Blaze 2.0は、戦略、コンテンツ、広告を統合した中小企業向けのAIマーケティングツールです。

本論文では、ロボット操作におけるスパース報酬、非単調なタスク進行、有限長ロールアウトによる打ち切りバイアスに対処するため、活性に基づくベルマン作用素を用いたオフライン方策評価フレームワークを提案する。この手法は方策評価をタスク完了問題として解釈し、有限時間打ち切りに対してロバストな保守的固定点価値関数を生成する。シミュレーション上の操作タスク（視覚言語行動モデルと拡散方策を使用）および布折りタスク（人間のデモンストレーションを使用）での評価により、TD(0)やモンテカルロ方策評価などのベースラインを上回る性能を示した。

本論文では、視覚・言語・行動（VLA）モデルの時間的ダイナミクスに対する構造的盲点を修正する、トレーニング不要の閉形式推論演算子「Pace-and-Path Correction」を提案する。単一の二次コストから直交分解されたペースチャネルとパスチャネルが、アクションチャンク内のダイナミクスを吸収し、MoveBenchベンチマークにおいて純動的環境で28.8%、静的・動的混合環境で25.9%の成功率向上を達成した。

物理AIはデジタルAIと異なり、複数回の推論とアクション実行を非同期にインターリーブする。Kairosは、生成-実行ループを第一級市民として扱う初のマルチロボットサービングシステムであり、様々なモデルとロボットでエンドツーエンドのレイテンシを31.8%～66.5%削減する。

研究者らは、高速回転によるモーションブラーを利用して低視認性を実現するシングルプロペラUAV「Phantom Twist」を提案。2段階の自動設計パイプラインでコンポーネント配置を最適化し、安定飛行の制約を満たしつつLPIPS知覚指標を最小化。複数のプロトタイプの製作と飛行試験により有効性を確認。

本論文では、問題をリー群上の2次連続時間力学系として定式化する、分散型ポーズグラフ最適化（PGO）のフレームワークを提案する。ポーズ変数を減衰を受ける質量粒子としてモデル化することで、平衡点は元のPGO問題の1次臨界点と一致する。減衰オイラー-ポアンカレ方程式と半陰的幾何積分器を用いて、リーマン勾配降下法やガウス-ニュートン法などの既存アルゴリズムを一般化する最適化アルゴリズムを設計する。マルチロボット設定では、ブロック対角質量・減衰行列に基づく完全分散並列手法を提示し、各ロボットは最小限の通信オーバーヘッドで自身のポーズに関する常微分方程式を解く。さらに、状態と速度を両方モデル化することで、原理的な近傍予測が可能となり、遅延通信下での収束を大幅に改善する。理論的には、採用した幾何学的離散化スキームの下でエネルギー散逸を保証する十分条件を確立する。ベンチマークPGOデータセットでの実験により、提案ソルバーは同期・非同期の両方の設定で最新の分散ベースラインを凌駕する性能を示す。

本論文では、タスク完了後の3D状態を予測することで言語誘導ロボット操作を改善するForecast-aware Gaussian Splatting (Forecast-GS) フレームワークを提案する。3つの実世界タスクでの実験により、ベースラインを大幅に上回る成功率を示し、自動選択で最大23/25を達成したが、自動ランキングには改善の余地がある。

研究者らはASIP-Plannerを提案。部分的に既知の屋内環境向けの適応型UAV検査フレームワークで、セグメントベースのグローバルプランナーとローカル視点適応モジュールを組み合わせ、予期せぬ障害物に対処。シミュレーションと実世界実験で、軌道長を削減しつつほぼ完全なカバレッジを達成。

ForceFlowは、接触を多用するロボット操作タスク向けに、フローマッチングに基づく力覚対応のリアクティブフレームワークです。非対称なマルチモーダル融合アーキテクチャを採用し、力をグローバルな調整信号として扱い、関節予測パラダイムと組み合わせます。タスクを視覚主体のアプローチ段階と触覚主体のインタラクション段階に階層分解し、Vision-to-Force（V2F）ハンドオーバー機構を導入。6つの実世界タスクでの実験により、強力なベースラインForceVLAと比較して成功率が37%向上し、コストを大幅に削減、ゼロショットのOOD汎化でも優れた性能を示しました。

研究者らは、双曲オートエンコーダを用いてVLA隠れ状態を連続階層空間にマッピングし、意味メモリツリーを構築するECHOフレームワークを提案。背景統合メカニズムにより継続的に改善され、LIBERO-Longでπ0ベースライン比12.8%の絶対的成功率向上を達成し、長期タスクと構成汎化を強化する。

