研究者らは、実際の法律相談に基づくクエリと専門家が判例法に基づいて注釈を付けた回答を用いたカナダ法律QAベンチマーク「CanLegalRAGBench」を提案した。評価の結果、検索性能は設計選択に敏感であり、オープンソースの埋め込みモデルがクローズドソースモデルと競合できること、自動評価が代替の関連文書を検索したシステムを不当に罰するという限界があることが明らかになった。また、生成された回答はしばしば金標準回答から逸脱し、8～29%の主張が検索文書によって裏付けられていないことが判明した。

ベンガル語の文化的文脈に関する研究は、英語で質問するとグローバルな代替と制度的枠組みが系統的に増加し、ローカルな視点のカバレッジが減少することを示した。ローカルな証拠を提供しても、言語による認識論的シフトは完全には解消されない。

マルチモーダル音声認識の初のバイアス評価により、同じ音声に異なる顔を組み合わせると、mWhisper-FlamingoとGeminiモデルで転写精度が最大4.05ワードエラーレートポイント低下し、自己申告の性別、民族、およびその交差属性にわたる格差が明らかになった。

本研究では、記事ごとの知識グラフで強化されたゼロショットマルチラベルトピック分類フレームワークを提案し、15の大規模言語モデルと8つのデータセットで8つの手法を体系的に評価。キーワード強化分類（AK）が基本手法で最良。グラフ強化は小規模モデルには有効だが大規模モデルには逆効果で、大規模モデルは事前学習から十分な関係情報を獲得していることを示唆。自己無撞着デコーディングは性能向上なしで計算コストを約5倍に増加。

新しいプレプリントは、多言語大規模言語モデルが比喩的表現を生成する際の内部信号が言語固有のものか、言語間で再利用可能なものかを活性化ステアリングで検証した。5つの比喩カテゴリ、6言語、4つのモデルを対象に、方向ベクトルは同一言語内で安定して作用し、他言語にも転移する。特にドイツ語は受け入れやすい対象であり、複数言語から組み立てた方向は対象言語固有の方向に匹敵あるいは上回る場合がある。

歴史的宇宙論を制御された設定として用い、ドメイン適応が言語モデルの説明行動をどう再形成するかを調べた研究。微調整は主に生成時の言語フレームを変化させ、地心説・日心説の立場の変化は二次的に生じることを示した。

新しい論文が「自律型エージェントデータエンジニアリング」を定式化した。これはLLMエージェントが複数領域にわたる訓練データを計画・生成・反復最適化し、学生モデルの専門分野での性能を向上させるタスクである。実験ではGPT-5.2が訓練カリキュラムを構築し、学生モデルを57.29%改善した。

本論文は、ChatGPTが疾患中心の生物医学的関連を生成する能力を評価するプロトコルを提示する。関連生成、オントロジーによる実体検証、文献検証、自己一貫性戦略、およびオープンソースLLMを用いたRAGによる意味的検証ワークフローを含み、ハルシネーションを暴露する。

本論文は確率的ラベルランキングにおけるキャリブレーションを形式化し、全ランキング、サブランキング、トップkランキングをカバーする階層を開発する。全ランクキャリブレーションは他を含意するが逆は成り立たないことを証明。実験では、一般的なラベルランキングモデルのキャリブレーションが不十分であること、およびキャリブレーションがトップ1精度を超えてRLHF報酬モデルの精度と強く相関することを示す。

既存のベンチマークは孤立した短期間の対話タスクを評価するものが多く、エージェントが長期間にわたって分析コンテキストを追跡する能力をテストしていない。研究者らはLongDSベンチマークを導入。68のタスクは実際のKaggleノートブックから構築され、6つのドメインにわたる2225ターンを含む。評価の結果、最良モデルの平均精度は48.45%で、初期から後期にかけて47ポイント低下し、長期エラーが失敗の52%～69%を占めた。追加ステップは必ずしも性能向上につながらず、鍵は分析状態の維持にある。

