モデル

Kimi K3は2.8兆パラメータのオープンモデルを企業に提供する。しかし米国企業にとって、その利用判断は複雑だ。

NVIDIA Vera Rubinプラットフォームは、極限のコデザインによりトークンあたりのコストを削減し、エージェンティックAI時代のポストトレーニングにおいて知能対ドルを最大化します。Nemotron 3 UltraモデルはSWE-bench verifiedで71.7%を達成し、効果的なポストトレーニングを示しました。

Kimi K3がシステムプロンプトの漏洩を拒否した後、「今日は実際にお手伝いできることはありますか？」と応答し、内部メカニズムを保護しつつ礼儀正しく対応する例を示しました。

OpenTSLMは、時系列をネイティブモダリティとして扱うマルチモーダルLLMであり、テキストと共に生の多変数信号を推論できます。時系列QA、活動認識、睡眠段階分類、ECG QAタスクで、GPT-4oを含むベースラインを上回る性能を示しました。モデルは複数の長い時系列に拡張可能で、メモリ消費はほぼ一定です。ECG推論は7人の循環器専門医により検証され、97%の正答率を示しました。すべてのコード、データセット、モデルはオープンソースです。

NVIDIAは2026年7月15日と16日にNemotron 3 Embedをリリースしました。このコレクションには3つのオープンチェックポイント（Nemotron-3-Embed-8B-BF16、Nemotron-3-Embed-1B-BF16、Nemotron-3-Embed-1B-NVFP4）が含まれています。8BモデルはRTEBで平均NDCG@10が78.46で第1位を獲得。1BモデルはModelOptのNASによる枝刈りと、8B教師からのCOS+MSE蒸留によって生成されました。NVFP4はBlackwell上でBF16の検索精度を99%以上維持し、スループットを最大2倍向上させます。3つのチェックポイントはすべてOpenMDW-1.1の下で32,768トークンの入力をサポートします。

本論文では、微分可能なバリア関数やコスト関数、条件付きガウス過程を用いて制約情報を直接フローマッチングの訓練目的に組み込むフレームワークConFlowを提案し、ロボット動作生成における制約充足と軌道品質を向上させる。2台のロボットのナビゲーションタスクにおける実験では、標準的なフローマッチングベースラインと比較して、衝突率の低減と軌道品質の向上を示した。

本論文は、機能的近赤外分光法（fNIRS）による脳信号を使用してロボット強化学習を調整する可能性を探ります。受動的（観察）タスクと能動的（実演）タスクでのエージェントトレーニングを比較し、パラメータ拡張に焦点を当てた複数の方法をテストしました。結果は、このフレームワークが効果的であることを示しています。脳信号は軌道優先度と状態行動Q値を拡張する際に学習を向上させます。さらに、オフラインデータからの学習に成功し、リアルタイムBCI設定が非現実的または限られたデータしか利用できない状況での実用的な代替手段を提供します。

既存の把持ベンチマークは視覚的な把持姿勢検出に焦点を当てており、多段階の推論や意味的制約を必要とする複雑なタスクを捉えていません。研究者らはGCA-Benchを提案し、シーン推論と意味的制約を含む複雑な動作シナリオで大規模モデルを評価します。実験では、複雑なシナリオでの成功率が70%未満であり、重大な限界が浮き彫りになりました。

DiMaSは、フローマッチング型視覚・言語・行動（VLA）モデル向けの分布マッチング戦略であり、ロボット操作における詳細な行動制御を可能にする。固定方向へのシフトではなく、表現分布間の輸送を行い、2つの最先端VLAで有効性が確認された。また、行動制御の転移可能性を分析し、線形誘導が視覚運動設定で失敗する理由を解明：行動特徴は線形に解読できるが線形に誘導できない。

MEMORAは、ロボットが一人称視点動画からの持続的な記憶を用いて長期計画を行うための身体化行動記憶（EAM）を提案する。4つのタイプの記憶ストア、オンライン編集、オフライン統合を特徴とする。45時間のEPIC-KITCHENS-100動画で評価した結果、記憶精度が最大20.5ポイント向上し、計画スコアが16.6%改善した。

本論文では、事前学習済み視覚-言語-行動（VLA）ポリシーに接触反応性を追加する力認識型後トレーニングフレームワークLIFTを提案する。反応的な行動エキスパートの移植、因果力記憶とクロスアテンションによる6Dエンドエフェクタ力の注入、オンラインDAggerループとの組み合わせにより、タオル折り、本の挿入、ハノイのリング配置において、視覚のみの後トレーニングを上回る性能を示した。

