OR3は手術室のビデオクリップを動作駆動デジタルツイン（ActDT）に変換し、LLMが暗黙的なクエリから仮説的なActDTを生成することで、単一エンコーダによるモーダル内マッチングと証拠に基づく修正を実現する。ロボット膝手術のクリップ386本と暗黙的クエリ276件のベンチマークで、R@1 57.6、R@5 77.3を達成し、最強のベースラインを上回った。

本論文は、統合マルチモーダルモデルのLoRA微調整におけるモダリティ不均衡を系統的に分析し、テキストと画像の目的をバランスさせるパレート最適勾配統合戦略であるPareto LoRAを提案する。CoMMベンチマークとEmu2を用いた実験で、テキスト性能を維持しつつ知覚画像品質を最大44.9%向上させた。

本論文は、手術基盤モデルから構築したデジタルツイン表現上で動作する強化学習フレームワークを提案し、知覚と推論を分離する。階層的不確実性推定と新規報酬を導入し、新ベンチマークREAL-Colon-Reasonを含む3つの手術動画QAベンチマークで最先端性能を達成した。

REINSは、推論時に内部表現を安全な生成へと導くことで、ビデオ拡散モデルを訓練なしでアライメントする手法です。教師あり主成分分析を用いて安全と不安全の軌跡を分離する単一の方向を見つけ、中間トランスフォーマー層で適用します。9つのモデルで評価され、ビデオ生成分野で最も広範な安全性評価です。

GeoDisasterは、43種類の問題タイプと5つのタスクファミリーにわたる2,921の検証済みインスタンスを含む、運用地理空間災害推論ベンチマークである。18の災害指向ツールを備えた協調マルチエージェントフレームワークとRCEAによるアライメントも提案されており、実験では既存のRS-VLMやエージェントシステムが苦戦する一方、RCEAがツール使用、証拠の根拠付け、状態整合性、意思決定生成を改善することが示されている。

本研究は、30m解像度のLandsat-8/9およびSentinel-2 A/B/C画像を用いた、ビジョントランスフォーマーベースの沿岸藻類ブルームマッピングの最初の成功例を提示する。世界中のブルーム頻発沿岸域を対象に全球分布のブルームパッチデータセットを構築し、4つのトランスフォーマーアーキテクチャを畳み込みベースラインと比較した。Swin Transformerは雲やサングリントの影響下で従来のスペクトル指数法を上回り、MODIS製品と比較して高解像度が断片的なブルームの検出に優れることを示した。

Edge-TSRはNVIDIA Jetson Orin Nano上で連続路側知覚を実現し、ベンチマーク評価が実展開性能を20-30%過大評価することを明らかにし、55分・26kmのテストで16.18 FPSを熱安全に達成した。

本論文は、マルチスケールCNN、スペクトルアテンション、双方向状態空間モデリング、量子インスパイア学習を組み合わせたBiSpectral Mambaフレームワークを提案し、UAVHSI-Cropデータセットで84.83%の全体精度を達成した。

新しい研究により、現在の視覚言語モデル（VLM）の多言語評価が複数スクリプト言語のユーザーを見落としていることが明らかになりました。研究者らは、パンジャブ語の3つのアクティブなスクリプト（グルムキー、シャームキー、ローマ字）にわたる厳密に平行な1,000の画像テキストインスタンスからなるベンチマークPuMVR（パンジャブ語マルチモーダル視覚推論）を導入しました。10の最先端VLMを評価した結果、モデルがあるスクリプトでは成功するが別のスクリプトでは失敗するという体系的な「スクリプトギャップ」が明らかになり、精度差は最大16%に達しました。視覚入力は性能を向上させるがギャップを埋めず、スクリプト間のコンテキスト内転送は脆弱です。著者らは、スクリプトに依存しない評価の必須指標として、最低24.8%にまで低下するスクリプト一貫性率（SCR）を提案しています。

約130語のみの人工言語トキポナを用いてWord2Vecを訓練した新研究は、埋め込みの有効性が語彙サイズよりも分布パターンに依存すること、そして非中核的なトークンが類似語をベクトル空間でより近づけることを明らかにした。

本論文は、LLMベースのASRにおける出力言語の誤識別問題を扱う。著者らはこれを「言語遵守の欠如」と定式化し、違反を定量化する新指標を導入する。出力を厳密に制約しないソフトプロンプティング手法を提案し、ゼロショットプロンプティング、教師ありファインチューニング（SFT）、思考連鎖（CoT）推論の3つの緩和戦略を多言語で比較評価する。

