モデル

Outlinesはオープンソースライブラリで、LLMの出力生成プロセスに決定論的な確実性をもたらし、JSONなどの構造化出力をより信頼性高く生成します。推論時に不正なトークンをマスクすることで、出力が事前定義された形式に厳密に従うことを保証します。本記事では、Pythonを用いた3つの実用的なユースケースを紹介します。

「SociaLLMエンジニアリング」と呼ばれる新たなソーシャルエンジニアリング攻撃が、大規模言語モデルを搭載したAIエージェントを標的にしている。これらの攻撃は、LLMの暗黙の社会的理解と信頼境界の欠如を悪用し、機密情報の漏洩や不正な操作を引き起こす。実際の事例には、Instagramアカウント乗っ取り、GitHubワークフローのデータ漏洩、AIブラウザへの「バイオショック」攻撃などがある。この記事では、LLMがなぜ特に脆弱であるか——ユーザーを喜ばせる設計、単一チャネル処理、記憶の欠如——を検証し、人間による監視や堅牢なガードレールなどの緩和策を提案する。

インド企業は、DeepSeek、Alibaba、Moonshot AIが開発した中国製大規模言語モデル（LLM）を活用して人工知能関連支出を抑制しており、長年にわたる対立にもかかわらず、先端技術における中国への依存を拡大している。

スタンフォード大学の研究チームは、エージェントの失敗軌跡から不足能力を診断し、各能力に対して検証可能な合成環境を生成し、GRPOでLoRAアダプタを訓練し、トークンレベルのMoEルーティングで構成するTRACEシステムを提案。τ²-Benchで+15.3ポイント、SWE-bench Verifiedで73.2%のPass@1を達成。

この研究は、ナビゲーションの難易度に関連する血管指標を特定し、将来の複雑性評価を可能にする定量的血管特徴抽出のための自動パイプラインを開発することを目的としています。61名の患者のCT血管造影から血管樹を分割し、大動脈弓タイプ、牛弓の存在、血管長、屈曲度、起始角、逆曲線数などを測定。Soft Actor-Critic強化学習アルゴリズムを用いて120秒間の自律ナビゲーションを実施しました。左側では牛弓とII/III型大動脈弓がナビゲーション時間をそれぞれ30.19秒と37.92秒延長し、屈曲度が高いほど手技時間が延び成功率が低下。右側ではII/III型弓が45.94秒延長し、逆曲線が1つ増えるごとに3.96秒延長し成功率が低下しました。この自動パイプラインは、標準化された複雑性評価と強化学習モデル評価の基盤を提供します。

CLAPは数値行動系列の前に言語記述を追加することで、事前学習済みVLMをVLAに効率的に変換します。単一エポックのファインチューニングで2BモデルがLIBEROで90.8%を達成し、ロバスト性も向上。0.8B、2B、4Bのオープンウェイトモデルを公開予定。

FlowDAggerは、凍結された生成ロボットポリシーを潜在空間での人間の介入から効率的に適応させるサンプル・計算効率の高い手法です。核心はアクション反転：各人間専門家の行動を、凍結ベースポリシー下でそれを生成するノイズにマッピングし、軽量な潜在ポリシーを訓練してベースモデルを誘導します。シミュレーションと実世界の両腕・片腕操作タスクにおいて、教師ありファインチューニングや潜在空間強化学習ベースラインを上回り、事前訓練されたスキルを保持します。

本論文では、大規模テキスト・ツー・ビデオ生成をコンピュータビジョンのプレトレーニングパラダイムとして活用するGenCeptionを提案。深度、表面法線、カメラポーズ推定など多様なタスクでSOTAを達成し、データ効率の良さと合成データから実世界への汎化能力を示す。

C-GAPは、大規模言語モデル（LLM）を用いて言語プロンプトを反復的に改良し、再トレーニングや追加アノテーションなしに、視覚言語モデルにおけるレアクラスの検出を向上させる新しいフレームワークです。2つのフェーズから構成されます：まず、シーン記述とクラス数量コンテキストを組み合わせた複合キャプションベースラインを確立し、次に、LLMが少数クラスの平均精度（AP）閾値に基づいて各画像のキャプションを反復的に最適化します。実験では、少数クラスのAPが最大53%向上し、COCOでは約81%の相対改善を示しました。

