AI のニュース
大規模行動モデル：小売顧客のプロンプタブル・デジタルツイン
顧客行動モデリングは、レコメンデーション、マーケティング、意思決定支援の基盤となりますが、既存のアプローチは、決定を説明せずに予測精度を最適化するか、実際の行動データに根拠を持たせずにユーザーをシミュレーションするかのいずれかです。本稿では、大規模な小売取引データから、統合された「人物・環境」フォーミュレーションを通じて、顧客の意思決定を直接学習する大規模行動モデル（LBM）を提案します。顧客の状態は、過去の購入履歴から導き出される行動プロファイルによって表現され、製品コンテキストは、検索拡張生成（Retrieval-Augmented Generation）によって組み込まれます。このモデルは、言語化された行動データに対する継続的な事前学習、意思決定生成のための教師ありファインチューニング、そして証拠に基づくキャリブレーションのための検証可能な報酬を用いた強化学習によって訓練されます。提案されたフレームワークを、購入予測、ハードネガティブ識別、バスケット補完、プロモーション反応、ドメイン間バウチャー交換の各タスクで評価します。
出典: arXiv cs.AI
LLMによるエージェントベースモデリングでの推論
エージェントベースモデリング（ABM）は、数百万の個人とその相互作用をモデル化する能力を持ち、政策立案に役立ちます。しかし、従来のABMは静的な事前情報に依存していたため、リアルタイムの変化に適応できませんでした。本研究は、この情報ギャップに対処するための新しいアプローチを提供します。大規模言語モデル（LLM）は、人間の意思決定を予測する新たな機会を提供します。ここでは、ABMシミュレーションにおける人間の意思決定を予測するためにLLMを活用する、スケーラブルなハイブリッド・エージェントベース・アンド・ランゲージ・ドリブン・エピデミック（HALE）モデリングフレームワークを導入します。概念実証として、HALEを用いてユタ州ソルトレイク郡におけるCOVID-19とその影響をシミュレーションします。
出典: arXiv cs.AI
あらゆるASRモデルに対応する勾配ベース音声テキストアラインメント：CTCから音声LLMまで
音声テキストアラインメントとは、音声中の各単語の時間的境界を見つけることを指します。一部のモデルはこのようなアラインメントを直接提供しますが、そうでないモデルもあります。CTC（Connectionist Temporal Classification）やトランデューサーモデルは、構築上アラインメントを持ちますが、AED（Attention-based Encoder-Decoder）や音声LLM（Large Language Model）はそうではなく、単語のタイミングは通常、アテンションの重みから読み取られます。これらの信号はすべてエンコーダーフレームグリッド上に存在し、その時間的精度を制限します。本研究では、あらゆる微分可能なASRモデルに適用できる、汎用的な勾配ベースのアラインメントを検討します。各教師強制トークンの対数確率の勾配を、入力に対して計算し、フレームごとの顕著性（saliency）に削減し、結果の行列を単一の動的計画法パスで単語境界にデコードします。
出典: arXiv cs.CL
大規模言語モデルの応答に対する包括的評価：多因子採点システム
大規模言語モデル（LLM）の言語タスクにおける目覚ましい性能は、その応答品質の包括的な評価という喫緊の必要性を浮き彫りにしています。しばしば単一の次元に限定される従来の評価方法は、モデルの能力の全容を捉えきれていません。本研究では、精度、簡潔性、事実の一貫性、可読性、一貫性を統合した多因子採点パラダイムを導入し、結果を可視化するためのグラフィカルユーザーインターフェイス（GUI）を補完します。TruthfulQAデータセットでの評価は、主流LLMの推論タスクにおける強み（総合スコア0.6104でピーク）と、複雑な事実や曖昧さを乗り越える上での遍在する限界を明らかにしました。従来の指標の狭い視野を超越し、このフレームワークは、モデルの潜在能力と欠点を照らし出すための、透明で適応可能な道筋を提供します。現在のところ英語タスクに焦点を当てていますが、その視野は多言語領域へと広がっています。この研究は、知識工学とモデル改善のための新たな道を開拓します。
出典: arXiv cs.CL
音声感情分析：生成された多言語トランスクリプトの知識蒸留とクロスモーダル統合による実現
