本論文では、COD10Kに基づくロバスト性ベンチマークCOD10K-Cを提案する。8種類の劣化タイプと5段階の深刻度を含み、合計40条件、81,040の評価ペアを提供する。SINet-v2、PFNet、ZoomNet、および軽量モデルRobustCODLiteを評価した結果、すべてのモデルが劣化画像で性能低下を示し、特にモーションブラーとガウシアンブラーの影響が大きい。RobustCODLiteは劣化拡張、周波数事前分岐、不確実性一貫性損失を用いて、劣化下でもクリーンDiceスコアの92.3%を維持し、他のモデルを上回る。ベンチマークとコードは公開予定。

Qwen3-14Bを対象とした研究で、線形プローブが演繹・帰納・アブダクションの推論タスクを100%の精度で識別できるものの、その分離は完全に形式の交絡因子によって駆動されていることが判明した。ソースの同一性、選択肢の数、応答の長さを残差化すると精度はチャンスレベルまで低下し、高いプローブ精度は計算構造ではなくタスク形式を反映していることが示された。

大規模言語モデルエージェントが各決定ステップで冗長なテキスト推論を生成する非効率性に対処するため、研究者は適応的潜在エージェント推論（ALAR）を提案する。これは、ルーチン的なターンではコンパクトな潜在推論を使用し、より深い検討が必要な場合にのみ明示的な連鎖思考に切り替えるデュアルモードフレームワークである。実験では、検索タスクで最大43.6%、ツール使用で84.6%のトークン削減を達成し、タスク精度を維持した。

研究者らは、ハイエクの市場調整理論に触発された「エージェント経済」フレームワークを提案する。オークション、支払い、富の蓄積といった経済的信号が分散型のクレジット割り当てとエージェントの進化を促進し、5つのタスクでより強力なモノリシックベースラインを上回る創発的な多段階推論戦略を生み出す。

系統的な監査により、FOLIO検証セットの約39%、MALLSテストインスタンスの約36%に一階論理形式化の誤りがあることが判明。著者らは修正済みの正解ラベルを公開し、3つの最先端LLMで9〜22ポイントの精度向上を示すとともに、最も誤りやすいインスタンスに人間のレビュアーを導くLLMベースのフレームワークを提案。これにより、24%未満のインスタンスをレビューするだけでデータセット精度90%を達成できる。

研究者らは、13～17世紀のテルグ語古典詩を現代のテルグ語および英語の散文に翻訳するためのデータセット「Padyam2Gadyam」を発表した。600の詩と人間による検証済み翻訳で構成される。5つの大規模言語モデルを評価した結果、両言語で改善の余地が大きいことが示された。

新研究により、大規模言語モデル（LLM）は単一の会話からユーザーの社会人口統計的特性を正確に推測することが難しいものの、グループ間の結果格差は存在し、その主な要因が会話の話題であることが明らかになった。話題は社会人口統計グループの代理として機能し、予測不能な形でLLMの助言に影響を与えるため、公平性への懸念が生じている。

本研究は、大規模言語モデルの表現における語彙的重複の影響を調査し、語彙効果が全ての層にわたって持続し、アーキテクチャや訓練方法に関わらず一貫していることを発見した。中間層では語彙と意味の信号が同時に劣化する領域が存在し、要約やモデル編集などの下流タスクにも影響を及ぼす。

31の大規模言語モデルを対象としたベンチマーク研究により、多くのモデルがドイツの平均的な回答者よりも環境進歩的な態度を示す一方、プロンプト条件によって態度が変化し、ユーザーが指定したイデオロギーに迎合する同調的シフトが生じることが明らかになった。これは実世界展開における操縦可能性と規範的信頼性への懸念を提起している。

研究者らは、1万2千以上の慣用句をカバーする19万以上の文脈付き例を含む大規模多言語ベンチマークIdiomXを提案した。慣用句の検出、検索、解釈を評価する4つの統一タスクを定義し、文脈考慮型Transformerモデルが検出性能を向上させ、ハイブリッド検索と再ランキングが単言語・クロスリンガル検索を強化することを示した。

