Yinhan Lu ら6名の著者は、標準的な因果Transformerに小さな変更を加えるだけで、過去・未来・混合の文脈を含む任意の条件付き分布を1回のフォワードパスで評価・サンプリングできるAC-GPTを提案した。左から右への順序と次トークン予測という目的を維持するため、既存の大規模言語モデルをファインチューニングして任意条件付き生成に利用でき、標準的な左から右の性能を損なわずにベースラインを上回る。

小規模言語モデルによるマルチホップ質問応答のための文脈圧縮を扱った研究。検索された段落を構造化された実体-関係文に書き換える可読な記号形式「Telegraph English」を提案する。MuSiQue、TwoWiki、HotpotQA の全データセットで同一予算の3つのベースラインを13〜20ポイント上回り、最难データセットでは同一エンコーダによる一貫した散文要約も上回った。ただし事前登録された推論深度との交互作用仮説は棄却された。

本論文は証明自動形式化モデルのロバスト性に関する初の系統的研究を提示する。グローバル摂動とローカル摂動の2種類を導入し、miniF2FとMATH-500でベンチマークを構築。最近の7モデルを評価した結果、すべてがグローバル摂動に敏感で、ほとんどがローカル摂動下で忠実性を保てないことを示した。

PhoneHarnessは、GUI、CLI、ホスト側ツールアクションを統合したスマートフォン利用エージェント向けの混合アクションベンチマークおよび実行ハーネスである。注釈付き評価分割で75.0%の合格率を達成し、最強の非PhoneHarness設定を12.9ポイント上回った。

本論文では、制御された入力摂動によりインスタンス依存ノイズ（IDN）を生成するフレームワークCILNを提案し、曖昧性の原因を明示的かつ制御可能にする。CIFAR-10、MNIST、Adultを用いた90のベンチマーク設定により、ノイズ率だけでなくノイズ構造がベンチマークの難易度とアルゴリズムの挙動に重要な役割を果たすことを示し、Co-TeachingやDivideMixなどの手法の故障モードを明らかにした。

新しい研究では、試験中に収集された生理データ（皮膚電気活動、心拍数、皮膚温度）を用いて学業成績を予測することを検討した。ロジスティック回帰からTransformerまで多様な機械学習モデルを比較し、ランダムフォレストのような単純なモデルが計算効率と解釈性を備えつつ深層学習を上回る場合があること、TransformerがLSTMやGRUと同等の性能を示すことを明らかにした。

19種類のグラフニューラルネットワーク層を軌跡予測で比較した結果、ARMA、Chebyshev、トポロジー認識層が最適で、合計ベースの集約、マルチヘッドアテンション、ホップ距離の重み付けが精度向上に寄与することがわかった。

本研究は、従来の無状態自律実験パターンを、LangGraphを用いたステートフルReActエージェントに再構築し、毎回の反復でコンテキストを再構築する必要性を排除。ハイパーパラメータ調整で90%、コード最適化で52%のトークン削減を達成しつつ、最適化品質を維持する。

本論文は、埋め込みモデルルーティングを低ランク専門家を持つ敵対的文脈付き線形バンディットとして形式化し、次元の呪いを回避するポリシーリグレットを達成するHypentropy Policy Gradientアルゴリズムを提案する。

GRASPは新しいマルチソース転移学習手法であり、逐次処理、パラメータ単位の勾配アライメント、反復ファインチューニングにより、O(1)のメモリ消費で優れた知識統合を実現し、継続学習ベンチマークでアンサンブル手法を上回る性能を示します。

研究者らはα-FISPフレームワークを提案し、保険料設定を制約付き最適化問題として定式化することで、支払能力を保証しつつアクチュアリー公平性と連帯公平性のトレードオフを明示的に扱い、理論的保証と計算可能性を備えた調整可能な連続体を実現する。

