Google I/OでGemini 3.5とGemini Sparkエージェント、Gemini Omniマルチモーダル動画生成を発表。イーロン・マスクがOpenAI訴訟で時効により敗訴。Anthropicが9000億ドル評価額で300億ドル調達。AIが80年未解決のエルデシュ幾何学問題を解決。

nilboxは、本格的なVM分離を備えたデスクトップGUIサンドボックスで、ゼロトークンアーキテクチャによりAPIキーを安全に保護します。MCPサーバー、ドメインゲーティング、トークン使用量監視をサポートしています。

OpenAI の最新画像モデル GPT Image 2 は、2026年4月にリリースされ、正確なテキストレンダリング、フォトリアルな出力、自然言語編集、透明背景をサポートします。imagesv2.ai プラットフォームは、無料クレジットやテンプレート、パノラマやツイートスクリーンショットなどの生成ツールを提供。年間プランは50%割引。

BobCAは、ユーザーの好みに合わせてコードを学習する自律エージェントです。

Kunlun TechがSkyClaw-v1.0と軽量版SkyClaw-v1.0-liteをリリース。ネイティブエージェントモデルとしてClaude Opus 4.6などのトップモデルに匹敵する性能を持ち、価格は主流の半分以下。期間限定無料で、OpenClaw、Claude Codeなどの主要エージェントフレームワークに深く対応し、OpenAI APIにも互換。

PACTは、日をまたぐ人とロボットの協働において、現在の観察と蓄積された対話履歴から文脈の十分性を評価し、行動前に確認を求めるかどうかを決める「質問か行動か」の枠組みである。実験では、受動的推論ベースラインと比較して、支援精度と確認有用性の両方が一貫して向上した。

本論文では、GPU加速インクリメンタルポテンシャルコンタクト（IPC）とIsaacSim/Labを組み合わせたロボットシミュレーションフレームワークIsaacIPCを提案する。シミュレーションとビジュアルメッシュ間の変形をマッピングし、リアルタイムでリアルなレンダリングを実現し、データ収集やポリシー評価に貢献する。また、触覚センシングのための幾何モルタル接触ポテンシャル（GMCP）を導入し、接触圧力分布の解像度を向上させる。四足ロボット、器用なハンド、UMIグリッパーなどの剛柔結合シミュレーションで評価された。

本論文は、地形に応じてグローサー高さを連続的に調整できるマルチモーダルホイールを提案する。750回の試験で、適応展開により固定構成と比較して滑りが30.0–58.0%低減し、粒状地形では移動時間とエネルギー消費が最大77.4%改善した。

AcroRLは、一定の参照軌道を調整することで、コンパクトで位置制約のある四rotorの反転飛行を実現する強化学習フレームワークであり、従来の幾何学的制御におけるアクチュエータ飽和やモーター反転遅延の問題を回避する。JAXシミュレーションでは位置RMSEを32%低減し、整定時間を57%短縮した。ハードウェア実験では複数のヨー構成で反転飛行に成功し、位置RMSEは0.35m未満であり、従来の軌道生成および追従との互換性も維持している。

ECo-MoEは、潜在設計ベクトル分布とゲート付き制御エキスパートの混合を同時最適化する枠組みを提案する。個別ポリシーと汎用コントローラの中間を実現し、祖先知識を保持しつつモジュール更新や事前学習ポリシーの注入を可能にし、進化を誘導する。

カスタム直列弾性要素をブラックボックスアクチュエータに後付けした結果、力制御帯域幅が10.32 Hzから30.32 Hz（2.93倍）に向上し、市販センサーよりも7.63%優れた性能を、わずか25 GBPで達成しました。

研究者らは、マルチロボットシステムにおけるエルゴード探索のための新しい異方性拡散手法を提案し、従来の等方性拡散による均一な誤差伝播の問題を克服し、Perona-Malik拡散勾配を用いてロボットの動きを導くことで、より柔軟な被覆を実現する。

MASt3R-Navは、グローバルな幾何一貫性を必要とせず、ピクセル相対接続に基づく新しいマップ表現を提案する。ピクセルレベルのグラフを用いた経路計画と、WayPixelコストマップに条件付けられたコントローラを学習し、シミュレーションと実世界で有効性を示した。

REDは、リソース制約のあるロボットプラットフォーム向けのリアルタイムスケジューリングフレームワークであり、中間サブデッドラインの割り当て、MIMONetの重み共有の活用、計算グラフの再構築により、実行時の環境変化に適応する。NVIDIA JetsonおよびApple Mシリーズで実装され、スループット、デッドライン達成率、堅牢性、適応性、オーバーヘッドにおいて既存手法を上回る。

本研究は、冠動脈造影からTIMI心筋灌流フレームカウント（TMPFC）を完全自動で計算し、冠動脈微小血管機能障害（CMVD）を客観的に定量化する深層学習フレームワークDL-TMPFCを開発・検証した。3施設の655例のコホートで、DL-TMPFCは専門医の手動測定と極めて高い一致を示し（バイアス-0.93フレーム、r=0.98）、冠動脈病変の全スペクトラムでCMVDを正確に識別し、連続的な重症度評価とリスク層別化を可能にした。

ActQuantは、視覚・言語・行動（VLA）モデルのための行動誘導型混合精度ポストトレーニング量子化フレームワークであり、2段階のアプローチによりサブ4ビットの重み量子化を実現し、LIBEROベンチマークと実機UR3アーム上で高い成功率を維持しながらメモリフットプリントを大幅に削減します。

