arXiv論文は、金融取引シーケンスの時間的ダイナミクスを捉える自己教師ありContrastive学習フレームワークTCTを提案。埋め込み単独でAUC 0.8644を達成するが、ドメイン特徴量と組み合わせてもベースラインを上回らず（0.9205 vs 0.9245）、学習表現が既存特徴量と重複することを示唆。

MahjaxはJAXで実装された完全ベクトル化済みのリーチ麻雀環境で、GPU上での大規模並列ロールアウトを可能にする。8台のNVIDIA A100 GPU上で、無赤牌ルールで毎秒200万ステップ、赤牌ルールで毎秒100万ステップのスループットを達成した。また、ゼロから訓練したエージェントがベースライン政策に対して順位を改善できることも示された。

古典的な交渉理論によれば、交渉の成功は共感と自己主張、他者への配慮と自己への配慮、人には柔らかく問題には厳しくといった相反する要求のバランスにかかっている。しかし人間はこれらの緊張を管理するのが難しく、研究者は制御された条件下で理論を厳密に検証できなかった。AIエージェントはそのような制限がなく、精度、再現性、一貫性、拡張性により新たな実験を可能にする。本稿では、AIエージェントを用いて交渉者のパーソナリティを精密にパラメータ化、操作、評価する方法論「パーソナリティ・エンジニアリング」を紹介する。また、対人サーカンプレックス（温かさと支配性の二次元）を基礎座標系として提案する。このアプローチは古典的な交渉理論を検証するための厳密な方法論を提供するとともに、AI交渉エージェントのパーソナリティ設計に関する実践的なガイドとなる。

本稿では、AgentAtlasフレームワークを紹介する。これは、LLMエージェントを評価するための4つの要素から成る。6つの状態制御決定分類法、9カテゴリの軌道失敗分類法、分類法認識対盲目的手法、およびベンチマークカバレッジ監査である。実験では、明示的なラベルメニューを削除すると、すべてのモデルの軌道精度が14～40ポイント低下し、0.54～0.62の狭い範囲に収まり、どのモデルもすべての指標で勝利しなかった。

arXiv論文は、ベンチマークを補完する「オープンワールド評価」を提唱。長期間・実世界の雑多なタスクを小規模サンプルの定性分析で評価し、CRUXプロジェクトとAIエージェントによるiOSアプリ公開事例を紹介する。

予測と不確実性スコアの両方を出力するシステムを統合的に評価する適切なスコアリング規則ECUAS_nを提案。既存の分離評価や固定コスト評価の不備を克服する。

本論文は、論理推論器が行う選択をニューラルネットワークで順位付けし、答えの探索を効率化するための、論理文の有用な数値表現（埋め込み）の作り方を検討する。triplet lossを用い、反復項を含みやすいアンカー、難易度のバランスを取った正例・負例、最も難しい事例を定期的に重視するという三つの工夫を導入し、複数の知識ベース間で埋め込みを比較する。

AgentCo-opは、再利用可能なスキル、ツール、外部エージェントを型付きアーティファクトの受け渡しによって実行可能なワークフローに合成し、実行失敗時に有界な自己誘導局所修復を適用する検索ベースのフレームワークです。空間トランスクリプトミクスやシングルセルマルチオームなどのオープンワールドゲノミクスケーススタディにおいて、独立に開発されたエージェントやツールリポジトリを再設計することなく調整します。6つのベンチマークで4つに最高結果を達成し、タスクコストを削減します。

本論文はOSCToMを提案する。強化学習、拡張ドメイン固有言語、構成可能なサロゲートモデルを組み合わせ、観察者の視点が自身の信念状態と衝突する入れ子状の信念対立を生成する。OSCToM-8Bは情報非対称なFANToMベンチマークで76%の正解率を達成し、ExploreToMが報告した0.2%を大幅に上回った。データ合成は6倍効率的である。

