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、潜在世界モデルと価値モデルを用いて事前学習済みVLAポリシーが生成する候補行動を想像しランク付けする展開時誘導フレームワークを提案し、微調整なしで分布シフト下でのタスク成功率と指示追従精度を大幅に向上させる。

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、残差ウェイポイントポリシーと異種パイプラインを活用し、CARLAとBench2Driveベンチマークで最先端の性能を達成するスケーラブルな閉ループ強化学習システムを提案する。

TACOは、接触の多いロボット操作において、視覚-言語-行動（VLA）モデルのスケーラブルなポストトレーニングを実現する触覚対応ワールドモデル駆動型フレームワークである。実世界の失敗を想像上の視触覚修正に変換し、「認識-想像-ラベリング」ループと知識分離型の触覚適応、アドバンテージ条件付き訓練を組み合わせることで、実タスクにおいてベースポリシー比で44%の絶対成功率改善を達成した。

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。

MorphQuadは、4つのロータシステムをそれぞれ2軸ジンバルで独立に駆動し、大域的安定制御とエネルギー最適な推力配分を組み合わせた可変四輪ロータである。任意方向への最大推力ベクトル化、任意姿勢での安定飛行、外乱下での精密な運動・力制御を可能にし、配管検査やバルブ回転、押し付け、風外乱の抑制などを実現する。

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。

Yiran Xiao氏とGeorge Legrady氏は、拡散モデルにおけるステップごとのトークンレベルのクロスアテンションマップの進化、時間的集中度、空間的関係を探索する視覚分析フレームワークを提案し、60プロンプトのStable-Diffusionクラスベンチマークで事例研究を行った。

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。

本研究は、計算コストの高いLESの代替として、実都市形態上の時間平均歩行者高さ風速を高速に予測する2段階U-Netフレームワークを提案する。第1段階がパッチ単位で予測し、第2段階がインペインティング方式で境界の不連続を反復的に補正する。未学習の都市事例でも平均風速と空間変動を良好に再現するが、最大風速は過小評価される。

新研究が、海洋ハビタット間で視覚認識システムを転移する際のラベリング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示。凍結した自己教師あり基盤モデル（DINOv2）と線形分類器の組み合わせで、新規サイトでの信頼性の高い展開には種あたりわずか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桁削減できることを示した。

糖尿病性足潰瘍セグメンテーションモデルのクロスデータセットベンチマークにより、すべてのモデルが訓練データ内では高いDiceスコア（0.80～0.83）を示す一方、外部データセットでは性能が大幅に低下することが明らかになった。TransformerアーキテクチャのSegFormer-B2が2つの独立した外部データセットで最も優れた汎化性能を示し、より複雑なDeepLabV3+は単純なU-Netよりも汎化性能が低いことから、モデルの複雑さではなくアーキテクチャファミリーが病院間の汎化を決定づけることが示唆された。

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。

本論文はVulcanVoxelを提案する。これは3D占有場上のマスク付きオートエンコーダを用いて、ブレードの挿入可能な幾何学的領域を空間領域で直接推論し、単峰性の実倉庫データから多峰性アフォーダンスを復元する。SE(3)姿勢分布に基づくベースラインを大幅に上回り、推論は30ミリ秒で動作する。

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。

新しい研究が、認知行動療法（CBT）に基づく感情推論における大規模言語モデルの限界を調査した。モデルはCBTの理論試験で最大96%の正答率を示すが、対話では検証と反映に偏り、他のCBT戦略を適切に適用できない。研究者らは知識誘導フレームワークを提案し、介入効果を測定する「プロトコルレバレッジフォース（F）」指標を導入した。実験では、マルチチェーン・オブ・ソートを用いても行動変化は1.5%未満にとどまり、すべてのモデルが検証と反映に偏ったままであることが示された。

本論文では、長い履歴系列から経験記憶を構築するPraMem手法を提案し、大規模言語モデルにおける長期行動予測の課題を解決する。実験では従来手法を上回る性能を示した。