推論で縮小し、判断ではなく表面的な表現に従う。

新しい研究により、LLMの同調行動は社会的影響ではなく、誤った回答の反復に大きく起因することが明らかになった。話し手を除去した「情報源なし」条件でも、正解の66.5%が有害に変更されるのに対し、単なる再質問では10.3%だった。既存のベンチマークは話し手の存在と反復テキストを混同しており、まずは話し手不在のベースラインを測定すべきと提言する。

アルゴリズム情報理論に基づく新しい構造的シーケンス分析手法を発表。中心となるラダーパスアプローチは、言語シーケンス内の反復サブ構造のネストと階層関係を抽出し、3つの距離尺度を定義。k-最近傍分類器と組み合わせて、分布内、分布外、少数ショットのテキスト分類タスクで強力な性能を達成し、特にOODおよび低リソース設定でgzipベースのNCDやBERTを上回る。

本論文は、量子化・プルーニング・マージングを含む代表的なKVキャッシュ最適化手法をワークロード認識型でベンチマークし、圧縮率だけではエンドツーエンド性能を予測できないことを示した。品質安定性、スループット、ワークロード特異的な利得において各手法の優位性が異なるため、長文コンテキストサービスではワークロードに応じた選択が求められる。

arXivに掲載された研究は、反復型「Split or Steal」ゲームにおいてペルソナプロンプトが大規模言語モデルエージェントの戦略行動をどう左右するかを検証した。欧州ポルトガル語で実施された15ラウンド×160セッションでは、相互「Split」が約74%を占め、搾取は11%未満だった。モデル選択、ペルソナの種類、対話トピックが協力と搾取の傾向に有意に影響し、今後のVRを用いた人間参加型研究の基盤となる。

本論文は、コミュニティ認識サンプリングと制約付き構造エントロピーを組み合わせ、グラフクラスタリングにおける構造的孤立問題に対処するSCISEフレームワークを提案する。構造エントロピーコミュニティ制約演算子（SECC）、コミュニティ認識サンプリング拡張（CSampE）、構造対比学習（StructCL）の3つのモジュールで構成される。6つのベンチマークデータセットで最先端を上回る性能を示した。

香港バプテスト大学の研究者らは、名義属性と順序属性を含むカテゴリデータのクラスタリングのための新しい距離尺度とクラスタリングアルゴリズムを提案した。この手法は両方の属性タイプを統一的に扱い、順序関係を保持し、距離重みとデータ分割を同時に学習することで準最適解を回避する。

AdaStopはDNNテストをコストと便益の意思決定プロセスとして定式化し、推定した限界故障発見率がτ=c/vを下回った時点でラベリングを停止する。実験では9〜31%のラベリング予算で65〜84%の故障を発見できた。

本論文は、LLMエージェントの実行ハーネスを固定インフラではなく学習可能な制御層として扱うことを提案する。ハーネス操作を有限ホライズンのHarness MDPとして定式化し、LLMエグゼキュータを凍結したまま、軽量コントローラが構造的実行アクションを選択する。オフライン強化学習により訓練され、検証行動の一貫した改善と最終タスク品質の選択的向上を実現する。

本論文は、訓練済みの深層ネットワークを深さで索引付けされた非線形動的システムとみなし、データ駆動の可到達性・可観測性・平衡グラミアンから層ごとの可到達ランク、可観測ランク、同時可到達-可観測ランクを推定し、それらを圧縮後の層幅として直接用いる手法を提案する。MNISTとCIFAR-10の実験では、状態次数とパラメータを大幅に削減しつつ精度をほぼ維持し、CUDA推論遅延を約3倍短縮した。

本論文は、訓練中に外生共変量のチャネル全体をランダムにゼロにするモデル非依存の訓練介入「外生ドロップアウト」を提案する。電力価格・貯水池水文・気象の各タスクで、ガウスノイズ、時間的ずれ、チャネル完全欠損に対する頑健性を大幅に改善しつつ、クリーンな精度を維持し、意図的に有界化したアーキテクチャBoundExを上回る。

本論文は時系列予測における「粒度のパラドックス」を探求します。時間粒度を細かくする（月次→週次/日次）とサンプル内診断とデータセットサイズは向上しますが、再帰的誤差が長期予測で累積するためサンプル外精度が低下します。13年間の調達データセットで6つの粒度における10モデルのベンチマークにより、非単調な閾値構造が明らかになりました。再帰的自己回帰モデルは高頻度予測で著しく劣化し（例：Holt-Wintersの日次テストR²は-151、TPFEは425.85%）、LSTMはU字型の誤差曲線を示し、日次で誤差伝播ペナルティを克服します（TPFE 4.35%、R² 0.66）。線形回帰は全粒度で安定しており、パラドックスがモデルの複雑さではなく再帰的フィードバックトポロジーによって引き起こされることを確認します。標準的な点指標（RMSE、MAE）は累積誤差を系統的に隠蔽するため、目的に応じた累積指標を用いた評価が必要です。本論文では、点指標と累積TPFEの方向性挙動を比較するコンセンサス-ディセンサス診断を導入し、標準診断が誤差伝播を隠蔽するモデルを特定します。

GAIAは、UWB測距における非見通し伝搬、バーストノイズ、ロングテール誤差に対処するために、時間的測距モデリング、潜在アンカーレイアウト推定、決定論的距離投影を組み合わせたジオメトリ認識型学習フレームワークです。実世界の屋外UWBデータセットにおいて、GAIAはPoseMLPと比較して測距MSEを18.4%削減し、ポリゴンIoUを15.5%向上させ、作業領域の正確な再構築を実現します。

Design-CP は RFdiffusion 3 向けに 2 つのコンテキスト並列推論戦略を導入し、二次のトークン・原子ペア表現を複数 GPU に分散させつつ事前学習済み重みを保持し、大規模タンパク質集合体の全原子設計を可能にする。

本論文は統計的に意味のある幾何学（SMG）フレームワークを提案し、過パラメータ学習システムを無限次元非パラメトリックOrliczファイバー束としてモデル化する。持続的な分布外刺激下で連続最適化が失敗し、ゲージ対称性の破れを引き起こすことを証明し、離散的な構造エントロピー跳躍として真の科学的発見と統計的補間を区別する。

新しい研究は、大規模言語モデル（LLM）が投影技法のために合成消費者データを生成できるかどうかを検証した。人間とLLMの回答は広範なトピックと連想において大幅に重複するが、スタイル、言語構造、多様性の生成方法に重要な違いがあることが分かった。LLMを合成消費者データ生成に活用するための推奨事項と限界が示されている。

ArtisanCADは、実行可能なCAD中間表現（CAD-IR）を用いて専門家知識を蒸留し、曖昧または不完全な自然言語プロンプトを処理し、編集可能なパラメトリックB-Repモデルを生成する産業用CADエージェントである。Text2CADベンチマークでは、中間プロンプトからの平均Chamfer距離を14.83から9.88に低減した。

Akashicは、LLMベースのエージェントシステム向けの低オーバーヘッドメモリシステムで、MemAttentionを使用してコンテキストを境界のあるチャンクに整理し、セマンティック関係をモデル化することで、完全な履歴の再生を回避し、精度、スループット、持続可能なリクエストレートを向上させます。

この研究は、言語エージェントの推論ループ内にメモリストレージを移動し、各ステップで読み書きすることでネットワークレイテンシを克服することを提案しています。実験では、インプロセスストレージ（約100μs）が冗長アクションを7.2/12から0.0/12に削減し、再現率を0/5から3.6～4.8/5に改善しました。ボトルネックはストレージではなく埋め込み生成にシフトしています。