本研究は、多波長衛星画像の欠損スペクトルバンドを再構築するため、従来の線形補間法と複数の深層学習モデルを比較した。深層学習モデルは線形補間を大幅に上回り、特にCNNがほとんどの湖で最高性能を示し、藻類ブルーム監視の信頼性向上に貢献することを明らかにした。

研究者らは、自然な画像視聴時の脳波（EEG）信号から視覚刺激を解読する脳から画像へのシステムを提案した。EEGから画像への検索（200候補中Top-1精度86.30%、Top-5精度98.55%）とEEGから画像への再構成（CLIPスコア0.903）の2つのタスクを扱う。マルチレベルブラー、EVNet特徴、InfoNCE損失、マルチモーダルCLIPアライメント、SDXL-Turbo生成を組み合わせ、EEG信号からの豊かな視覚表現の解読可能性を示した。

本論文は、医用画像における自己教師あり学習（SSL）の体系的なタスク指向レビューであり、75件の研究を分析し、対照学習、非対照・予測学習、生成・再構成学習、ハイブリッド学習の4つのパラダイムに分類。普遍的な最適SSL戦略は存在せず、性能はプレテキストタスク、撮像モダリティ、対象タスクの整合性に依存する。対照学習は分類に適するが微細な病理パターンを見落とす可能性があり、生成的手法は局所解剖構造を保持してセグメンテーションに適する。ハイブリッド法が最もバランスの取れた性能を示す。実践的設計ガイドラインと今後の課題も提示。

デジタルアバターの透かし入れは、背景置換、リフレーミング、フォーマット変換などの後処理が一般的であるため、独自の課題に直面しています。本論文では、5社の商用プロバイダからの50の合成アバタービデオと6種類の攻撃からなるRAWベンチマークを提案します。7つの既存手法の評価により、背景除去などのアバター特有の攻撃が透かしの回復を著しく低下させることが判明しました。提案手法WALTは3D顔再構成を介してUVテクスチャ空間に透かしを埋め込み、ズーム攻撃に対して92.4%、背景除去に対して95.6%の高いロバスト性を達成します。ベンチマークは研究促進のため公開されます。

Nano World Modelsは、拡散強制（diffusion forcing）を中心とした未来のビデオ予測のためのミニマルなコードベースです。生成目的、モデル規模、行動条件付けメカニズム、潜在観測空間、データセット、評価プロトコル、長期ロールアウト手順の統一インターフェースを提供し、ワールドモデルコンポーネントの制御された研究を可能にします。単純な制御環境、ゲームシミュレーション、実ロボットデータでの実験により有効性を検証し、コード、設定、事前学習済みチェックポイントを公開してオープンで再現可能な研究を促進します。

研究者らは、画像を世界、放射線科医の注視系列をその世界内の軌跡と見なす医用画像世界モデルGazeWorldを提案した。注視系列の次のパッチの潜在表現を自己回帰的に予測することで学習し、推論時には画像のみから注視軌跡を生成する。凍結特徴は3つのベンチマークで9つの教師あり設定すべてにおいて最先端の診断精度を達成し、GazeSearchベンチマークでは専用モデルを大幅に上回った。

本論文は、音声大規模言語モデル（Audio LLM）が英語と北京語が混在するコードスイッチング音声の書き起こしで示す系統的な失敗に着目し、直接選好最適化（DPO）によるアラインメントを提案する。混合言語の内容を保持する応答を選好し、失敗パターンを模倣する応答を棄却する選好ペアを構築し、100Kペア（570時間）で3つのAudio LLMを訓練した結果、翻訳ではなく言語構成を保持するようになり、MERは分布内で最大89.6%、分布外で20.0%削減された。

AERICは、復号中の隠れ状態を読み取ることで有害なコンテンツを早期に検出する軽量な安全監視器です。余分なフォワードパスを必要とせず、わずか387の訓練可能パラメータで複数のベンチマークにおいて大規模モデルを上回り、レイテンシの増加はわずか2.34%です。

本論文は、LLM審査員が「手がかり不変」であるか、すなわち根拠とならない手がかりを撹乱しても下位テキストを固定したまま順位と説明が安定するかを検証する因果フレームワークを提示する。複数の手がかり介入、タイ考慮指標、アンカリング攻撃を通じて、実質的な手がかりアンカリング合理化を確認し、PROOF-BEFORE-PREFERENCEが手がかり不変性を大幅に改善することを示した。

TriVALは、自動最適化モデリングの3段階（セマンティック仕様、数学的定式化、コード生成）で明示的な検証を実行する三重検証フレームワークであり、組み合わせ問題のための新しいベンチマークNL4COPを導入します。

本論文は、Form 10-Kからセグメント開示を直接抽出し、報告セグメントと入れ子セグメントの双方を保持するLLMベースのフレームワークを提案する。さらに、複数 filings の情報を統合する検索拡張システムを設計し、縦断的および企業間の比較可能性を支援する。

研究者らは、文献検索、長文脈大規模言語モデル推論、構造化マルチエージェント討論を組み合わせたマルチペルソナ討論システム（MPDS）を提案。電池材料のケースで、MPDSはよりメカニズム的に明確な提案を生成し、アブレーション研究で最高平均スコアを達成した。

Raon-Speechは、英語と韓国語に対応した9Bパラメータの音声言語モデルで、音声理解・生成において最高性能を達成しつつ、テキスト能力も維持。全二重拡張のRaon-SpeechChatにより自然なリアルタイム対話が可能。モデルはオープンソース公開。

139件の研究を分析した系統的レビューは、文書分類におけるマルチモーダルおよびマルチビュー情報融合の性能向上を定量化する初のメタ分析を実施し、統計的厳密性と再現性の課題を明らかにした。