本研究は、音楽や音声の入力に基づいてリアルタイムに運動スキルを自律選択できる、セマンティックオーディオ駆動型人型ロボット制御のためのマルチモーダルオーケストレーションフレームワークを提案する。Unitree G1人型ロボットで検証され、ロバストなシミュレーションから実機への転送が示された。

SD-MARは、視覚言語モデル（VLM）のマルチ画像分析推論タスクにおける訓練と評価のためのフレームワークです。制御された摂動によりペアの視覚シナリオを構築し、意味変化の帰属や定量的比較にわたる推論タスクを生成します。GRPO-liteと後方割引配分（BDA）を用いた強化学習手法を採用し、KL正則化を除去してポリシー最適化を強化します。Qwen2.5-VL-7BとInternVL3-8Bでの実験では、ドメイン内精度が最大36.95%向上し、Qwen2.5-VL-7BはSD-MARベンチマークでGPT-4.1を上回りました。ドメイン外汎化性能は維持または向上し、MME、MMMU-Pro、MathVistaでは1%以内、MMBenchでは最大4%の改善を示しました。LLM-as-judge評価では、両モデルで論理的整合性と説明品質の一貫した改善が確認されました。

付加製造におけるXCT画像の欠陥セグメンテーションの課題に対し、XCT-SAMフレームワークを提案。Conv-LoRAアダプタを用いた逐次ドメイン適応により、ドメインギャップを徐々に埋め、CycleGAN-XCTベンチマークと実NISTスキャンでベースラインを上回る性能を達成。

MonteRETは、胸部CT所見セクションを生成するための領域認識型検索拡張フレームワークです。グローバルおよび局所的なCT特徴を統合し、臨床関連知識を検索し、知識誘導型レポート書き換えエージェントでレポートを洗練します。公開および外部コホートでの評価により、レポート品質、意味的類似性、臨床効果が向上し、専門家もMonteRETの出力を好みました。

本論文では、視覚基礎モデルが3次元ユークリッド空間の内在的特性を反映する表現を構築しているかどうかを問う。従来の深さや法線の回帰による3次元認識のプローブとは異なり、視覚特徴空間の構造とユークリッド変換群SE(3)の関係を調査する。相互近傍指標とポアンカレアダプターというプローブを提案し、自己教師あり視覚モデルが直接的な3次元監督なしに潜在部分空間に3次元空間と強く相関する情報を持っていることを示す。この知見に基づき、明示的な3次元再構成を必要としない「潜在空間ナビゲーション」技術を提案する。

キーフレーム条件付き動画生成の初の包括的ベンチマークKeyFrame-Compassを提案。386サンプルと自動評価フレームワークを導入し、9システムでの実験からキーフレーム忠実度と自然な合成のトレードオフを明らかに。

マルチ参照音声映像生成（MR2AV）は、複数の参照とテキスト指示に基づいて同期した音声・映像コンテンツを生成するタスクである。既存のベンチマークはテキスト駆動生成や単一参照の保存に焦点を当てており、MR2AV設定の評価は未開拓である。本論文では、350の厳選されたサンプルからなる統合ベンチマークMultiRef-Compassを提案する。これは多視点対象保存、多エンティティ結合、人物-物体-シーン構成をカバーし、4次元（基本品質、参照一貫性、音声映像一貫性、指示追従）の評価プロトコルと14のサブメトリクスを定義する。自動メトリクスと再審査強化型MLLM-as-a-Judgeフレームワークを統合し、拡張可能で監査可能な評価を実現する。8つの代表的なMR2AVシステムでの実験により、すべての評価次元で改善の余地があることが明らかになった。

本論文では、LLMエージェントの軌跡における有用なツール呼び出しの割合を評価する新しい定量的指標「ツール効率」を導入する。ツール効率の明確な定義のために、各ツール呼び出しが有用か、安全に除去可能かを示す「限界ツール効用」も定義される。限界ツール効用の符号はLLM-as-a-Judgeによって決定される。この研究は精度を代理とする間接的な測定ではなく、効率を直接定量化し、将来のベンチマーク設計やスリムなツールスイートの最適化に貢献することを目指す。