本稿では、基礎モデルが公開数値ベンチマークを記憶していることを検出するフレームワークNumLeakを提案する。トップLLMは訓練データから正確な数値を高精度に再現し、誤った精度感覚を生み出す。実験では金融・経済データで最大0.99の相関を示すが、新しいデータでは性能が急落する。ホワイトボックスlogprob分析はオープンエンド生成よりも記憶を検出でき、単純なシステムプロンプト防御がほとんどの攻撃を防ぐ。

本論文は、ラベルなしデータで教師なし異常検知モデルを評価するための新しい複合指標であるMADQI（海上異常検知品質指数）を提案する。ARC、PPS、SDS、ECEの4つの指標を統合し、マルチチャンク評価と適応スケーリングで自動正規化する。AISデータセットでの実験でMADQIスコア80.37%を達成し、特にECEとARCが0.907と1.000と優れた性能を示した。

Dual-Spectral Flow Matching（DSFM）という新しいfMRI生成フレームワークを提案。離散ウェーブレット変換と離散コサイン変換をカスケードし、BOLD信号の非定常性やマルチスケール変動を捉え、スペクトルフローマッチングでクラス条件付きコサイン周波数表現を生成、逆変換で生理学的に妥当な時系列を再構成。脳ネットワーク分類性能を向上。ICLR 2026採択、コード公開。

本論文は、ディープニューラルネットワークを必要としない新しい大規模言語モデル（LLM）アーキテクチャを紹介する。RBFネットワークに基づき、損失関数の大域的最適解を閉形式で一回の反復で見つけ、説明可能性と精度を向上させる。

新論文は5つのトランスフォーマーモデルを誤った回答で微調整し、正直版と欺瞞版のペアを作成。線形プローブを用いて、内部表現に転移可能でドメイン不変な「不誠実さの方向」を検出した。欺瞞表現はわずかな教師あり微調整で急速に定着し得ることが示され、活性化に基づくモニタリングへの示唆が得られている。

Unicorn（Universal Correlation Network）は、高次元時系列のスケーラブルなマルチデータセット事前学習のためのフレームワークです。潜在プロトタイプコードブックにより相関モデリングをチャネル識別子から分離し、ドメイン間で転送可能な識別子非依存の相互作用パターンを学習します。実験では、特に少数ショット転送において最先端の予測アーキテクチャを大幅に上回る性能を示しました。

研究チームは、歩行運動学から股関節筋力と関節モーメントを直接予測する深層学習フレームワークを開発し、LSTM、Transformer、Mambaの3モデルを比較。Transformerが60名の健常者で最高性能を示し、大腿骨頭壊死患者へのゼロショットテストでも中程度の予測能力を維持した。臨床応用にはさらなる検証が必要。

量子コンピューティングはNISQ時代にあり、ノイズの制約を受ける。これを克服するには、回路中間測定、量子誤り訂正のための古典フィードバック、動的デカップリングのための精密タイミング制御、校正のためのパルスレベル波形アクセスといったハードウェア指向の機能が必要であり、OpenQASM-3はこれらを提供する。しかし、LLM向けにOpenQASM-3の高度なハードウェア機能を扱うデータセットは存在しなかった。そこでQASM-Evalが開発された。これは初の包括的データセットで、専門家検証済みの100タスクのテストセットと4000タスクの訓練セットからなり、古典論理、タイミングスケジューリング、パルス制御、複雑な実世界ワークフローをカバーする。拡張検証器により構文、量子状態、プログラムタイムラインを自動チェック。評価の結果、最先端のLLMでもOpenQASM-3のコーディングは困難だが、QASM-Evalでファインチューニングすることで大幅な性能向上が見られた。このデータセットはNISQ時代のハードウェア向け量子プログラミングにおける信頼性の高いLLMアシスタント開発の基盤となる。