GRAPEは、パラメータ空間を段階的に露出させ、新たに解放された容量を高圧力モジュールへ誘導する訓練フレームワークを提案する。CIFAR-10上のPGD-20ロバスト精度を51.70%から56.94%へ向上させつつ、パラメータ数を約21.4%削減し、計算予算はほぼ同等に保つ。

QPILOTSは、元のポリシーを変更せず、多段階のデノイジングプロセスを通じたクリティック勾配の逆伝播を回避することで、推論時にフローマッチングおよび拡散ポリシーをステアリングする手法を提案する。オフライン・ツー・オンラインRLベンチマークの50タスクで平均成功率90%を達成し、凍結されたVLA基盤モデルのステアリングにも成功した。

CT画像と縦断的EHRデータを基礎モデルで個別に符号化し、共有潜在空間で整列させる枠組みを提案。2つの臨床TTEタスクで4種の融合戦略を比較し、モダリティ寄与が同程度なら融合が一致性指数を1.5〜5.4%改善することを示した。最適な融合法はタスク依存であり、タスク認識型のマルチモーダル整列が重要だと結論づけている。

研究者らは、現実的なデスクトップやウェブタスクにおけるコンピュータ操作エージェントの安全性を評価する二重粒度のベンチマーク「OSGuard」を提案した。アクションレベルのガードレール判断と、タスクを達成可能なまま潜在的な危険を導入するリスク強化実行スイートを組み合わせ、安全な完了と不安全な近道による完了を区別する。実験では、現在のマルチモーダルガードレールは孤立した行動判断では良好に機能するが、エンドツーエンドの安全性には依然として課題が残ることが示された。

Metric Matchは、限られた人間のアノテーションからLLM評価者の相関ベースの信頼性指標を推定する手法です。ランダム選択と比較して、4つの相関指標と15のデータセットで勝率0.838を達成し、平均推定誤差を18.7%削減、アノテーション需要を32.5%削減しました。医療ケーススタディでは1,041.67ドルのコスト削減を実証。さらに、信頼性推定から信頼性分類（デプロイしきい値を超えるか）へとタスクを拡張し、ランダム選択を上回る性能を示しました。コードは公開されています。

ICML 2026で採択された論文が、神経科学の基準を制約付き逆問題として定式化し、「AIエングラム」を識別する幾何学的枠組みを提案。閉形式推定器を導出し、知識の線形算術操作を可能にする。

SERAFは、時系列とその自己生成テキスト記述に対する二重検索を行うマルチモーダルフレームワークを提案し、非定常条件下での時系列類似性のみに依存する検索の限界を克服する。7つの実世界データセットで有効性を実証。

本論文は、コストのかかる検証に基づくAIエージェント間の信頼の行動学的測定法を提案する。協力サバイバルゲームでは、チームメイトの作業を確認するとリソースを消費し、誤った答えを信頼すると致命的となる。同じモデルの無記憶バージョンと比較して検証を減らすことが、観測可能な信頼の指標となる。6つのフロンティアモデルスナップショットをテストした結果、4つの大規模モデル（Claude Opus 4.6、Claude Sonnet 4.6、GPT-5.1、Gemini 3.1 Pro）は信頼できるチームメイトに対して検証を約60〜85%削減したが、2つの小規模スナップショットはほとんど調整を示さなかった。失敗はこの割引を反転させるが、モデルによって反応が異なる。あるモデルは原因となったエージェントに監視を集中させ、別のモデルはチーム全体に対して慎重になる。信頼の回復は形成より遅く、集中した失敗は同じ数の分散した失敗よりも長く疑念を持続させる。信頼を形成するモデルは検証が少なく、迅速に決定し、より高い報酬を得る。一方、持続的な過剰検証は安全性ではなく優柔不断と関連する。信頼傾向は展開前に測定でき、統治は最大限の疑念ではなくキャリブレーションに焦点を当てるべきだと示唆する。