DenseTRFは、テクスチャ中心の注意機構を用いて、手術の密な予測モデルを教師なしで新しい分布に適応させる自己教師ありフレームワークであり、複数の手術手技にわたる汎化性能を向上させる。

ABRAは、エージェントが21のツールを通じてOHIFビューアとOrthanc DICOMサーバを操作する新しい放射線医学ベンチマークです。655のタスクを8種類・3難易度で含み、10モデルのテストでは実行率は高いが結果率は低く、ボトルネックはツール操作ではなく知覚にあることが示されました。

手術手順の臨床グレードの評価レポートを自動生成するため、研究者らはHi-GaTAと呼ばれる軽量な時間アダプターを特徴とする知覚-アライメント-推論フレームワークを提案した。これは長い動画シーケンスをLLM互換のビジュアルプレフィックストークンに効率的に圧縮する。40,000分の公開手術動画で事前学習した手術特化型ビデオエンコーダSur40kの活用、テキスト条件付きデュアルクロスアテンションを備えた時間ピラミッドの採用、クロスレベルゲート融合により、限られた教師データでも一貫性のある手術レポート生成を実現し、強力なMLLMベースラインを上回る性能を示した。

政治的・社会的アイデンティティは人々が政治情報を評価する方法を形作るが、既存の計算ツールはしばしば単一のスコアを算出し、この違いを無視する。本論文は、約5,575人の米国成人による約82,000件の評価から学習し、アイデンティティで定義される観客が同じ画像をどう評価するかを予測する「パースペクティビスト視覚的政治感情（PVPS）分類器」を開発。抗議画像研究に適用したところ、観客のアイデンティティを考慮すると、暴力の知覚や感情メカニズムが実質的に変化することが示された。

LatentHDRは、シーン生成と露出モデリングを潜在空間で分離するフレームワークを提案する。事前学習された拡散バックボーンが単一のコヒーレントなシーン表現を生成し、軽量な条件付き潜在空間マッピングヘッドがそれを露出固有の表現に写像することで、一度のパスで高密度で構造的に一貫した露出スタックを生成できる。これによりマルチパス拡散が不要になり、露出間の整合性が確保され、計算コストは一桁削減される。テキストおよび画像条件のHDR生成を透視・パノラマシーンでサポートし、SI-HDRベンチマークで最先端のダイナミックレンジを達成している。

本論文は、VLM埋め込み空間の線形加法性を利用し、シーン表現を前景と背景に分解する手法を提案する。合成データを用いた事前学習により、Waterbirdsデータセットにおいて完全な擬似相関（100%、マイノリティグループなし）下で初めて90%超のワーストグループ精度を達成。実世界のデバイアスデータを必要とせず、シミュレーションから実世界への転移も強力である。

HiDream-O1-Imageは、ピクセル空間拡散トランスフォーマーを介して、モジュール型アーキテクチャからエンドツーエンドのコンテキスト内視覚生成エンジンへのパラダイムシフトを実現する、ネイティブに統一された視覚生成基盤モデルです。生の画像ピクセル、テキストトークン、タスク固有の条件を単一の共有トークン空間にマッピングし、個別のVAEや事前学習済みテキストエンコーダを不要にします。8Bパラメータで27BのQwen-Imageと同等以上の性能を発揮し、200BパラメータにスケールアップしたHiDream-O1-Image-Proは複数のベンチマークで新記録を達成しました。

研究者らは、2024年と2025年を対象とした10m解像度の世界初の農地境界データセットを公開した。241の国と地域にわたり31.7億のポリゴンを含み、U-NetモデルとSentinel-2画像を用いて生成。24カ国での検証で平均ピクセル再現率0.85を達成。

本研究では、証拠学習に基づく原則誘導型不確実性教師ありフレームワーク（PriUS）を提案する。トレーニング中に3つの知覚整合原則（画像コントラスト、画像劣化の重症度、解剖学的構造の幾何学的複雑さ）を強制することで、医用画像セグメンテーションにおける不確実性推定の解釈可能性と一貫性を向上させる。ACDC、ISIC、WHSデータセットでの実験により、PriUSは最先端手法と同等のセグメンテーション性能を維持しながら、より一貫性のある不確実性推定を生成することが示された。

ReADは、能力間の相互依存性を明示的に考慮する強化学習誘導型能力蒸留フレームワークです。タスクに必須の能力を推論し、適応的に蒸留予算を割り当てることで、固定トークン予算下での下流タスクの性能を向上させます。

