Luminは、本番環境のLLMエージェント向けのオープンソース運用プラットフォームで、トレーシング、ガバナンス、防御、運用を提供します。OWASP LLM Top 10の保護をサポートし、マルチテナントボットにおけるデータ漏洩を防ぐ5層構造のテナント分離ファイアウォールを備えています。すべてが単一の自己ホスト型Dockerコンテナにパッケージ化されており、クラウドやベンダーロックインはありません。

Textual-debuggerは、TextualとdebugpyをベースにしたPythonターミナルユーザーインターフェース（TUI）デバッガーで、デバッグアダプタプロトコル（DAP）をサポートし、外部ツール（AIエージェントなど）からの制御を可能にするJSON-RPCインターフェースと、デバッグターゲットを独立したターミナルで実行する機能を備えています。複雑なマルチスレッド、マルチプロセス、非同期アプリケーションのデバッグに適しています。

悪質なクローラーによる攻撃を受けて、Simon Willison は Codex (GPT-5.5 xhigh) を使用して、特定エリアへの過剰なアクセスをブロックする設定可能なレート制限プラグインを構築しました。

arXivに発表された論文では、無人航空機と地上ロボットの多様な形態にわたって弾力的な自律性を実現するオープンソースのシステムレベルソリューション「統一自律スタック」を紹介。マルチモーダル知覚、マルチ行動計画、マルチレイヤ安全ナビゲーションの3つのモジュールを統合し、LiDAR、レーダ、視覚、慣性データを融合。回転翼機と脚式ロボットで実地試験が行われ、煙や複雑な幾何学形状などの過酷な環境で堅牢な性能を実証。GNSS非依存ナビゲーション、探索、物体発見、点検計画を可能にする。

本論文は、コネクテッド自動運転システム向けの5層MLOpsアーキテクチャを提案し、集団学習を通じた継続的な安全性と性能の保証を目指す。確立されたMLOpsの原則と既存研究に基づき、フリート事業者らへの概念設計図を提供し、ブラックスワンイベントを含むエッジケースの検出と低減を支援する多段階自己評価を可能にする。

本論文は、自動運転システムの安全性評価において、自己位置の不確かさをガウス分布として陽にモデル化し、信念空間に残差リスクを拡張する手法を提案する。粒子ベースのリスク推定フレームワーク内で、自己と対象物の不確かさの共分散融合を通じて衝突確率を計算する。

本論文では、高自由度ロボットシステムの適応的3D局所ナビゲーションのために、強化学習（RL）と動的ウィンドウ手法（DWA）を組み合わせた新しいハイブリッド手法を提案する。本手法は、スパース点群データを活用して変形可能マイクロロボットの動きと形状を動的に調整し、複雑で制約のある環境内で目標に向かってナビゲートしながら、占有体積を最大化する。シミュレートされた血管ネットワークにおける1080回の試行に基づく実験結果は、RLとDWAベースの局所プランナーの統合が、純粋なRLやモデルベース手法と比較して、変形能力とナビゲーション能力の両方を大幅に向上させることを示している。特に、提案された自律制御器はトレーニング中に高い変形とほぼ完全な経路完了を一貫して達成し、未知のシナリオでも堅牢な性能を維持する。これらの発見は、スパースな感覚条件下での効率的で適応的な3Dナビゲーションのためのハイブリッド計画戦略の可能性を強調している。

トラス格子ロボットのトポロジ、材料分布、制御ポリシーを勾配ベースで同時最適化するフレームワークCOSMICを提案。微分可能シミュレータとニューラルネットワーク制御器により効率的な勾配計算を実現し、制約付き最適化により非凸設計空間を探索。分離設計を上回る多様な移動戦略を発見し、各設計要素の個別・集団効果を解明。

本論文は、自律走行車のリスク認識計画・制御のために、分布力学を予測し、モデル予測制御（MPC）をリアルタイム最適化する学習フレームワークを提案する。実際のオフロード運転データセットを用いた徹底的なアブレーション研究と、実車への展開により、環境に基づく自然な速度調整を実証した。

DIALフレームワークは、連続行動ポリシーのモード崩壊を2段階で解決する：第1段階では意図条件付きフローマッチングとCFGでサンプリング分布を拡大し、第2段階ではマルチインテントGRPOで多様性を維持。WOD-E2E評価で、インテントCFGサンプリングが初めて人間運転デモを上回り、マルチインテントGRPOが保持データのスコアを向上させた。