COSMO-Agentは、CAD生成からCAE求解、結果解析、形状修正までの閉ループCAD-CAEプロセスをLLMに学習させるツール拡張強化学習フレームワークである。多制約報酬により実現可能性、ツールチェーンの堅牢性、出力の有効性を向上させ、25カテゴリのデータセットで大規模オープンソースモデルや強力なクローズドソースモデルを上回る性能を示した。

大規模言語モデルは動的な実環境において概念ドリフトや勾配ベース適応の高コストという課題に直面する。本論文では、パラメータレベルのメタ学習と多層強化学習を活用し、人手によるキュレーションなしで継続的に適応する自己最適化生涯自律推論器SOLARを提案する。SOLARは可塑性と安定性のバランスをとる進化的知識ベースを維持し、常識、数学、医療、コーディング、社会的、論理的推論タスクで強いベースラインを上回り、生涯適応可能な自律エージェントへの重要な一歩を示す。

EvoScene-VLAは、チャンク化された視覚-言語-行動ポリシーにおいて、制御呼び出し間で幾何情報を保持する永続的な行動更新済みシーン状態を導入し、RoboTwinベンチマークと実機ロボットで成功率を向上させる。

本論文はリニアソフトスリーブアクチュエータ（LSSA）の準静的力モデルを構築し、規定伸長試験と静的荷重試験で検証した。出力は圧力・形状・変位・荷重・軸剛性の連成効果に支配されることを示している。

本論文では、ロボットを移転可能な資源として扱い、動的なロボット割り当てを通じた異種多チーム協調を研究する。生態学のハミルトン則を利他的意思決定メカニズムとして活用し、異種能力、移転コスト、能力依存の貢献を考慮した多チーム協調資源割り当てフレームワークを提案する。結果として得られる割り当て問題は組合せ最適化問題であり、NP困難であることが示される。スケーラビリティに対処するため、集中学習と分散実行の下でハミルトン則に基づく利他的割り当てを近似するグラフニューラルネットワークポリシーを開発する。モデルはチーム間相互作用グラフ上で動作し、ロボットレベルの移転決定と次のロボット対チーム割り当てを予測する。消火シナリオでのシミュレーションと実験により、学習されたポリシーが大規模システムにスケールしながら準最適性能を達成することを実証する。

本論文は、未知環境において環境モデルからのリアルタイムフィードバックを用いて目標情報分布をオンライン更新し、従来のエルゴディック探索の弱点を補う適応的カバレッジ戦略を提案する。

研究チームはPGDGを提案する。これは単一のデモンストレーションを、追加の人手ラベリングなしで、物理的に妥当で多様な回復行動のコンパクトなデータセットに拡張するゼロショットデータ生成フレームワークである。4つの両腕操作タスクにおいて、PGDGはシミュレーションとゼロショット実世界転送の両方で空間拡張のみを上回り、RotateBox-Pitchの成功率をシミュレーションで38%から93%へ、実世界で35%から82%へ向上させ、GR00Tのファインチューニングでは46%から77%へ改善した。

本論文では、微小重力環境における多肢ロボットの把持ベース動的移動を研究し、歩行パターン、歩幅、速度、姿勢などの設計パラメータを評価するためのパラメータ化可能な計画フレームワークを提案する。シミュレーションにより、接触力空間の拡大と衝動的全身体ダイナミクスの抑制が性能を向上させることが示された。

研究者らは、表面上のマイクロファイバー形状を制御するための閉ループSim-to-Real強化学習アプローチを提案した。簡略化された無摩擦シミュレータで訓練された方策を、展開時のリアルタイム視覚フィードバックを用いて未モデル化の表面相互作用の影響を逐次補正する。40 Hzで動作する物理的なデュアルグリッパー微操作システムに再訓練やドメイン適応なしで直接転送され、24の初期配置で平均点状形状誤差270±80 μm、3種類の直径と3種類の長さの組み合わせからなる9試料でサブミリメートル精度を達成した。

Guitouni と Becker は、局所的なセンシングと局所通信のみを用い、全体調整なしでドローンの群れが重要資産の冗長な観測を維持できる分散マルチカバレッジアルゴリズムを提案した。一部の故障が任務全体の中止につながらないことを目指す研究で、ANTS 2026 に採択されている。