GATDはテーブル拡散デノイザに列間のペアワイズ角度と長さを明示的な補助監督として注入し、平均3.5倍少ないパラメータでSOTAを達成。性能向上が追加入力や容量ではなく監督信号に由来することを示した。

ReLoRAは、進化するLLMサービスにおいてサービス対応済みのLoRAアダプタを効率的に復元する知識再利用再適応フレームワークです。ベイズ最適化による互換性を考慮した初期化と、スケジュールされた正則化による微調整を組み合わせ、ベースラインと比較して準備時間を最大8.9倍短縮し、精度を最大4.6%向上させます。

StenCEフレームワークは、ECGと血管造影のクロスモーダル対比学習を用いて事前学習を行い、ECGから狭窄関連特徴を抽出。重度狭窄分類で初めて高性能を達成し、非侵襲的早期スクリーニングの可能性を開く。

本論文は、単一の真実の源に基づくオーケストレーション、時間的異常検出、不均衡対応アンサンブル学習、説明可能性指向のガバナンスを統合した決定論的な気候リスクインテリジェンスフレームワークを提案し、監査可能なESG検証を実現するとともに、オープンな再現性のための合成ベンチマークを公開する。

論文は、全スライド画像の生存分析におけるTransformerの計算ボトルネックとMambaの入力順序感度を解決するため、TopoMamSurvフレームワークを提案。トポロジー認識順序付けと双方向Mambaモジュール、グラフ畳み込みネットワークを統合し、長期依存関係モデリングと空間構造利用を効率的に実現。5つのTCGAデータセットで性能優位性を確認。

研究により、データセット内のクラス分割評価において、保留された異常クラスが表現空間で正常な混合と重なる場合、異常スコアがランダムになったり反転したりする可能性があり、最適なスコア方向が未知の異常クラスに依存することが示された。訓練不要の診断手法「近傍クラスリーク」を導入し、複数のデータセットと潜在空間でスコア方向の不安定性を予測できることを実証。クラス分割ベンチマークは幾何学的依存のストレステストとして扱うべきだと結論付けている。

研究者らは軽量な独自CNNを提案し、脳波ベースのBCIの敵対的ロバスト性を評価した。2つのEEGデータセットと勾配ベースの攻撃条件下で、EEGNet、DeepConvNet、SleepEEGNetより安定した分類性能を示した。

本論文は、ニューラルネットワークの損失景観における曲率指数αが層タイプ間で異なる理由（畳み込み層で約2、Transformer注意層で約1、MLP上昇射影層で1未満）を説明するスペクトルアラインメント分解を提案する。この分解は、αの変動をKronecker因子固有基底と勾配特異方向の間の幾何学的アラインメントに帰着させる。さらに、スペクトル伝達恒等式s=αγを導出し、独立にフィットしたαとγからHessian減衰指数sを無パラメータで約2%の中央誤差で予測する。アーキテクチャ適応型前処理行列T(σ;α)を提案し、Spectral Newtonオプティマイザが視覚ベンチマークでAdamWを上回ることを示す。

短期レンタル市場の動的価格設定は、財務リスクが高く、説明可能性が求められ、フィードバックが疎であるという課題がある。本論文では、コンテキストバンディットが価格を推奨し、人間のオペレーターが承認・修正・却下できるヒューマン・イン・ザ・ループ・ゲーテッド・バンディット（HITL-GB）フレームワークを提案。承認制約の下では、過去の価格データがオン・ポリシーのウォームアップデータと構造的に等価であり、コールドスタートを回避できることを示す。実際のSTR運用データ（匿名都市市場、2部屋、2022年4月～2026年4月、1,461件の価格設定エピソード）で検証し、ウォームアップによりコールドスタートを約150エピソードから約30エピソードに短縮した。この手法は臨床薬剤投与、与信審査、コンテンツモデレーション、放射線診断など、人間の承認が必要なハイリスク領域にも適用可能である。

arXiv論文がGAMBLeフレームワークを提案。AI駆動研究システム（ADRS）を生成器、評価器、発見メカニズム、予算の4パラメータと有効景観オブジェクトに分解し、760以上の再現実行（46,000回以上のイテレーション）で検証。適切なコンポーネント選択により性能が13-67%、探索効率が6-39倍向上することを示したが、普遍的な優劣順序は存在しない。