Polestarは、トークン表現のドリフトを活用して拡散大規模言語モデル（dLLM）におけるKVキャッシュ再利用と復号並列性の課題に取り組む、トレーニング不要の推論フレームワークです。Polestar-Cache（スパースキャッシュリフレッシュ）とPolestar-Commit（コミット準備完了トークンの識別）から構成され、数学・コーディングベンチマークにおいて最大10.73%の精度向上と3.7倍のスループット向上を達成しました。

本論文では、連続空間で動作し、各トークンに独立した時間ステップを持つ新しい拡散言語モデル「トークンタイム連続拡散（TTCD）」を提案する。TTCDは、不確かなトークンを異なる速度でノイズからトークンに変換し、並列サンプリングの不正確さを回避する。高速化時に離散モデルを上回る性能を示し、OpenWebTextで学習した1.6億パラメータのモデルを自己蒸留することで、条件付き生成において既存モデルを凌駕する。数独解決でも同様の改善が得られた。

本論文では、ユーザーがより明確なプロンプトを作成できるようにタスク固有のガイドラインを自動生成するAGOPSを提案する。実験では、不十分なプロンプトにより最大95.3%の性能低下が生じるが、AGOPSガイドラインに従うことで15.5%から81.7%の性能向上が見られた。

大規模言語モデルエージェントがテキスト通信時に情報を失うことを、スパースオートエンコーダー（SAE）特徴分析を用いて定量化した研究。潜在空間通信は圧縮率において高い精度を維持するが、失われた特徴は主に表面形式を符号化し、タスク関連の意味ではないため、潜在通信の優位性は限定的であることが示された。

本論文では、低クエリ予算下で高品質なテキスト敵対的サンプルを生成するサンプリングベースの手法LBAを提案する。事前知識と事後知識を統合して近似分布を構築し、サンプリングを通じて分布を更新することで効率的に探索する。実験では、6つの言語モデルと4つのデータセットにおいて、LBAが既存手法を大きく上回り、より意味を保持し理解しやすい敵対的テキストを生成することを示す。

本論文は、形態論的に豊かなアラビア語に前群文法ベースの量子構成自然言語処理を初めて適用したものである。量子回路が文法構造を反映し、語順、時制、動詞の語義曖昧性解消実験で古典的ベースラインを上回った。

JKPフレームワークは、繰り返しの挑戦的な質問に対するVLMの安定性を評価する。GPT-4o、Gemini 2.5 Pro、Qwen3-VL-30Bの評価では、大幅な不安定性と回答の反転が見られ、モデルごとに異なる圧力応答プロファイルが明らかになった。

本研究は、大規模言語モデルや強化学習などの閉ループ知識システムが内部フィードバックの繰り返しにより飽和する理由を分析し、構造的介入による脱出を可能にする3層の操作的枠組みを提案する。リアプノフ・ドリフト条件を用いて安定性を特徴づけ、脱出はアトラクタ変位とKL下限で定量化される。ケーススタディとして、LLMコード修正、スパース報酬強化学習、ベイズ最適化が含まれる。

オフライン強化学習における世界モデルは、データが少ない領域でモデル悪用の影響を受けやすい。RENEWは、想像上のロールアウトに対する人間の好みを利用して悪用を直接修復し、認識的不確実性を導入して微調整を集中させ、サンプル効率を向上させる。

Branching Policy Optimization（BPO）を提案。サンドボックスの決定論的、スナップショット可能、再開可能な特性を活用し、プレフィックスを共有するツリー状のロールアウトトポロジーを構築することで方策勾配の分散を低減し、GRPOやRLOOと比較して成功率を3.6～6.1絶対ポイント向上させる。

本論文では、推論されたドメイン事後分布からクエリ時ラベルなしで、可能な場合にドメイン別汚染予算を認証し、不可能な場合は棄権するC3Rを提案する。最困難ドメインでの汚染削減を保証し、再サンプリングを通じて安定性を示し、較正カスケードよりも高い再現率を維持する。

既存のゼロショット画像分類手法では、すべてのクラスに対して同一のプロンプト重みを使用しており、プロンプトのクラス特異的な適性が無視されていた。CARPRTは、訓練不要でクラス認識型の重み付けスキームを導入し、各クラスに対するプロンプトの関連性に基づいて重みベクトルを調整する。実験では、CARPRTがクラス独立な重み付け手法を上回り、プロンプトとクラスの依存関係をモデル化することの重要性が示された。