研究者らは、NVIDIA Nemotron-3 スパースMoEアーキテクチャに基づくヘブライ語特化型オープンウェイト大規模言語モデルHebatronを発表した。1回のフォワードパスで30億パラメータのみを活性化し、ヘブライ語推論精度73.8%を達成。従来モデルを上回り、Gemma-3-27Bなどの大規模モデルと競合しつつ、約9倍の推論スループットと65,536トークンのコンテキスト長を提供する。

本論文では、BEA 2026 共有タスク「ドイツ語のルーブリックベース短解答採点」へのRETUYT-INCOチームの参加について述べる。チームはメタプロンプティング手法を導入した。これは、LLMが訓練セットの例からカスタムプロンプトを生成し、新しい解答を採点するものである。また、古典的な機械学習、オープンソースLLMのファインチューニング、様々なプロンプト手法も使用した。公式結果：Track1で8チーム中6位（QWK 0.729）、Track3で9チーム中4位（QWK 0.674）、Track4で8チーム中4位（QWK 0.49）。

ReVisionは、連続するスクリーンショット間の冗長な視覚パッチを除去するために学習されたパッチセレクタを使用してマルチモーダル言語モデルを訓練し、トークン使用量を平均約46%削減し、成功率を3%向上させる。この効率向上により、エージェントはより少ないトークンで長い軌跡を処理でき、視覚履歴の飽和はトークン表現の非効率性に起因することが示唆される。

新しい研究により、言語モデルにおいて命令は主に入力処理段階ではなく出力生成段階に影響を与えることが明らかになった。5つの二値判断タスクにわたって層ごとにタスク固有情報をプローブした結果、サンプルトークンの情報は安定しており行動との相関が弱い一方、出力トークンの情報は大幅に変動し行動と強く相関する非対称性が見つかった。注意ベースの介入により、命令の流れを後続の全トークンに遮断すると出力トークンの情報と行動が減少するが、サンプルトークンのみを遮断しても影響は最小限であることが確認された。この非対称性はモデルファミリーやタスクを超えて一般化し、モデル規模と命令チューニングによってより顕著になる。

DP-SGDで訓練された大規模言語モデルにおける社会的バイアスを、4つのパラダイム（文スコアリング、テキスト補完、表形式分類、質問応答）で系統的に評価。DPは文スコアリングタスクでのみバイアスを減少させるが、他のタスクには一般化せず、ロジットレベルと出力レベルのバイアスに乖離があることを発見。

二院制モデルは、2つの凍結言語モデルを隠れ状態で結合し、テキスト系列化を介さない連続的な通信を実現する。算術、論理パズル、数学的推論タスクで顕著な精度向上を達成。

本論文では、約1.5億パラメータの基板上で進化的混合LoRAシステムを3つの要素（ルータ書き換え、ドメイン別1個抜き評価範囲、そして死亡・アルファブレンド継承・SVD変異・スロット再割り当てからなるライフサイクル）に分解する。ルータ書き換えが静的ベースラインに対する改善全体（+0.0426 nat log-PPL）を担う一方、ライフサイクルは正味のドラッグ（約-0.028 nat）である。制御可能な合成サンドボックスは、アダプタがタスクに事前調整されている場合にのみ、ルーティングチャネル上の進化的探索が有効であるという基板条件付き境界を明らかにする。

本論文では、臨床QAにおけるアサーションアウェア検索を評価するための400問のベンチマークClinicalBenchと、各事実にアサーションラベルと時間性タグを付与する患者知識グラフEpiKGを提案する。実験では、ベースラインと比較して有意な改善が見られ、医師による判定により自動生成された参照回答の56%に欠陥があることが明らかになり、人間による検証の必要性が強調された。

新しい論文は、LLMにおける多様性の崩壊がデコード中の2つのキャリブレーションの誤りに起因することを示す有効性-多様性フレームワークを導入する：順序キャリブレーション（有効トークンが無効トークンより確実にランク付けされない）と形状キャリブレーション（確率質量が少数の有効トークンに過度に集中する）。14モデルにわたる実験により、多様性の問題は単なるサンプリングヒューリスティックの欠陥ではなく、根本的なキャリブレーション問題であることが確認された。

本論文は、ESM-2などのタンパク質言語モデルの表現をタンパク質接触グラフに投影し、軽量なグラフ同型ネットワークSoftBlobGINに微分可能なGumbel-softmaxサブ構造プーリングを適用して、構造認識メッセージパッシングと粗い機能サブ構造の学習を行うプラグアンドプレイフレームワークを提案する。酵素分類で92.8%の精度と0.898のマクロF1を達成し、結合部位検出では残基AUROCを0.885から0.983に改善。言語モデルの再学習は不要で、約110万パラメータのみを追加し、監査可能な構造的説明を提供する。