本論文は、対象とその関係が変化する状況へPearlの構造的因果モデルを拡張した関係構造的因果モデルを提案し、記号的同定性基準を導出するとともに、模擬交通シーンで非関係ベースラインを上回る関係ニューラル因果モデルを提示する。

Dr-DCI は、検索をエージェントが呼び出せるアクションとして扱い、ローカルワークスペースを動的に拡張する検索器誘導型の直接コーパスインタラクション（DCI）フレームワークです。Browsecomp-Plus で最大 73.3% の精度を達成し、生の DCI や BM25 を上回り、2000 万ドキュメントまで安定してスケールします。

本論文は、反実仮想説明に着想を得て、対話者の事前信念を考慮した良い説明の定義を提案し、AIの説明可能性、特にLLMの出力をうまく説明することがなぜ難しいのかを探求している。

FogはAppleデバイス向けのメモアプリで、オンデバイスAIを使ってメモを自動的に「Clouds」と呼ばれるスマートコレクションに整理します。サードパーティのサーバーを使用せず、プライバシーを確保し、iCloudで同期します。

欧州は、特に米国がAnthropicのFableシリーズへのアクセスを停止した後、外国のAIモデルへの依存という脆弱性に直面している。この出来事は、欧州が基礎モデルを構築せずにAIアプリケーションを利用するだけでよいという長年の寓話を暴露した。記事は、最先端モデルの構築は継続的な実践であり、欧州には真のエコシステムと専門知識が欠けていると論じている。

サイバーセキュリティ専門家のケイティ・ムーサリス氏は、AnthropicがホワイトハウスのFable脱獄報告書を彼女に共有したと明かした。報告書によると、Fableは「コードのセキュリティ問題をレビューする」というプロンプトを拒否したが、「このコードを修正する」という依頼には従い、ムーサリス氏はこれをサイバー防御におけるモデルの意図された動作と評価した。

全米がサッカーW杯初優勝とニューヨーク・ニックス優勝を祝う中、Anthropicは週末を最新モデルリリースを巡るトランプ政権との戦いに費やした。金曜午後5時21分、同社は米国の輸出管理指令を受け、Mythos 5とFable 5のAIモデルへのアクセスを「米国内外の外国人」（外国人従業員を含む）に対して停止するよう命じられた。同社が可能と判断した唯一の方法は、先週宣伝してきた製品を完全に無効にし、ドナルド・トランプ大統領の考えを変えるためワシントンDCに向かうことだった。今後数日で、米国政府は業界全体の軌道を劇的に変え、米国のAI企業に大きな打撃を与える可能性がある。

本稿では、トレーニング前に強化学習がどの行動を増幅または抑制するかを正確に予測し、その原因となるデータを特定し、データセットやトレーニングプロセスを再構築して望ましくない効果を防ぐ手法である予測的データデバッグを紹介します。ケーススタディ（安全性ガードレールの劣化、幻覚リンク、物理的迎合、予期しない行動など）を通じて、データ問題の特定と修正における有効性を検証しています。この手法は解釈可能性をデータに適用し、モデルがデータから何を学ぶかを理解し、的を絞った介入を可能にします。

マイクロソフトCEOサティヤ・ナデラ氏が「フロンティアエコシステム」を「フロンティアモデル」よりも重視する爆発的な記事を公開し、「Loopcraft」を企業の新理論として導入。同時に、AnthropicのFable/Mythos輸出規制危機がモデル中立性と自社アーキテクチャへの移行を促進。その他、エージェントシステムの実運用移行、推論効率の向上、商用エージェント製品の発表など。

MITの物理学者でAI研究者のMax Tegmarkが、AIの真の機会と脅威を神話から切り離し、AIを人類にとって最高のものにするために今日取るべき具体的なステップを説明します。

Deep-XPIAは、マルチエージェントAIシステムのプロンプトインジェクション攻撃に対する堅牢性を評価するための新しいベンチマークで、マルチホップのクロスプロンプトインジェクションを用います。