本論文では、MLLP-VRAIN研究グループによるIWSLT 2026同時音声翻訳トラックへの参加について述べる。システムはParakeetとQwen 3.5モデルを利用し、適応型ブラックボックス戦略によるカスケード型ソリューションを採用。品質とレイテンシのトレードオフを改善するため戦略の緩和も検討。すべての言語方向に参加し、En→De、It、Zh方向ではASR単語ブーストとオフライン事前翻訳サンプルのRAG機構を組み合わせた新たなコンテキストトラックに参加。MCIF En→Deテストセットで+5.82 XCOMET-XLの品質向上、コンテキスト処理でさらに+1.03の改善。

本研究は、ボリュームCTレポート生成のためのパラメータ効率的な適応戦略を調査し、軽量な診断事前情報条件付けフレームワークRAD3D-Prefixを導入する。LLMを凍結し、投影層のみを訓練することで、訓練可能パラメータを最小限に抑え、過学習を軽減する。9610万から16億パラメータのLLMにわたる系統的な実験により、微調整は小規模LLMに有益である一方、大規模LLM（10億以上）を凍結することが優れたトレードオフを提供することが明らかになった。RAD3D-Prefixは、自動評価指標と臨床読者研究においてベースラインを上回り、強力なドメイン外汎化を示す。

本研究は、LLaDA2.1拡散言語モデルのトークン間（T2T）エディタにおけるトレーニングと推論のミスマッチに対処するため、自己生成T2T法を提案する。この手法では、勾配なしのドラフトパスを実行し、マスクされた位置を予測トークンで埋め、2回目のパスで自己生成された誤りからの回復を監督する。LLaDA2.1-miniにLoRA継続事前学習を適用し、編集強度を低減しながら精度を向上させ、最終桁の転写誤りや過度な自己修正などの失敗モードを軽減する。

この研究は、両者が自律型AIエージェントであるオンラインコミュニティにおいても、パラソーシャルインタラクション（PSI）の手がかりが存在するかどうかを調査した。Moltbookの4,434件の投稿と50,338件のコメントをキーワードマッチング、少数ショット大規模言語モデル（LLM）アノテーション、グループ化コンテキストLLMアノテーションの3つの方法で分析した結果、PSIの口語的手がかりが広く見られ、投稿者（OP）の再エンゲージメントや互酬的な返信構造と強く関連していることが明らかになった。二者間持続性テストにより、互酬的オファーが持続的なOP関与の相互再帰パターンと一致することが確認され、インタラクションレベルのPSIスクリプトとリレーションシップレベルの持続的二者パターンを結びつける実証的証拠が得られた。

RepSelectは、重み勾配の主要主成分を折り畳むことで忘却対象固有の表現を分離し、汎用能力を維持しながら深く堅牢な忘却を実現する新しいアンラーニング手法である。

PromptMNは、% プレフィックスの指示で自然言語プロンプトに注釈を付け、役割や目標、制約などを明示化し、エージェントワークフローにおける曖昧さを低減する軽量なドメイン固有言語です。非形式的なプロンプトと疑似コードの中間に位置し、逆プロンプトエンジニアリングをサポートし、最先端モデルでファインチューニングなしに検証されています。

MemSlidesは、長期記憶（ユーザープロファイル記憶とツール記憶）を作業記憶から分離する階層型メモリフレームワークを提案し、スライド局所修正と組み合わせることで、タスク間でのユーザー嗜好の維持と複数回の修正にわたる信頼性の高い局所編集を実現する。実験では、パーソナライゼーションの一致度、修正動作、嗜好の持ち越しにおいて改善が示された。

本研究は、マルチエージェントLLMシステムにおける状態共有に起因する並行処理異常に対処し、TLA+を用いて4つの異常タイプを形式化し、機械検証済みの一貫性階層L0～L4を構築した。274のVerus証明義務により、検出器の健全性と完全性が証明された。3つのRustランタイムがL0～L1を実装し、ByteDanceのdeer-flowやLangGraphにおける実際の異常を再現し、検証済みの修正を提供した。

研究者らは、地質貯留におけるCO2プルーム移動を予測するためのエンドツーエンドのグラフニューラルネットワークサロゲートを提案した。SPE11Aベンチマークで評価され、ガス飽和度や液相密度などの主要指標を効果的に予測できる。