音声からポジティブかネガティブかの感情を自動認識することは、声の抑揚の分析と発話された言葉の解釈の両方を必要とする困難なタスクです。最近のソリューションは、このタスクを解決するために音声基盤モデルに依存していますが、そのようなモデルがすべての側面を考慮できるかどうかは依然として不明です。この目的のため、我々はクロスモーダル・トランスフォーマーを介して音声とテキスト情報を統合するマルチモーダル・ソリューションを提案します。ここでは、自動音声認識（ASR）ツールを介してテキストトランスクリプトが自動生成されます。さらに、機械翻訳ツールを介してトランスクリプトを複数の言語に自動翻訳することで、複数のテキストモダリティを作成します。音声と多言語テキストの特徴は、モダリティを一つずつ統合するクロスモーダル・トランスフォーマーブロックからなるカスケードアーキテクチャを介して結合されます。さらに、ティーチャーと呼ばれるマルチモーダルモデルから、スチューデントと呼ばれるユニモーダル（音声のみ）モデルへ知識を蒸留します。
出典: arXiv cs.CL
Lovable、評価額を132億ドルに倍増させる交渉か
Menlo Venturesが主導すると見られる3億ドルのラウンドとなる見込み、とSiftedが報じました。
出典: TechCrunch AI
GitHub Agentic Workflowsによるクロスリポジトリドキュメントの自動化
Aspireチームが、製品の変更がマージされた後、専門家レビュー済みのドキュメントプルリクエストにどのように変換しているかを探り、リリースとドキュメントの間のギャップを解消します。この記事「GitHub Agentic Workflowsによるクロスリポジトリドキュメントの自動化」はThe GitHub Blogで最初に公開されました。
出典: GitHub Blog (AI)
Googleのディープフェイク検出システム、マコーネル上院議員の偽画像報道に活用される
今週初め、ケンタッキー州選出のミッチ・マコーネル上院議員が病院のベッドでチューブに繋がれ、ひどく苦しんでいる様子を捉えたとされる画像が出回った。しかし、これはAIによって生成された偽画像であることが判明した。
出典: TechCrunch AI
AWS向けClaudeアプリゲートウェイの紹介
本日、AWS向けClaudeアプリゲートウェイを発表しました。これは、組織がClaude CodeおよびClaude Desktopへのアクセス、コスト、ポリシーを一元管理できる、セルフホスト型のコントロールプレーンです。本稿では、Amazon BedrockとAWS上のClaude Platformを使用して、AWS向けClaudeアプリゲートウェイをセットアップおよび実行する方法を説明します。
出典: AWS Machine Learning Blog
Meta、カナダ初のデータセンター建設に着手
Metaは、アルバータ州スタージョン郡に1GWのAI最適化データセンターの建設を開始しました。これはカナダ初、そして同社のグローバル展開における33番目のデータセンターとなります。
出典: Meta AI
SpaceXAI、イーロン・マスクが「Opus級モデル」と評するGrok 4.5を発表
イーロン・マスク氏のテクノロジー企業は水曜日、Grokの最新バージョンを発表し、他の強力なAIモデルに代わる、より安価で効率的な選択肢になると約束した。
出典: TechCrunch AI
Linuxの脆弱性に対しGoogleが25万ドルを支払う - ゲストVMからの脱出を可能に
両方の脆弱性により、信頼できないユーザーがroot権限を取得できるようになります。
出典: Ars Technica AI
GoogleフォトにAI搭載の新機能「Video Remix」が登場
この機能は、暗い映像を明るくするシネマティックな再照明、単調な背景を楽しいものに置き換える、動画に芸術的なスタイルを追加するといったことが可能です。
出典: TechCrunch AI
オーストラリア政府、数千台の動作するテストルーターを廃棄するようボランティアに指示
しかし、これらのデバイスは「簡単に再フラッシュ可能」できた」とのことでする」ことができた。
出典: Ars Technica AI
このCEOが、インターネットよりビデオゲームの方が優れたトレーニングデータだと考える理由
人工汎用知能（AGI）の実現において、大規模言語モデルには限界がある。ChatGPTやClaudeのようなモデルはテキストには優れているが、一般化する知能を生み出すために不可欠な、物事が空間と時間をどのように移動するかを理解する能力は劣っている。
出典: TechCrunch AI
Meta、AIメガネの「不気味さ」を軽減したいが、AI戦略は逆を示唆
Metaは、AIメガネで他人にこっそり録画されるのを防ぐための新しい安全対策を導入する。しかし、このアップデートは、同社がAI製品で収集・利用する個人データの範囲を拡大し続けている中で行われる。
出典: TechCrunch AI
ChatGPTの音声モードが進化、より自然な会話を実現
