新たな論文が、LLMのパーソナライゼーション評価が合成データに大きく依存しており、実ユーザーでの性能と乖離していることを明らかにした。550件の人間会話と約2万件の人間判断を3段階にわたり収集し、各段階でのシステム限界を浮き彫りにするとともに、軽量な訓練介入が初期段階の評価ギャップを縮小できることを示した。

PolyFactデータセットを導入し、GRPO強化学習が教師あり微調整よりも言語間の事実一貫性と汎化において優れていることを示した。

GPLFRと呼ばれる新しいモデルは、ガウス過程事前分布からの低次元潜在状態の線形ガウス復号により高次元出力を表現し、圧縮と予測を統合。低データ領域に適し、岩石系太陽系外惑星の全球気候モデルの空間分解エミュレータ構築に初めて応用された。

本論文はprogram-of-layers（PoLar）という概念を提唱する。事前学習済みLLMの層をモジュールとして扱い、入力ごとに動的にスキップやループを行うことで、多くの場合より少ない層数で同等以上の精度を達成し、元モデルの誤予測を訂正できることを示した。軽量なPoLar予測ネットワークが実行プログラムを生成し、数学推論ベンチマークで標準推論や既存の動的深度手法を一貫して上回り、分布外評価でも利得が持続する。

本論文は、現在のAGIに満たない能力レベルの生成モデルが知識生産と文化継承に構造的リスクをもたらすと主張する。人間の時間的学習（HTL）を、問題への継続的な関与を通じた経路依存的な知識蓄積と定義する。生成モデルの出力は表面特徴においてHTL集約的作業にますます類似しており、真の人間学習を検証するコストが期待される便益に対して増大する。検証が経済的正当性を失うと、評価者は生産手段に関わらず出力を報奨し、何年もの学習に投資した生産者はほぼゼロコストで生成される出力と価格競争を強いられる。この経路を「価値崩壊」と呼び、高コスト検査フレームワークで形式化する。学術出版、法務実務、コンテンツプラットフォーム、ソフトウェアセキュリティからの分野横断的証拠が、検証侵食の4段階にマッピングされる。アライメントの成功は直交する。より良いアライメントは人間とAIの出力間の観測可能なギャップを狭め、個々のAI出力が改善してもソース検証を困難にし、HTL集約的作業への競争圧力を強める。

記号回帰（SR）における不確実性定量化（UQ）に初めて焦点を当てたサーベイ論文。既存研究を頻度論的、ベイズ的、モデル選択の3方向に分類し、信頼性の高いUQ手法が依然として不足しており、実世界の意思決定への応用を制限していると指摘する。

本論文では、深層デコーダのみのTransformer向けに、軽量なマルチレゾリューション残差ルーティング手法WAV v1を提案。標準的な残差ストリームは固定重みで集約するが、WAV v1は各ブロックに位相ベースと分割ベースの2つの方向性詳細ベースを追加し、注意とMLPの不均衡や初期・後期サブレイヤーダイナミクスを捉える。これらをブロック要約と共にルーティングし、負の初期化と分離RMSマッチングで訓練を安定化。文字レベルのTinyStoriesとText8言語モデリングで、12層では一貫しないが24層で競争力を持ち、48層では全てのベースラインを凌駕。48層での検証損失はBlock AttnResと比較してTinyStoriesで0.4960→0.4738、Text8で0.9363→0.9305に低減し、パラメータ増加は無視できる。方向性残差詳細が深層Transformerのスケーリングに重要であることを示す。

MacArenaは、Apple Siliconのネイティブ仮想化フレームワーク上で動作する、50アプリケーションにわたる421の手動検証済みタスクのベンチマークです。macOS固有のGUI課題を明らかにし、移植タスクとネイティブタスク間でモデルランキングが逆転することを示しています。

研究者らはテラヘルツデュアルコーム分光法（THz-DCS）を用いて12種類のポリマーを分類し、マルチスケール特徴アテンションネットワーク（MSFAN）という深層学習アーキテクチャを提案した。85.2%の分類精度を達成し、最先端モデルを上回る性能を示した。