MultiView-Benchは、視覚言語モデル（VLM）が複数の視点からの観測を統合し、一貫したワールド中心の3Dメンタルモデルを構築する能力を評価するために設計された診断ベンチマークです。現在の最先端VLMは単一視点の2Dタスクでは優れていますが、3D空間関係の理解と視点間の情報統合に苦戦しています。著者らは、情報量の多い視点を積極的に選択し、マルチビュー証拠を融合するマルチエージェントフレームワークViewNavigatorを提案し、ベンチマークで3〜5倍の性能向上を達成しました。

コートジボワールで実施された研究では、超高解像度（0.5m）とデカメートル衛星画像を比較し、VHRはF1=0.92を達成、TESSERAなどの基盤モデル埋め込み（F1=0.86）はスケーラブルな代替手段となることを示した。断片化した景観では性能差が拡大する。

新しい研究により、Vision Transformer（ViT）が自然画像から囲まれ性、凸性、対称性などのゲシュタルト的な図地手がかりを学習できることが示された。25のViTモデルをテストした結果、囲まれ性と凸性は堅牢に符号化される一方、対称性は均一色領域でのみ機能することが分かった。この研究は、ゲシュタルト手がかりが自然シーンの統計から学習可能であることを示し、ViTを知覚組織の計算メカニズム研究のモデルシステムとして位置づける。

本論文は、ICIP 2026 Grand Challenge「Extreme In-the-Wild License Plate Super-Resolution (XLPSR)」への参加内容を述べています。システムは、Hybrid Attention Transformer (HAT)超解像フロントエンドと、2つのシーンテキスト認識器（PARSeq-SとCLIP4STR-B）のアンサンブル、および不確かな位置で棄権する信頼度重み付き文字投票スキームを組み合わせ、公開検証リーダーボードで9.73 wECRを達成しました。パイプラインはRTX 3090上でシーケンスあたり1.7秒で動作し、60秒のDocker予算を大きく下回ります。

Lume-Paletteフレームワークは、照明蒸留と照明投射の2段階にプロセスを分離することで、空間的に制御可能なマルチビュー屋内シーン再照明を実現し、マルチビュー一貫性を維持しながら詳細な3Dライト制御を可能にします。

本論文は、訓練時のみ利用可能な補助モダリティを効果的に活用するためのフレームワーク「Mixture of Probes (MoP)」を提案する。MoPは構造化プロービング機構を用いて中間表現から情報を抽出し、MoP-X訓練戦略によりプローブ崩壊を防ぎつつクロスモーダル学習を促進する。実験では、ベースラインに対して最大65%の相対的改善を達成した。

StereoSplat+は、単一のステレオペアから因果的再構成を可能にする拡散強化フィードフォワードフレームワークです。複数視点の観測を必要とせず、ステレオガウシアン推定器とプログレッシブ推論スキームを統合し、KITTI-360データセットにおいて新規視点レンダリング品質と幾何学的精度を向上させます。

本研究は、オックスフォード大学の第二次世界大戦アーカイブを事例に、クラウドソースコレクションにおける自動キーワード抽出の技術的・倫理的課題を調査。3つのNLP手法を評価し、有望だが完全な解決策はなく、生成AIよりもオープンウェイト抽出モデルが責任ある展開に適していると結論づけている。

本研究は、機械学習を用いた大規模文学コーパスの自動主題索引付けを探求し、ヴォルテール作品をテストケースとして、さまざまなモデルを比較。最良のMistralシリーズ4ビット量子化モデルはF1スコア0.67を達成し、自動索引の可能性を示した。

研究によると、小型双曲言語モデルでは創造性、誠実性、設計された忘却などの特性が現れ、信頼できる伴侶AIへの小モデル経路を提供する。これらのモデルには行動監査役、創造的フレーム・シーダー、記憶オペレーティングシステムが含まれる。

本研究では、11個のGPT-2スタイル事前学習モデルの重みスペクトルを分析し、残差書き込み行列におけるスケール増大とスペクトル集中などの共有深さ傾向を発見。これらのスペクトルパターンを模倣した初期化手法を構築したが、標準的な手法に対する性能優位性は見られなかった。事前学習済み重みの直接再利用が依然として競争力を持ち、粗いスペクトルマッチングだけでは不十分で、よりリッチな情報が必要であることを示唆している。