MindVLA-U1は、最初の統一ストリーミングVLAアーキテクチャです。単一の前方パスで自己回帰言語トークンとフローマッチング連続動作軌跡を生成し、フレーム単位でビデオを処理し、学習されたメモリチャネルで時間的文脈を伝達します。WOD-E2Eベンチマークにおいて、2回の拡散ステップで初めて熟練人間ドライバーを上回り（RFS 8.20 vs 8.13）、計画ADEで従来のVA/VLA手法を大きく凌駕し、VAクラスのスループット（16 FPS）を維持しつつ自然言語インターフェースを保持します。

研究者は、エンドツーエンド自動運転における行動創発を正式に定義し、意味的連鎖思考と時間的一貫性を組み合わせて多様で制御可能な行動を生成するストリーミング意図機構を提案する。彼らのモデルSIはWaymoベンチマークで競争力のある結果を達成し、初めての意図忠実な制御可能性を示した。

LAMPと呼ばれる新しい手法は、2次の時間補正を導入することで拡散ベースの後方サンプリングを強化し、変動性を低減し、追加のデノイジングステップなしで再構成品質を向上させる。

本論文では、長編動画質問応答における証拠不一致問題に対処するため、計画と回答権限を分離するVideoSEALフレームワークを提案し、LVBenchおよびLongVideoBenchで最先端の性能を達成。

M3Netは放射線科医の階層的診断ワークフローに着想を得た新しい3Dネットワークで、マルチスケールのコンテキスト情報を統合し、肺結節の正確な分類を実現する。LIDC-IDRIおよびUSTC-FHLNデータセットで86.96％および84.24％の精度を達成し、最良のベースラインを3.26％および2.17％上回る。

M2Retinexformerは、Retinexformerを拡張し、深度、輝度先行、セマンティック特徴を適応的ゲーティングと段階的精製パイプラインで統合する新しいフレームワーク。LOL、SID、SMID、SDSDベンチマークで最新技術を上回る。

大規模視覚モデル（LVM）は時系列データを画像に変換することで予測に成功しているが、スペクトルと構造のギャップが存在する。SSDAはスペクトル振幅アライナー（SMA）と構造誘導低ランク適応（SG-LoRA）を用いてこれらのギャップを埋め、7つのベンチマークでベースラインを上回る性能を示した。

既存の訓練不要なGUIグラウンディング手法は、反復的なクロッピングや候補集約など複数の推論実行に依存するが、各フォワードパスは指示とビジュアルレイアウトを独立に解釈する。本論文は、VLMのGUIグラウンディングが2段階パラダイムに従うことを明らかにする：プリフィル段階で候補UI要素を決定し、デコード段階で座標を微調整する。プリフィルの誤りはデコードで修正できない。著者らは、注意誘導による2回目のプリフィル段階を導入して目標選択を洗練する訓練不要の手法Re-Prefillを提案する。4種類のVLMと5つのベンチマークでの実験により、ScreenSpot-Proで最大4.3%の向上など一貫した改善を示した。

美的画像クロッピングをマルチモーダル推論タスクとして再定義し、VLMを「分析-提案-決定」プロセスを通じて段階的に推論させ、専門家の選好を学習することで人間の審美眼に合わせる手法を提案。複数データセットで有効性を実証。

特徴サイズがナノメートルスケールに縮小するにつれ、フォトマスクからシリコンウェハへの回路パターンの正確な転写がますます困難になっています。光近接効果補正（OPC）はパターンの忠実性と製造性を確保するために使用されます。近年の生成型マスク最適化モデルは幾何学的変換を捉えきれず、品質が劣ることがあります。本研究では、MorphOPCを提案します。これは、神経形態モジュールを備えたマルチスケール階層モデルです。実験により、MorphOPCは最先端手法を上回り、より高い印刷忠実性と低い製造コストを達成します。

Scale-Gestは、tiny-YOLOアーキテクチャの密なファミリーに検出器空間を拡張し、デバイス調整済みACE（精度-複雑性-エネルギー）プロファイルを導入し、バッテリー制約下で最適なモードを選択する軽量ランタイムコントローラを備えた、ランタイム適応型ジェスチャ検出フレームワークを提案する。バッテリー駆動のノートPC上で、フレームあたりのエネルギーを4倍削減（6.9mJから1.6mJへ）しつつ、イベントレベルのF1スコア0.8～0.9、平均レイテンシ6msを維持する。また、時間注釈付きのドライバーシミュレーションジェスチャデータセットDSG-18も導入する。