本論文は、仮想現実（VR）を用いた共有制御フレームワークを提案し、オペレータが未知で制約のある環境でドローンチームをリアルタイムに誘導できるようにする。ユーザー誘導型モーションプリミティブプランナとアドミタンスコントローラを組み合わせ、物理・シミュレーションドローンの混合現実運用を支援する。実験により、障害物回避の改善、機体間距離の維持、オペレータ負担の軽減が示された。

BEiTScoreは、VQAモデルのチェックポイントから初期化された軽量クロスエンコーダに基づく新しい参照なし画像キャプション評価指標であり、敵対的LLMデータ拡張を用いて、高い効率性を維持しながら最先端の性能を達成する。

AVI-HTは、自己中心的な画像とグローブ上の6自由度IMU信号を共同でモデル化することにより、3D手姿勢を追跡する適応型視覚-IMU融合アプローチです。視覚的な遮蔽が激しい手と物体のインタラクションシナリオにおいて、精度と可用性を大幅に向上させます。

MRecoverは、通常取得されるT1w画像からT2w TSE画像を合成する条件付き生成モデルであり、自己回帰スライス条件付けにより体積の一貫性を確保する。7Tデータ（n=577）で訓練され、ドメイン内で高い忠実度（SSIM=0.84、FSIM=0.94）を達成し、3Tデータにも良好に汎化した（サブフィールド体積の相関係数r=0.87-0.97）。動きの影響を受けたADNI3データセットでは、品質管理後に分析可能な被験者が31.8%増加し（593 vs 450）、海馬サブフィールド萎縮の診断群間差の効果量が大きくなった。

本論文は、超音波検査技師の認知ワークフローを模したフレームワークを提案する。病変領域に能動的にズームしてから推論する「Zoom-then-Diagnose」パラダイムと、GRPO内で確率的なグループ単位ロールアウトの予測一貫性からモデル信頼度を推定する不確実性考慮型報酬を導入した。肝臓・乳腺・甲状腺のデータセットで病変局在が39.3%向上した。

本論文は、「アブレーション検証」の診断原則とその具体化であるトークン置換テスト（TRT）を提案し、視覚言語モデル（VLM）が連続潜在トークンを実際に推論に利用しているかを検証する。実験の結果、トークン内容を破壊・置換してもVLMは性能向上の大部分を維持しており、精度向上は潜在トークン推論の誤った指標であることが示された。

UniVLは、テキスト命令を空間マスクにレンダリングすることで独立したテキストエンコーダを不要にし、効率的で制御可能な画像生成を実現する統一視覚言語埋め込み手法を提案します。UniVL-ImgGenベンチマークでは、FIDが14から11に改善、PSNRが16から20に向上し、推論TFLOPsが最大52%、実行時間が最大44%削減されました。

GenEvolveは、各生成試行をツール編成トラジェクトリとしてモデル化し、複数トラジェクトリの比較から構造化視覚経験を蒸留することで、探索・知識活性化・参照選択・プロンプト構築を改善する密なトークン級監督を提供する自己進化型画像生成フレームワークです。

PhysX-Omniは、剛体、変形可能体、関節体など多様なアセットタイプに対応したシミュレーション対応物理3D生成の統一フレームワークです。VLM向けの新しい幾何表現、データセットPhysXVerse、ベンチマークPhysX-Benchを提案し、生成と理解の両方で強力な性能を示しています。

JAMtime.ai は、ユーザーが自然言語で音色を記述するだけで、AIが実際のDSPグラフを生成し、ブラウザ、DAW、将来の物理ペダルでリアルタイム動作するツールです。完全に編集可能で、共有やフォークも可能です。

智譜AIが新たにリリースしたGLM-5.1-highspeed APIは、400 tokens/sの速度を達成し、トップモデルの中で最速を記録。コード生成がまるで噴出するように速く、リアルタイムなパラメータ調整やゲーム世界の動的変更、長文コンテンツの高速処理を実現。推論エンジンやスケジューリングシステムの最適化により、AIエージェントの体験を進化させる。