本研究は、多次元で人間に調和した評価に基づいて治療的応答生成を最適化するフレームワークを提案する。第1段階では、人間がアノテーションしたデータを用いた選好最適化により訓練されたオープンソースの治療的評価器TheraJudgeを導入し、7つの心理的次元にわたって信頼性の高い判断を生成する。第2段階では、TheraAgentを導入し、批評家、コーチ、セラピストの役割を持つ調整された洗練プロセスを通じて評価シグナルを具体的な応答修正に変換する。実験では、TheraJudgeは臨床医の評価と高い一致を示し（ICC=0.87-0.95）、ベースラインや強力なクローズドソース評価器を上回った。TheraAgentは盲検評価で治療品質を0.43ポイント向上させ、低品質応答は2.45ポイント改善され、回復率は94%に達した。

本論文は、多言語・多文化・多イベントのオンライン分極を検出するSemEval-2026 Task 9への提出を述べる。アプローチでは、トランスフォーマーベースモデル（英語はRoBERTa-base、スワヒリ語はAfroXLMR-base）を用い、クラス重み付け損失関数でラベル不均衡に対処し、ラベルごとの閾値調整でマルチラベル分類を最適化する。テストセットでは、サブタスク1のF1マクロスコアは英語0.7901、スワヒリ語0.7910、サブタスク2はそれぞれ0.4615と0.4808、サブタスク3は0.4791と0.5830であり、リーダーボードで競争力のある性能を示した。エラー分析では、非人間化検出や共感欠如の識別に課題があることが明らかになった。

本研究では、Text-to-SQLのテスト時検証において、学習された意味的スコアリング関数としてOutcome Reward Models（ORM）を提案します。GradeSQLフレームワークは、自動候補生成と実行ベースのラベリングによりORMトレーニングを自動化し、手動アノテーションを不要にします。BIRDで最大4.33%、Spiderで2.10%の改善を示し、複雑なクエリでより大きな効果を発揮します。

本研究では、トランスフォーマー言語モデルが「不可能」言語を学習する際、文法感受性は徐々に低下するが、生成能力に顕著な欠陥が見られることを発見。この生成欠陥が人間による習得不可能性を説明する可能性を示唆。

新しい研究は、モデルの精度の違いを制御してLLMのキャリブレーションを比較するフレームワークACEを提案し、多くの先行研究で報告されたキャリブレーションの利点が精度制御後には大幅に減少し、ランキングが逆転することを示しています。

本稿は、生成AIエージェントを行動エンジンとして使用し、パーソナライゼーションアルゴリズムをブラックボックス監査するためのフレームワークを提案する。2024年米国大統領選挙後のXプラットフォームでの1,120エージェントを用いたケーススタディでは、アルゴリズムフィードが時系列フィードと比較して、有害で分極化された政治的で右寄りのコンテンツを増幅し、その増幅の度合いはユーザーのイデオロギーによって異なることが判明した。反事実分析では、人口統計シグナルがペルソナ依存の方法でコンテンツ配信に影響を与えることが示された。

Indi-RomCoMベンチマークは、7つの指示追従タスク、4つのインド言語、3つのコードミックス強度レベルをカバーし、LLMのローマ字化コードミックス指示に対する性能を体系的に評価します。実験結果は、LLMが一貫して低い性能を示し、コードミックス密度の増加に伴い性能が低下することを示しています。推論タスクは検出タスクよりも劣化が少ないです。

AIエージェントのルーティングにおいて、偽陽性・偽陰性事例を用いた1回のLLM書き換えで手動調整と同等のスキル記述最適化が可能となり、スキルあたりのエンジニアリング工数を120分から3.8分へと32倍削減する。

確率的ダウンスケーリングは大気科学や気候モデリングにおける重要なタスクであり、しばしば平均-残差フレームワークが用いられる。しかし、実世界の応用では、この手法は偏りと過小分散のアンサンブルを生成しがちである。原因は残差ターゲットの誤指定にあり、訓練時の残差分布がダウンスケーリングバイアスによりテスト時に必要な分布と系統的に異なる。これに対し、ReMatch（Residual Distribution Matching）を提案。低次元PCA空間での最適輸送により訓練残差分布をテスト時分布に合わせる。合成ベンチマークと実HRRR-ERA5風速ダウンスケーリングタスクにおいて、ReMatchは過小分散を大幅に削減し、キャリブレーションを改善し、強力なベースラインを上回る。