最新の研究では、小規模言語モデル（SLM）を知識グラフに接地することで、ニューロシンボリックエージェントフレームワークを用いて推論能力を強化しています。CLUTRRの親族関係ベンチマークでGemma 3とLlama 3.2を評価した結果、RGCNによるヒントは1.5〜2倍の性能向上をもたらすものの、抽出ボトルネックと逐次的な演繹の脆弱性が確認されました。

本論文は、ツール拡張型大規模言語モデルエージェントがツールセットを拡張する際に直面する「行動慣性」問題に取り組む。重要な意思決定ポイントに反実仮想的なアンカーコンテキストを注入することで、この慣性を打破し、失敗した軌跡を回復する。提案フレームワークToolAnchorは、教師モデルで反実仮想を仮説し、学生ロールアウトで検証し、エージェント事後訓練で成功した介入を内面化する。GAIA、BrowseComp、VDR-Benchでの評価により、拡張ツールセット下で競争力のある性能を示し、静的訓練と動的適応のギャップを埋める。

研究者らは、大規模言語モデル（LLM）を用いてベイジアン信念ネットワーク（BBN）を構築する新しい手法を提案した。この手法では、AIエージェントのパネルが特定のペルソナとコンテキストに基づいて確率を推定し、トリム平均ルールでノイズを除去することで、専門家の意見とデータ駆動学習のギャップを埋める。代替医療システムにおける患者の受診意図をモデル化した事例では、自己効力感の実際の因果影響は小さい一方、主観的規範がより強い影響を持つことが明らかになり、最も効果的な戦略は自信とコミュニティ規範を同時に改善することであると示された。

LLM-T1Dという新しいアプローチは、強化学習と大規模言語モデルを組み合わせて、1型糖尿病のための解釈可能なインスリンポンプコントローラを作成し、目標血糖範囲内の時間73.5%を達成し、明確な説明を提供します。

人間が空間情報を伝達する方法に触発され、言語誘導型の地理的位置特定が注目されているが、既存手法は静的なワンショット検索に依存し、曖昧さに対応できない。本論文では、推論検索へのパラダイムシフトを提案し、対話型場所認識（DlgPR）を導入する。これは位置特定を対話駆動の推論プロセスとして捉える。大規模な対話型ベンチマークDlgQuest-Citiesと、クロスモーダルマルチレベル検索器と知的質問器DQ-pilotを組み合わせた統一フレームワークを提示。DQ-pilotはカリキュラム学習（DQ-cities-20kでの教師ありファインチューニング後、GRPOを用いたDQ-cities-10kでの強化学習）で訓練される。2つのタスク整合指標（DDIとPRG）が学習を導く。実験はベースラインを大幅に上回る性能を示す。

検索拡張生成（RAG）は巨大言語モデルの出力品質向上に広く用いられているが、従来のRAGは階層的・関係的推論が必要なクエリに弱い。本論文では、階層的知識グラフをグラフ探索して構造化コンテキストを提供するHG-RAGを提案。実験では、三つの規模（18～800ノード）と四つのクエリタイプで評価し、HG-RAGが階層的・関係的・マルチホップ推論タスクで平面ベースラインを一貫して上回り、幻覚を低減し局所的一貫性を維持することを示した。

アルファベットが旗艦AIモデル「Gemini 3.5 Pro」のリリースを延期したとの報道を受け、株価は4%下落しました。同モデルのコーディング能力は社内の期待に及ばず、競合のOpenAIやMetaはより高度なコーディングモデルをリリースしています。

PuterがFirefoxのGeckoエンジンをWebAssemblyにコンパイルし、ブラウザ内で完全なブラウザを動作させることに成功。プロジェクトには約25,000ドルのAI計算リソース（Claude Opus/Fableトークン）が費やされ、Wispプロトコルで全トラフィックをプロキシし、エンドツーエンド暗号化をサポート。オープンソースとして公開。

Artificial AnalysisがAA-Briefcaseエージェンティック知識作業ベンチマーク結果を発表。Kimi K3がElo 1547で首位、GPT-5.6 Solの1495を上回る。このベンチマークは、スプレッドシート、プレゼンテーション、メモなどのタスクにおけるモデルの能力を評価する。