この研究では、GPT-4oと検索拡張生成（RAG）を用いて、企業報告書、マクロ経済データ、SEC提出書類を処理し、投資家向けブリーフを自動生成する方法を探求しています。システムは4週間にわたり9社をスキャンし、9人の個人投資家が評価を行いました。

知識グラフ（KG）は自動構築時に事実誤差を含むことが多く、AgentKGVは動的ルーティングと反復クエリ書き換えを統合したエージェンティックLLM-RAGフレームワークを提案し、蒸留ベースのSFTと軌跡レベルGRPOによる二段階訓練で精度とコスト効率を向上。T-RExベンチマークで単一ターンRAGよりマクロF1が14.9ポイント向上、検索呼び出し数は半減。

新しい研究が言語モデルにおける創発的ミスアライメント（EM）のロバスト性に疑問を投げかけている。EMを再現しつつも、ミスアライメントとリアライメントはデータセットの表面的な特性（応答長の違いなど）に非常に敏感であり、以前報告された表現の相転移は行動のミスアライメントと一貫して相関しないことが判明した。これはEMの現在の証拠が主張されていたほどロバストではないことを示唆し、より厳密な評価プロトコルの必要性を強調している。

HALOは、粗い洗練段階とトークンスコアリングに基づく選択的な第2段階の潜在洗練を組み合わせたハイブリッド適応潜在洗練手法であり、凍結済み事前学習言語モデルを効率的に改善します。MMLU-ProおよびGPQA-Diamondベンチマークで、固定洗練ベースラインよりも優れた平均性能を達成し、計算コストも低くなっています。

本論文では、大規模言語モデル推論のための効率的なGPU手法を提案。3層の行列ストレージ形式（スパーステンソルコア層、スロットフィリング層、残差層）を用い、50%程度の疎密度で初めて密行列乗算を凌駕する性能を達成。SpInfer比最大1.64倍のカーネル高速化、FlashLLM比最大1.41倍のエンドツーエンド高速化を実現。

本論文では、予測駆動のオンラインエキスパート配置によりエンドツーエンドレイテンシを最小化する新しい分散MoEサービングシステムDirectorを提案する。軽量カスケード予測器または低ビット量子化レプリカを用いてエキスパート活性化パターンを予測し、ほぼゼロダウンタイムのマイグレーションモジュールと、多項式時間で(1+ε)近似比を達成する緩和ベースの最適化器を備える。実験では、Mistral、DeepSeek、Qwenなどの人気MoEモデルにおいて、既存手法と比較して11〜55%のレイテンシ削減を実証した。

本論文では、報酬輸送（Reward Transport）を提案する。訓練時に最適輸送結合を用いてノイズ空間のスカラー座標を分子報酬とアライメントし、推論時にその座標を調整するだけで、オラクルや報酬モデル、勾配ガイダンス、追加計算を必要とせずに生成分布を制御できる。ZINC-250KおよびGuacaMolでの実験により、logPの単調制御とQEDの一貫した制御を示し、汎用的なサイズバイアスが排除される。また、クラシファイアフリーガイダンスと相補的である。

エッジデバイス上でのメモリ効率的な推論を実現するため、StickyMoEを提案します。これは隣接するトークン間の専門家切り替えをペナルティする微分可能なルーティング一貫性損失であり、トレーニング時に直接適用します。実験では、専門家切り替え率を最大60%削減し、パープレキシティの低下は4%未満です。

本論文は、標準対称量子化器のクリッピング問題を解決し、非対称量子化の実行時オーバーヘッドを回避する符号付き対称量子化を提案する。理論解析によりℓ2誤差で条件付き最適性を示し、Qwen3、Llama3シリーズのLLMでパープレキシティと精度の向上を確認した。

iLENSは、大規模言語モデル（LLM）と混合専門家システム（MoE）に基づく解釈可能なフレームワークであり、アルツハイマー病（AD）の前駆期から認知症への変換を予測する。構造化神経画像測定と非構造化情報を統合し、LLMが専門家のルーティングを導くことで、競争力のある予測性能と患者サブタイピングを提供し、ルーティング決定に対して透明で生物学的に根拠のある理由を示し、高性能生存分析と解釈可能な臨床意思決定支援のギャップを埋める。