拡散大規模言語モデル（dLLM）はトークンを反復的に洗練するが、一度コミットすると不可逆的であり、初期の決定が脆弱なまま残る「安定性のラグ」を引き起こす。ポストトレーニング量子化（PTQ）誤差は、書き込みフロンティアでこれらの境界上の決定を容易に反転させ、永久に固定・増幅する。この問題に対処するため、FAIR-Calibを提案する。これは2段階のPTQフレームワークで、第1段階で完全精度の教師モデルをプローブして位置事前分布（フロンティアヒットとマスク段階の信頼性を組み合わせる）を推定し、第2段階で重み付けされた隠れ状態MSEを最小化することでオフポリシーの層別キャリブレーションを実行し、高価なエンドツーエンドの拡散ロールアウトを必要とせずに脆弱なフロンティア状態の保護を優先する。理論的には、重み付け目的関数が出力KLダイバージェンスの代理であることを正当化する。実験では、FAIR-CalibはLLaDAおよびDream（W4A4）において最先端のベースラインを一貫して上回り、フロンティア決定の反転を大幅に削減し、コミット後の不整合を抑制する。

Elmes* は、教育における大規模言語モデル（LLM）評価のための細粒度でシナリオ固有のルーブリックを自動構築・洗練・適用するエンドツーエンドのフレームワークである。教師・生徒・審判の多エージェントエンジンと自己進化モジュール SceneGen を組み合わせ、330 シナリオをカバーする Edu-330 ベンチマークを構築した。実験では、トップモデル間の差は創造性と価値観の統合に主に現れ、教育特化モデル InnoSpark が人間評価で最高平均スコアを達成した。

arXiv論文が、対称擬似ブール制約を持つブール充足可能性問題に対する並列連続局所探索（CLS）を研究。冗長な制約が収束を妨げる可能性があること、CLSがハイブリッド設定でサブソルバーとして有望であること、鞍点密度の高い目的関数のため局所探索が解品質の安定分布に急速に収束することを実験的に示し、アクセラレータハードウェア上での実用的利用に知見を与える。

AFSATは、FastFourierSATの概念実証を完全なエンジニアリング済みソルバーへと発展させた。異種の対称制約を単一インスタンスで扱い、JAXによる並列連続局所探索、数値安定性の改善、複数アクセラレータでのほぼ線形のスループット拡張を実現する。

本ICML口頭発表の立場論文は、モデルを静的な成果物ではなく進化する訓練プロセスのスナップショットと捉え、訓練後の振る舞い分析にとどまらず、訓練ダイナミクスを予測・介入・設計するAI科学の必要性を主張する。

CARVE-Qは、自動運転における拒否された操作の認証付き修復のための新しい量子-AIハイブリッドアーキテクチャです。量子最小探索を使用して修復列挙を高速化し、安全認証を古典領域に保持することで、証明可能な高速化と100%のコンプライアンスを実現します。

新論文は、現在のAI制御評価が攻撃者が戦略的に攻撃タイミングを選ばないと仮定しているが、開始ポリシーと停止ポリシーを導入することで、BashArenaとLinuxArenaの2つのエージェント環境で測定される安全性が大幅に低下することを示した。1%の監査予算では、開始ポリシーは両環境で安全性を20ポイント低下させ、停止ポリシーはBashArenaで20ポイント、LinuxArenaで28ポイント低下させる。著者らは、将来の評価で攻撃選択を考慮することを推奨している。

大規模言語モデルは数学的推論において顕著な進歩を遂げているが、既存のベンチマークは通常、最終的な答えや完全な証明を伴う明確に定義された問題を評価するものであり、協力的なオープンプロブレム解決を捉えていない。本論文では、MIT PRIMES-AoPS CrowdMathプログラム（2016-2025年）から得られた164件の専門家注釈付き進行チェーンからなるデータセットCrowdMathを紹介する。各チェーンは、オープンプロブレムの提示から証明完了までの複数参加者によるフォーラム議論を追跡し、投稿は機能的な役割に基づいてラベル付けされる。6つの最先端モデルを評価した結果、次投稿予測では83-88%の精度を達成したが、投稿役割分類では最良モデルでもマクロF1=0.42と低迷し、協調的な数学的進行の理解におけるギャップが明らかになった。