本論文では、深さ方向にオプティマイザの更新を変換することで層間の構造的関係を活用する「深さ方向勾配増強」フレームワークを提案する。単純な窓平滑化演算子を用いた勾配平滑化は、任意のベースオプティマイザ（SGD、Adam、Muonなど）と互換性があり、言語モデルの事前学習、推論のRL後学習、拡散モデル、Vision Transformerにおいて一貫して最適化と汎化性能を向上させる。また、深さ方向の前処理として解釈される構造的な表現進化を促進する。

本論文は、GRPO訓練ダイナミクスの第一原理に基づく縮約モデルを開発し、経験的な単一指数飽和則を過減衰極限として包含し、慣性項を追加してスロースタートフェーズを表現する。このモデルは、グループサイズ不変性、リフレッシュ間隔の鋭い安定閾値、過減衰から振動への遷移など、独立に測定可能な量に関連する予測を提供する。閉形式軌道は、3つのモデルと2つのグループサイズにおいて訓練報酬をR²≥0.91で適合し、予測されたグループサイズ不変性は報酬曲線と8つの数学ベンチマークへの分布外転送の両方で成立する。さらに、報酬曲線だけでは混同される障害モード（報酬ハッキング、アドバンテージ退化、ポリシー集中、動的不安定性）を分離する診断手段を提供する。

本論文は、言語モデルの安全性訓練後に学習状態を取り消すための2係数編集手法「プロセスサイドカー」を提案する。AdamW最適化プロセスの推定を用いて2次精度の記憶取消しを実現し、3つのモデルで単純なタスク算術を上回る結果を示した。

ReactionAtlasは、少数の種分子から手動ルールなしに化学反応ネットワークを自動構築する機械学習フレームワークである。生成モデルとDFT訓練済み機械学習力場を用いて、約47,000の反応と12,000の化合物を発見し、遷移状態をDFT精度に近いレベルで予測する。これにより、特にホルモース回路など生命起源に関わる反応経路の新たな洞察を可能にする。

階層的グローバルアテンション（HGA）は、事前学習済み長コンテキストTransformerにおける密な因果的注意のドロップイン代替であり、再トレーニングやキャリブレーションなしで、1枚のRTX 5090上で64Kトークンのコンテキストを実現し、品質損失は最小限です。

この研究は、決定論的少数ステップ生成が連続画像潜在変数では成功するが、連続テキスト潜在変数では失敗する根本原因が幾何学的制約にあることを明らかにした。滑らかな決定論的マップは、鋭いカテゴリ読み出しの前に離散分岐選択を解決できない。診断指標DABIとCCIを提案し、二つの回避機構（カテゴリコミットメントと確率的再注入）を証明した。

大規模言語モデル（LLM）は多くのタスクで優れた性能を発揮しますが、インスタンス固有の解決策には構造的一貫性が欠け、信頼性の高いデプロイが困難です。MetaFlowはワークフロー生成をメタ学習問題として捉え、合成ワークフローデータでの教師ありファインチューニングと、実行フィードバックを用いた検証可能報酬による強化学習の二段階訓練を実施します。QA、コード生成、数学的推論のベンチマークにおいて、MetaFlowは単一推論でドメイン内タスクで最先端ベースラインと同等の性能を達成し、ドメイン外タスクや新しい演算子セットへの顕著なゼロショット汎化能力を示します。

本研究は、NHANES 2003-2006のデータを用いて、1,381人の成人を対象とした加速度計心臓代謝ベンチマークを構築し、3つのテーブル学習手法（リッジ回帰、XGBoost、TabPFN v2）で糖化ヘモグロビン、中性脂肪、C反応性タンパク質の予測性能を評価しました。TabPFN v2が最も良い成績を示しましたが、中性脂肪の予測は困難でした。また、分割共形予測を用いて予測区間のカバレッジ公平性を評価し、全体的には目標を達成するものの、サブグループ間で差異があることを明らかにしました。

本論文では、MCO-PDEと呼ばれる競合的最適化フレームワークを提案する。複数のデータセットから共有の偏微分方程式を発見し、単一データセット手法の限界を克服する。ソフト競合的加重機構でデータの信頼性を動的に評価し、データセットあたりわずか50の観測値で標準方程式を高精度に復元する。

AgRefactorは、ソフトウェアをHLS互換コードにリファクタリングするためのLLMベースのマルチエージェントワークフローです。自己進化型メモリシステムと自動化ツールを統合し、11のベンチマーク中9つで最先端を上回り、最大6.51倍の高速化を実現します。