本論文では、大規模言語モデル（LLM）における知識蒸留（KD）のメカニズムを説明する統一アプローチを提案する。出力を相互作用に分解することで、KDの共通メカニズムが相互作用のスパース化（学生モデルが少数の相互作用のみを保持）であることを発見。性能の違いは複雑な相互作用の処理能力に起因し、複雑相互作用ペナルティ（CIP）損失関数を提案。実験によりCIPが様々なKD手法の性能を一貫して向上させることを示す。

KV-PRMは、LLM生成時に自然に生成されるKVキャッシュを直接利用することでテキストの再エンコードを排除し、スコアリングコストをO(L²)からO(L)に削減する効率的なプロセス報酬モデルです。実験では、テキストベースPRMと同等以上の性能を示しながら、FLOPsを最大5000倍、レイテンシを37倍、メモリ使用量を34倍削減しました。

MedRealMMは、中国全土のインターネット病院から収集した匿名化された医師と患者の対話に基づく大規模マルチモーダルベンチマークです。5,620の症例を64診療科にわたって含み、マルチモーダル臨床チャレンジポイント（MCCP）抽出フレームワークを使用して標準化された次応答生成タスクを作成します。19のLLMを評価した結果、画像情報が信頼できる臨床パフォーマンスに不可欠であり、現在の最先端モデルは医師と同等の肯定的基準を満たす一方で、より多くの否定的基準を引き起こし、安全性に敏感なエラー回避が主要なボトルネックであることが示されました。

本論文では、LLMプランナーと時系列基礎モデル（TimesFM）を組み合わせ、反事実物理注入機構により物理的基盤を持つ自律防御を実現するニューロ・エージェンティック制御フレームワークを提案。SWaTデータセットでLSTMやTCNを上回り、幻覚動作はゼロ。

Long-Horizon-Terminal-Benchは、実験再現、ソフトウェア工学、マルチモーダル解析、インタラクティブゲーム、科学計算など9カテゴリにわたる46の長期的タスクからなるターミナルベンチマークです。タスクを細かいサブタスクに分解し、密な中間報酬と部分点を提供することで、AIエージェントの能力をより包括的に評価します。15の最先端モデルを評価した結果、最強モデルでも部分報酬閾値0.95で15.2%、完全報酬閾値1.0で10.9%の合格率にとどまり、平均合格率はそれぞれ4.3%と1.7%であり、大きな改善の余地があることが示されました。

GATSは、体系的なUCB1ベースの木探索と階層的世界モデルを組み合わせ、計画中にLLM呼び出しを一切行わずに100%の成功率を達成する新しいエージェント計画フレームワークです。合成タスクおよび12の困難なシナリオにおいて、LATSやReActを上回る性能を示し、計算コストも低く抑えられます。

新しい研究CogniConsoleは、大規模言語モデルの信頼性はモデルの能力だけに依存するのではなく、推論時制御に大きく影響されることを示しています。プログラム調整と制限付きプロンプト推論を組み合わせた構造化インターフェースにより、構造的足場を増やすことで出力のばらつきと失敗率を系統的に低減できることが、489回のプローブ実験で実証されました。多くの障害は能力不足ではなく、制御の不十分さに起因しています。

MITとThornの研究者らは、生成AIモデルが児童性的虐待素材（CSAM）を生成可能かどうかを、出力を生成せずに内部の適応を分析して検出する監査手法を開発した。テストでは100%の精度を達成し、拡張性も高いため、プラットフォームや法執行機関が有害なモデルを特定・除去する実用的なツールとなる。

ミシガン大学の研究チームが開発したNeuroVFMは、524万の臨床MRIおよびCTボリュームで訓練された汎用ニューロイメージング基盤モデルです。Vol-JEPA手法は自己教師あり学習をボリューメトリック医用画像に拡張し、放射線レポートラベルなしで脳解剖学と病理を学習します。156の診断タスクでCT 92.68、MRI 92.49のAUROCを達成し、レポート生成、トリアージ、クロスモーダル転送をサポートします。