Lean4Agentは、依存型形式言語Lean4を用いてLLMエージェントの動作をモデル化・検証する初のフレームワークです。FormalAgentLibによる意味的一貫性の検証と実行時障害の特定、LeanEvolveによるワークフロー改善を提供します。SWE-Bench-VerifiedとELAIP-Benchでの実験では、検証合格ワークフローが不合格のものより平均11.94%優れ、LeanEvolveがさらに7.47%の改善をもたらしました。

DiBSは、数独などの制約充足問題の求解効率を改善するための拡散モデル誘導探索手法である。記号ソルバーの完全性を維持しつつ、拡散モデルを用いて探索分枝の順序付けを行い、困難なインスタンスでの探索コストを大幅に削減する。

本論文では、機械学習におけるバイアスを対称性の破れとして形式化し、損失ベースの正則化により対称性を回復する手法を提案。合成データセットにおいて90%以上の違反削減を達成し、精度低下は約5%にとどまる。因果グラフの知識は不要で、計算負荷が軽く、ビットフリップで定義可能な任意のセンシティブ属性に一般化できる。

Cerebroのホワイトペーパーは、企業そのものをインフラとして実装することで、小規模オペレーターがAIネイティブ企業を運営できると提唱しています。メモリ、意思決定、ワークフロー、エージェント、モデル、ガバナンスのすべてがバージョン管理され、検査可能で、オペレーターが所有します。これは、Claude Code向けのオープンソースOpsスキャフォールドであるLibroのコンパニオン文書です。

本記事では、Claude Codeのカスタムステータスラインスクリプトを紹介します。コンテキスト使用率、トークン数、コード変更量、レート制限の残り容量をリアルタイムで表示し、開発者が予期せぬ制限に遭遇するのを防ぎます。

NVIDIAとLGグループは、ロボティクス、自動運転、データセンター技術、GPUクラウドサービスにわたるLGのAI駆動ビジネスを加速するため、AIファクトリーを建設する。両社はNVIDIAのフルスタックAIファクトリープラットフォームとLGの家電、ロボティクス、モビリティ部品における世界的リーダーシップを統合し、物理AIシステムのための統一ワークフローを構築する。

TeardownHQ は、インディーSaaS創業者向けに検証済みの収益データと深層リサーチのプレイブックを提供し、スタートアップの成長をチャネル、価格設定、Go-to-Market戦略の観点から詳述します。ディレクトリは無料、完全なティアダウンは有料です。最初の500人にはファウンディングメンバー生涯契約が利用可能です。

Solarch は AI を活用してインタラクティブな図を作成し、コードとの同期を常に保ちます。

Preseason.ai は、初心者からエキスパートまで、さまざまなレベルのコーディングプロンプトに対してAIモデルがどのツールを選択するかを追跡するオープンソースのベンチマークです。プラットフォームは、高度なシナリオごとにツールをランク付けし、人気のあるオプション間の直接比較を提供します。

PandaProbe Cloudは、完全マネージドのエージェントエンジニアリングプラットフォームです。

アクセス、安全性、共有された繁栄に焦点を当てたAIの未来へのビジョン。OpenAIはAGIがすべての人に利益をもたらすよう取り組んでいます。

OpenAIは、アクセス、安全性、共有される繁栄に焦点を当てたAIの未来像を描き、AGIがすべての人に利益をもたらすよう取り組んでいます。

学生がAIチャットボットを過度に使用してエッセイを書いている問題を指摘。将来的に専門家に不可欠なスキルが欠如し、社会に悪影響を及ぼす可能性について論じる。