本論文は、組み込みエージェントシステム向けのモジュール式参照アーキテクチャを提案する。圧縮されたニューラルネットワークとルールベース論理を実行するオンデバイスエージェントと、小規模言語モデルで高次の推論を行うクラウド拡張エージェントを階層設計で分離し、さらに可観測性・ポリシー適用・安全性を担う横断的なガバナンス層を導入する。

新たな研究は、冗長だが無害な過剰思考と、すでに正しい軌道を不安定にする有害な過剰思考を区別し、最初の正解プレフィックスで停止すると精度が最大21%向上することを示した。早期停止戦略は冗長性を減らすが、有害な逸脱は防げない。

arXiv論文は、プレイヤーの衝突情報を用いてビデオゲームの敵の形態（身体構造と衝突情報）を生成する3つの新しい手法を検討し、いずれもロボティクスの形態生成研究から適応した進化的ベースラインと同等以上の性能を示したと報告している。

本論文では、縦断的電子健康記録から患者軌跡をモデリングする自己進化型マルチエージェントシステムTraj-Evolveを提案。経験プール（ExPool）とマルチエージェント強化学習（MARL）により、肺がん予測タスクで9つのベースラインを上回る性能を達成。ExPoolは特異度、MARLは感度を向上させる。

ChatHealthAIは、事前学習済みEHR基盤モデルからの構造化EHR表現を、タスク認識リサンプラーを介して凍結LLMの意味空間と整列させるマルチモーダル推論フレームワークです。縦断的患者表現と洗練された臨床イベント記述を統合することで、正確な患者予測を維持しながら、臨床に基づいた自然言語推論を可能にします。EHRSHOTベンチマークの3つの臨床予測タスクで評価した結果、競争力のある予測性能を維持しつつ、推論の質と解釈可能性が向上しました。

NOAA国家水モデルの遡及シミュレーションを用いた研究は、無観測流域での上流流量推定においてエンコーダのみのTransformerとLSTMを比較し、LSTMが全体として優位であり、下流情報の追加が全モデルで中央値NNSEを60%以上向上させることを示した。

AURA-Memは、ロボットポリシー向けの一定サイズのリカレントメモリを提案し、観測が次のアクションを変える場合のみ書き込みを行うことで、精度を維持しながらメモリ書き込みを大幅に削減する。学習されたゲートはアクション誤差信号で訓練され、推論状態は4,224バイトに固定され、KVキャッシュは成長しない。実験では、成功率を維持しつつ書き込みを最大7倍削減。

MITとMIT-IBMコンピューティング研究ラボの研究者らは、100万以上の多様なグラフを含むChartNetデータセットを開発し、視覚言語モデルのトレーニングに活用。小規模なオープンソースモデルが大規模な商用モデルを凌駕し、予算の限られた中小企業でもAIを活用しやすくなると期待される。

Dropstone 1.5はターミナルで動作するAIコーディングエージェントです。毎月トップモデルをテストし、最良のものに切り替えます。現在はDeepSeekとKimiモデルを採用し、米国サーバーでホスト、データは保存しません。月額15ドルで週約450回の深いコーディングセッションを提供し、Claude Code Pro（20ドル）の約2倍の使用量です。安全性を重視し、全操作に許可が必要です。

AIコーディングエージェントが従来の人間プログラマとは異なる方法でエラーメッセージを消費することを探究した新しい研究。制御実験により、より詳細な型エラーメッセージがエージェントの修正能力を大幅に向上させること、そして型システムの存在がテストスイートの障害報告のみよりも有用であることが判明した。