「直接責任者（DRI）」の概念はAppleに起源を持ち、プロジェクトの成功または失敗に最終的に責任を負う人物を指します。著者は、LLMを搭載したエージェントは決してDRIと見なされるべきではないと主張します。なぜなら、人間だけが責任を取ることができ、機械にはそれができないからです。これは、IBMの1979年のトレーニングスライド「コンピュータは責任を問われることができないため、経営判断を下してはならない」を引用しています。

最新のベンチマーク結果によると、GPT-5.6 SolがPRセキュリティレビューで最高パフォーマンスを示し、100%の再現率と0.91のF1スコアを達成、1PRあたりのコストはわずか0.70ドル。Anthropicのモデル（Fable 5など）はフロンティアに到達できず、コストも高い。Grok 4.5とGemini 3.1 Flash Liteはコスト効率の良い選択肢を提供する。テストではデータ汚染を防ぐため非公開の合成リポジトリを使用。

GPT-5.6 Sol が Fable/Mythos クラスのモデルと明確に位置づけられたことを受け、Anthropic は Claude Max プランにおける Fable モデルの利用期限を 7 月 19 日まで再延長しました。理由は計算リソースの制約で、OpenAI は GPT-5.6 のアクセス制限に自信を見せています。筆者は Anthropic が Fable を恒久的に利用可能にするべきだと提案しています。

AIのパフォーマンスは、精度、スループット、インタラクティビティの3つの次元で決まります。本稿ではスループットとインタラクティビティに焦点を当て、精度を犠牲にすることなく両方を最適化するモデル設計の選択肢を探り、パレートフロンティアを外側に押し広げることを目指します。

著者はBasecamp Benchベンチマークを用いて、GPT-5.6 Sol、Fable 5、Grok 4.5などのAIモデルがフロントエンドとバックエンドを構築する能力を評価しました。Fable 5が両トラックで勝利し、Grok 4.5は速度とコストのバランスに優れていました。結果は、特に最後の10%の仕上げにおいて、モデル間で完成度に大きな差があることを示しています。

SlimeBallBenchは、AIモデルがスライムサッカーで競う新しいベンチマークであり、意思決定と戦略能力を評価します。

最先端のAIラボはチャットボットから統合システムへと移行しており、モデルがランタイムとして機能し、ほぼ毎月のように強力なモデルとエージェントがリリースされています。今週のハイライトは、OpenAIのGPT-5.6（プログラムによるツール呼び出し）、GPT-Live（全二重音声）、ChatGPT Work（成果物作成）、MetaのMuse Spark 1.1（アクティブコンテキスト管理）、Grok 4.5（コーディングと知識作業）です。研究アップデートでは、コーディングベンチマークの問題、選択的アンラーニング、エージェント自己進化、投機的デコード、交通ルーティングが取り上げられています。業界ニュースでは、Lovable、Prime Intellect、SambaNova、Norm Ai、Ollamaの大型資金調達が注目されます。

新しいベンチマークにより、12の研究所の18のAIモデルの108の測定位置のうち97が左寄りであることが明らかになった。結果は一貫した進歩的傾向を示しているが、経済、外交政策、宗教において例外がある。xAIのGrokモデルが中央に最も近く、多くのモデルが特定の質問への回答を拒否し、スコアに影響を与えている。

Thinking Machines Labは「構築する価値のある未来は人間である」と題する報告書を発表。人間参加、モデル所有権、分散型アライメントを技術的課題と位置づけ、インタラクションモデルとTinkerのLoRA微調整に結びつけ、チームが独自のモデル重みを訓練し保持できるようにする。

sqlite-utils 4.1 は 4.0 から数日後の最初のドットリリースであり、いくつかのマイナーな新機能を導入しています。インサートおよびアップサートコマンドに --code オプションが追加され、インラインのPythonコードから行を生成できるようになりました。また、CSV/TSVインポート時に列タイプをオーバーライドする --type オプション、インデックス削除コマンド、標準入力からのSQLクエリ読み取り機能が追加されました。さらに、table.transform() で STRICT モードの切り替えが可能になりました。

Mac Studio上でQwen3.5-122Bを実行する際、3つのバグが原因でキャッシュが無効になり、長文コンテキストでの応答が数分待たされる問題が発生していた。これらのバグを修正した結果、プリフィル時間が88秒から0.64秒に短縮され、会話の流れを妨げなくなった。