OpenAIのGPT-Redは人間とAIの協力によるレッドチーミングでモデルの安全性を評価する新手法だが、企業は自社のワークフローとの整合性を確認する必要がある。

中国のAIラボMoonshot AIが2.8兆パラメータのKimi K3を発表。初の「オープン3Tクラスモデル」と自称し、多くのベンチマークで優れた結果を示す。著者は「ペリカンが自転車に乗る」SVG生成でテストし、推論コストや隠れたシステムプロンプトを明らかにするとともに、この非公式ベンチマークの限界を考察する。

自律型AIミュージックビデオ生成システムを構築し、Claude Fable 5とGPT-5.6 Solを25ドルおよび100ドルの予算で比較しました。システムはモデルに歌、予算、ツールを与え、自主的に研究、クリップ生成、編集を行わせます。結果はすべての実行で完全なビデオが生成されましたが、品質は平均的で、一貫性やテンポ合わせに問題がありました。Claude Fable 5はコストが高いが高速で、GPT-5.6 Solは編集でより創造的でした。

xAI の Grok 4.3 が Amazon Bedrock で一般利用可能になりました。構成可能な推論努力、強力なツール使用と指示追従、100万トークンのコンテキストウィンドウを備え、エージェントやエンタープライズワークロードに適しています。この記事では、その特徴、アクセス方法、基本的な使い方を紹介します。

OpenAIは、自己対戦強化学習を用いて防御LLM集団に対して訓練された社内専用の攻撃モデルGPT-Redを開発しました。再現された間接プロンプトインジェクション環境で、GPT-Redは人間のレッドチームの13%に対して84%の成功率を達成し、新たな「偽の思考連鎖」攻撃クラスを発見し、OpenAIの最も難しい直接インジェクションベンチマークでGPT-5.6 Solの失敗率を6倍削減しました。ただし、マルチターンや画像ベースの攻撃では依然として課題があると認めています。

GPT-5.6 Sol と Claude Fable 5 は、フロンティアモデルの座を争っています。Fable 5 は一般的な知能でわずかに優れている一方、Sol はコーディング性能、実行速度、価格で反撃します。Sol の価格は Fable 5 よりも Claude Opus 4.8 に近く、この比較をより興味深いものにしています。

GPT-5.6が特定の設定下でユーザーファイルを予期せず削除するバグが報告された。完全アクセスモードでサンドボックス保護なしにCodexを実行した際、モデルが$HOME環境変数を上書きしようとして誤って$HOMEディレクトリを削除する。

101の企業を対象としたVentureBeat Pulse Researchの調査によると、57%の企業が過去6ヶ月間に、欠落または一貫性のないビジネスコンテキストに起因する、自信過剰で誤った回答をAIエージェントが生成した経験がある。検索拡張生成（RAG）がデフォルトのコンテキストソースであり、プロバイダーネイティブ検索（OpenAI 40%、Google 38%）が専用ベクトルデータベースを上回っている。しかし、36%はベストオブブリードのスタンドアロンツールを維持する意向を示している。ハイブリッド検索が2026年末までに主流になると予想され、58%がガバンドセマンティックレイヤーを構築中だが、本番稼働しているのは25%にとどまる。

157のエンタープライズを対象としたVentureBeat Pulse Researchによると、組織はAIエージェントにより多くの自律性を付与する一方で、その自律性を制御するための評価への信頼は低下している。半数が内部評価を通過したエージェントを顧客に導入し失敗を経験。自動評価を完全に信頼するのはわずか5％で、最大の弱点は評価が現実の結果と一致しないこと。それでも3分の2は人間の介入なしに自動評価のみで本番展開を許可または構築中。結果として、評価ギャップ——エージェントに与えられる自律性と、失敗を捕捉するはずのテストへの信頼の差——が拡大している。

Mira Murati率いるThinking Machines Labが、最初のオープンウェイトモデルInklingをリリースしました。総パラメータ975B（アクティブ41B）のMixture-of-Expertsトランスフォーマーで、Apache-2.0ライセンス、マルチモーダル、45兆トークンでトレーニングされています。フロンティアモデルではありませんが、Tinkerプラットフォームでのファインチューニングに適した強力なベースモデルです。Inkling-Small（276B、アクティブ12B）も予告されています。モデルカードとトレーニングデータのドキュメントは異常に簡潔です。Inklingは中国のオープンウェイトモデルと競合し、米国のエコシステムに新たな選択肢を加えます。