本論文では、モデル予測制御（MPC）に着想を得た推論時最適化フレームワークFPILOTを提案する。FPILOTは、強化学習ベースのポートフォリオ管理エージェントが、再学習なしで価格予測を活用し、取引時に動的にポリシーを適応させることを可能にする。TradeMaster DJ30ベンチマークでの評価では、5つのポリシー学習アルゴリズムすべてにおいて、総収益とリスク調整後指標が一貫して向上し、予測精度が高いほど改善幅が大きいことが示された。

MOPDフレームワークを提案。学生モデルの複数の生成軌跡（成功と失敗の両方）を利用して教師信号を強化し、標準的なオン・ポリシー蒸留手法を凌駕する。実験では、成功と失敗を混合したコンテキストが検証報酬により正確に一致する教師スコアを生成することを示した。

本論文では、学習された埋め込み空間で直接監視を行う時相論理である埋め込み時相論理（ETL）を提案する。ETLは観測埋め込みと参照観測から導出された目標埋め込みとの距離によって述語を定義し、高レベルの知覚概念を捉える。時相演算子と組み合わせることで、時間的に拡張された逐次的な知覚行動を表現する。複数の操作環境での実験により、ETLはグラウンドトゥルースの意味論と強い一致を示した。

研究者らは、ミニバッチSGDと勾配クリッピングで学習されたKolmogorov-Arnoldネットワーク（KAN）に対して、非プライベートSGDと、独立および時間的に相関したガウスノイズを用いた差分プライベートSGD（DP-SGD）の両方をカバーする初めての母集団リスク境界を確立した。この研究は、非凸設定における相関ノイズDP学習のための新しい解析経路を導入し、従来の研究よりも鋭い境界を達成している。

本論文では、AI支援による意思決定において、AIの確信度と人間の確信度の間の整合性が、最適な意思決定を学習する複雑さにどのように影響するかを調査する。問題を2腕オンライン文脈学習問題として定式化し、後悔の下界を導出し、完全な整合性が学習の複雑さを低減することを示す。実データを用いた実験により、整合性の違反に対する頑健性を検証する。

OceanCBMは、海洋力学の時空間予測とメカニズムの解明を目的とした初の概念ボトルネックモデルです。混合層熱含量（海洋熱波の主要な前兆）を予測するために混合監視を利用し、地球物理流体力学に基づく所定の概念と「自由」概念を中間層に取り入れることで、予測性能を犠牲にすることなく解釈可能で物理的に一貫した表現を実現します。

マルチモーダルグラフ学習（MGL）は多様なモダリティ情報と構造的なコンテキストを統合するが、実世界のグラフは隔離され、モダリティが不完全なことが多い。既存の集中型MGLはフェデレーテッド設定での知識共有を無視し、フェデレーテッドMGLは非グラフデータに焦点を当てている。本論文ではFedMPOを提案し、トポロジ認識型クロスモーダル生成、欠損認識型エキスパートルーティング、信頼性認識型集約により、トポロジ分離完了と信頼性不均衡集約の課題に対処する。6つのデータセットでの3タスク実験により、高欠損および非IID設定で最大4.10%および5.65%の性能向上を示す。

ランダムニューラルネットワーク(RdNN)はランダムな重みを固定することで効率的な学習を可能にしますが、従来の初期化では特徴間の依存関係を無視していました。CAWIはコピュラに基づく重み初期化を提案し、特徴依存性を保持することで、83のベンチマークと2つの医療データセットで性能を向上させました。

本論文は、エージェントが「何をすべきか」ではなく「いつ行動すべきか」に焦点を当てた安全強化学習フレームワークを提案する。実行時保証（RTA）層とLyapunov安定性理論を組み合わせることで、エージェントは安全性を維持しながら通信頻度を大幅に削減する適応的タイミング決定を学習する。倒立振子、カートポール、平面クアッドローターでの実験では、Lyapunovトリガーベースラインと比較して平均サンプリング間隔（MSI）が1.45倍から3.51倍向上した。同じ平均レートの固定LQRコントローラーは不安定であり、適応的タイミングが安全なスパース性を可能にすることを示している。嗜好条件付き拡張により、トレーニングコストの2/11で完全なトレードオフフロンティアを再現し、質量変動や外乱に対するロバスト性も示している。