MAVEN（モジュラーエージェント検証・実行ネットワーク）は、構造化分解、適応型ツールオーケストレーション、中間検証を通じて、ツール呼び出し環境における汎化を強化する軽量な記号的推論フレームワークです。MAVEN-Benchストレステストでは、MAVENはGPT-OSS-120bベースモデルの精度を追加トレーニングなしで48%から71%に向上させ、オープンウェイトバックボーンを使用してプロプライエタリベースラインの約10分の1のコストで競争力を維持します。

既存の医療AIベンチマークは提供者の応答を固定しており、メカニズムが生み出す均衡を評価できない。本研究は、病院のメカニズム設計を言語モデル向けプログラム合成として再定義し、マルチエージェントシミュレーターMedi-SimとLLM誘導進化的コード探索を用いて、アップコーディングを排除し拒否を半減しつつベースラインの資金を維持する解釈可能な混合目的プログラムを合成した。

本論文は、明示的なサブゴール生成を避け、問題を暗黙的にソフトサブタスクに分解する3つのリルーター設計を提案し、計算オーバーヘッドを大幅に削減しながらスケーラブルな探索と最先端のオンライン訓練効率を実現する。

研究者らは、診断・治療・予後という3つの中核的な臨床意思決定タスクをカバーする約96万件のQA項目を含む、自動化されたEHR基盤のベンチマークEHRBenchを提案し、30以上の代表的なLLMを評価した。

新論文は、LLMエージェントのハーネス自己進化能力を「ハーネス更新能力」と「ハーネス利益能力」に分離して分析。更新能力はモデルの基礎能力層に関わらず平坦である一方、利益能力は非単調で、中位モデルが最も恩恵を受け、弱いモデルはほとんど利益を得られず、強いモデルは中位モデルより利益が少ないことを示した。

arXivに投稿された研究論文では、品質多様性アルゴリズムMAP-Elitesを用いてファーストパーソン・シューティング（FPS）ゲームのマップを手続き的に生成する方法を探求している。著者らは2つの新しいマップ表現（Point-LineとSpatial-Layout）を導入し、トポロジカル特性と創発特性のための一連の指標を定義した。スライディング境界付きMAP-Elites（MESB）を使用してマップを進化させた結果、新しい表現は従来の方法よりも多様性と品質において優れたマップを生成できることが示された。

本論文では、ファクター化タスク（FTS）をSATにエンコードする方法を調査し、複数のエンコード戦略を提案し、タスク変換と並列性がSATベースのプランナーのパフォーマンスに与える影響を分析する。

PhyDrawGenは、意味的シーン理解と物理的制約の充足を分離するニューロシンボリックパイプラインであり、テキストから物理法則に厳密に従う図を生成する。力学、光学、電磁気学にわたる1,449問のベンチマークで、GPT-5-image、Gemini 2.5 Flash、Gemini 3 Proを大幅に上回る性能を示した。

PayPalとPalantirの共同創業者ピーター・ティール氏は、AIは数学やSTEM分野に対して、クリエイティブやコミュニケーション職よりも大きな脅威となると主張。LinkedInのデータによると、ストーリーテリングなどのソフトスキルの需要が高まっており、一部の企業は100万ドル以上の報酬を提示。一方、一部のSTEM専攻では失業率が高いが、全てではない。ティール氏は、AIが医学などの分野で数学の壁を不要にする可能性があると示唆。

Mistral Vibeは、長時間実行される多段階の作業やプログラミングタスクに特化したAIエージェントです。Product Huntでの議論を紹介します。

Instagramで、多要素認証（MFA）が設定されていないアカウントに対し、Meta AIを使ってパスワードをリセットできる脆弱性が発見され、修正されました。AI機能のセキュリティリスクが浮き彫りに。

Smart Rename は、ローカルAIモデル（llava）を使用してフォルダを監視し、画像ファイルに自動的に説明的な名前を付けるオープンソースツールです。完全にオフラインで動作し、プライバシーを保護し、システムトレイアイコンから制御できます。