本研究は、線形深層ニューラルネットワークにおいて、グルッキング（突然の遅延的汎化）がL2正則化の一次相転移におけるヒステリシスと一致することを示した。低精度の準安定状態に閉じ込められたモデルは、SGDノイズがエネルギー障壁を越えるのに十分なエネルギーを提供する場合にのみ脱出し、脱出時間はアレニウス則に従う。準安定状態の数は学習可能な特徴の数に等しく、より効率的な学習スキームへの道を開く。

本論文は、モダリティごとにエキスパート選択頻度を分解し、冗長な視覚トークンをフィルタリングし、モダリティ別の量子化感度を評価することで、MoEマルチモーダルLLMにおけるエキスパートレベル混合精度量子化の性能劣化を克服するフレームワークMODEを提案する。

本研究は、2つの実世界腫瘍コホートにおいて5つの基盤モデルが抽出する全スライド画像とトランスクリプトーム表現を系統的に評価した。画像とオミクスは相補的な予測信号を持つこと、マルチモーダル融合は単一モダリティが支配的でない場合に主に有効であること、共形予測により点予測が失敗した大多数のケースでも真の診断が予測セット内に残ることを示し、臨床支援における不確実性を考慮した推論の価値を裏付けた。

薬剤監視において、因果的な有害薬物事象（ADE）と偽の相関を区別することは中心的な課題です。InferBERTフレームワークはトランスフォーマーモデルとDo-calculusを統合しますが、その成功は基礎となる分類モデルに依存します。本研究では、XGBoost、ALBERT、BioBERT、Med-LLaMAを2つのベンチマークで比較し、ドメイン特化型事前学習（BioBERT）が最高精度を達成し、大規模LLMのMed-LLaMAは成績が低いことを発見しました。結果は、管理可能なドメイン認識モデルへの投資がモデルサイズの単なる拡大よりも効果的であることを示しています。

大規模言語モデルはプリフィル段階でフィールド条件付きの結論をダウンストリームノートに書き込むため、KVキャッシュが編集可能かつ構成可能になることが明らかになった。チェーン・オブ・ソートを用いたフィールドの編集で計算量約1%で決定を回復し、プリコンパイルされたスキルは位置可搬性を持ち任意のコンテキストに挿入可能で、完全再計算とほぼ同一の出力を最大14.9倍低レイテンシで実現。手法は様々なスケールやキャッシュ種別で検証され、本番ベンチマークで98.5%のプレフィックスキャッシュヒット率を達成。

本論文は、検査値とその観測パターンを同時にモデル化する拡散モデルベースの手法を提案し、MIMIC-III由来のDACMIベンチマークで生成データが実患者の軌跡とよく一致することを示した。

診断-修復-検証研究により、長距離単発フリンジ投影プロフィロメトリの深層学習ベースラインがフリンジ位相デコードではなく物体境界の形状事前分布に依存していることが明らかになった。ネットワークにラップ位相を出力させ、固定された微分可能なキャリブレーション層を適用するPhiCalNetは、物体MAEを3.3倍改善して4.46 mmに低減し、共形不確実性定量化とメカニスティック解釈可能性が同一の物理的故障箇所で収束することを示した。

研究により、マルチモーダル大規模言語モデル（MLLM）の知識編集における「編集デカップリング失敗」が明らかになった。マルチモーダルクエリで更新された知識が単一モダリティ入力では古いままになる問題に対し、DECODEはモダリティ固有のニューロングループを分離・特定し、安定した知識更新を実現する。

本研究は、治療効果推定、患者デジタルツイン、強化学習を統合したオンライン適応フレームワークを提案する。合成シミュレータと実際の卵巣がんデータセットの両方でベースラインを上回る有効性と安定性を示し、低遅延を維持しながら少数の症例のみ専門家の診察を必要とすることから、安全で臨床医監督下のツールとしての可能性を示した。

本論文は、分散型汎用エージェントネットワークを研究し、階層型アーキテクチャ、および3つの核心メカニズム（意味的アナウンス伝播、検証可能なアイデンティティとマルチトピック評判、意味的勾配メカニズム設計）を提案する。プロトタイプのオーバーヘッドとシミュレーションにより実現可能性を示し、オープンで信頼性がありスケーラブルなエージェント連携のシステム基盤を提供する。