本論文は、Huber汚染モデルの下でLLM Juryを形式化し、単一の審査員が偏ったLLM典型的な方法（モード崩壊、sycoファンシー、安全拒否）で失敗すると、任意の正の汚染に対してPoLLが非有界なバイアスを被ることを示す。審査員のコンセンサスを古典的なロバスト平均推定として捉え、RoPoLLを提案し、幾何中央値を集約関数として使用することで、最適な有限サンプル破綻点1/2を達成する。13の審査員（4B-675B）、3つの報酬モデルベンチマーク、4つの汚染体制（最大50%）での実験により、RoPoLLはすべての偏った汚染タイプでPoLLを凌駕し、38Bの3審査員委員会が30%のバイモーダルランダム汚染下でMistral-Large-3（675B）を1.31倍上回る。

本論文では、HASTEという階層型マルチエージェントシステムを提案。競技間の知識をグローバル、ドメイン、競技固有の3つのスコープ階層に整理し、LLM駆動の抽象化で階層間の学習を促進する。MLE-Bench Liteベンチマークで、Claude Sonnet 4.6を使用し1競技あたり12時間で77.3%のメダル率を達成。ウォームスタートではリファインメントイテレーションが52%減少し、知識組織化がモデル強度や計算予算を部分的に代替できることを示した。

新しい研究では、大規模言語モデルを用いた法的推論タスクにおけるマルチエージェント討議手法を調査し、法廷手続きと法的議論に着想を得た2つの新規フレームワークを提案。実験では、単一モデルと同等の全体的性能を示しながらも、有意に異なる回答を生成し、多角的批判的思考を要する問題に優れることが示された。

従来のエージェントはユーザーが明確な選好を持つと仮定するが、実際にはドメイン知識が不足している。本論文はCoPrefモデルとCoShopベンチマークを提案し、最先端エージェントでも5ターン後の精度は56%未満であり、失敗の原因はユーザーのニーズ理解を拡張できていないことにあると示す。

この研究では、推論言語モデル用の隠れ状態不要なチェックポイントストッパー「LearnStop」を提案。自由形式の数学タスクでは、学習による多特徴停止がスカラー終了を上回るが、多肢選択や非常に難しい設定ではスカラールールが競争力を持つ。主な発見は、多くの問題が予算前に正解になるが信頼できるスカラー信号が不足する場合に学習停止が有用であること。

大規模言語モデル（LLM）はマルチターン対話で証拠に基づき信念を更新すべきだが、既存評価は単一ターンに焦点を当てている。本論文では、3つの漸進的に複雑なタスク（ベイズ推定、ベイズ予測、潜在フレームベイズ予測）からなるBayesBenchベンチマークを提案し、LLMの信念更新が合理的ベイズ推論とどの程度一致するかを評価する。7つのLLM（3B-70B）で実験した結果、スケーリングにより潜在推論と証拠蓄積は改善するが、下流予測への信頼できる転移は見られず、潜在構造の推論と合理的信念更新の間にギャップがあることが明らかになった。

この実験的研究は、自然言語クエリを用いたシミュレーションモデルのAI駆動型発見を調査します。データ表現、トランスフォーマーベースの埋め込みモデル、および検索戦略の影響を調べ、データ表現が重要であり、オープンソースの埋め込みモデルが高いパフォーマンスを達成できること、そしてクエリの複雑性が増すにつれて再ランキング手法が重要になることを示しています。この研究はAI駆動型モデル発見のベースラインを提供し、AI駆動型の構成可能性と相互運用性への進展について議論しています。

本論文は、エージェント型情報検索ワークフローにおけるプロンプトを反復的に最適化するフレームワーク「Contrastive Reflection」を提案する。検索や推論のトレースを分析し、エラーに基づく行動スライスを特定し、近傍の成功例と対比することで、教師LLMがターゲットを絞ったプロンプト編集を提案する。HotpotQAでは、Exact Match精度が51.4%から60.4%に向上し、失敗のみやランダム証拠のバリアントを上回り、MIPROv2（59.4%）やGEPA（57.0%）と同等の性能を示した。本フレームワークは、解釈可能性と検証駆動のプロンプト修復を重視する。

自然言語フィードバックが改善に本当に寄与するのか、教師と生徒の制御されたプロトコルを用いて検証。自己フィードバックは効果が薄く、外部の強い教師からのフィードバックが顕著な改善をもたらす。フィードバックを活用する生徒の能力が鍵である。

Context.dev は、ウェブからのデータスクレイピング、エンリッチ、抽出を一つのAPIで実現し、開発者のデータ収集を効率化します。

韓国科学技術院（KAIST）の研究チームは、動物の体の動きを言語モデルが単語を扱うように処理するAIモデル「BehaVERT」を開発し、自閉症マウスモデルの中核的な社会的欠陥を自律的に特定しました。このモデルはベンチマークで既存システムを上回り、解釈可能な推論を提供し、汎用的な行動分析ツールへの一歩を示しています。