OpenAIはChatGPTの音声モードを刷新し、より「人と話しているような」感覚を目指した新モデルを導入します。新モデル「GPT-Live-1」は、会話の途中でユーザーの発言を遮る頻度を減らし、ユーザーが一時的に言葉を止めた際には待機するよう設計されています。
出典: The Verge AI
OpenAI、より自然なライブ会話のための新音声モデルをリリース
OpenAIは、同社の新しい音声モードがリアルタイム翻訳の重要な機能である、同時に話したり聞いたりできるようになったと発表しました。
出典: TechCrunch AI
科学的発見を加速：インテリジェントな医薬品研究のためのBYOKGとGraphRAG
本稿では、グラフデータベースと生成AIを組み合わせたGraph-based Retrieval Augmented Generation（GraphRAG）が、科学研究をどのように変革しているかを探ります。このアプローチにより、科学的整合性を損なうことなく、発見プロセスを加速させることができます。
出典: AWS Machine Learning Blog
Amazon Bedrockを活用してメールボックスを自動で並べ替え、優先順位付け
この記事では、パブリックセクターの組織がAmazon Bedrockを搭載した生成AIソリューションを使用して、メール管理を自動化する方法を紹介します。
出典: AWS Machine Learning Blog
Prime Intellect、AIエージェント構築支援のため1億3000万ドルのシリーズA資金調達
2024年設立のPrime Intellectは、企業が最先端のAIラボに依存せずに独自のAIエージェントシステムをトレーニングできる能力を提供することを目指しています。
出典: TechCrunch AI
GitHub CopilotがGitHub PagesのDNS設定ゼロを可能にする方法
リポジトリが空の状態から、DNSレコードを一切手動編集することなく、約14分でHTTPS対応のカスタムドメインでの公開が可能になります。この記事「GitHub CopilotがGitHub PagesのDNS設定ゼロを可能にする方法」は、The GitHub Blogに最初に掲載されました。
出典: GitHub Blog (AI)
AIスタートアップの収益成長率が加速
急成長しているAIスタートアップは数多くあるが、それらを上回るペースで成長している企業もあるという。
出典: TechCrunch AI
NVIDIA Nemotron、LangChain Deep Agents Harnessでベンチマークをリードする性能を達成
NVIDIA Nemotron 3 Ultraは、最大かつ最も広く採用されているAIエージェントオーケストレーションプラットフォームにおいて、トップクラスのクローズドモデルよりも低コストで業界をリードする性能を提供します。
出典: NVIDIA Blog
政府および国家安全保障パートナーシップへの取り組み
OpenAIが政府および国家安全保障パートナーシップにどのように取り組んでいるか、責任あるAI利用、民主的な説明責任、公共の安全のための原則について解説します。
出典: OpenAI
米国産レアアース、国内需要低迷でアジアへ
トランプ政権支援の鉱山会社、国内サプライチェーン構築への推進にもかかわらず、日本や韓国へ販売
出典: Ars Technica AI
コーディング評価における信号とノイズの分離
OpenAIの新たな分析により、人気のコーディングベンチマークであるSWE-Bench Proに問題があることが明らかになり、AIモデル評価における信頼性と正確性への懸念が生じています。
出典: OpenAI
K–12教育者向け実践的AIスキル構築を支援
OpenAI AcademyとWalton Family Foundationが、K–12教育者が教室で活用できる実践的なAIスキルを身につけるためのハンズオンAIスキルジャムを開催。
出典: OpenAI
ハッカーが最も人気のあるAIツール9つを悪用し、大規模ボットネットを構築可能
LLMが「わかりません」と言えない弱点を「ハル スクワッティング」が悪用、大規模ボットネット構築に繋がる
出典: Ars Technica AI
UWBセンシングと作業エリア再構築のためのジオメトリ認識インフラストラクチャ固定型デノイザー
インテリジェント交通システムにとって、正確な作業エリアのジオメトリ認識は極めて重要であり、超広帯域（UWB）センシングはインフラストラクチャ支援型再構築のための低コストなアプローチを提供します。しかし、屋外UWB測距は、非見通し線伝搬、バーストノイズ、ロングテールエラーによってしばしば劣化し、下流の空間再構築を歪める可能性があります。本稿では、時間的レンジモデリングと潜在アンカーレイアウト推定、決定論的距離投影を組み合わせた、ジオメトリ認識型インフラストラクチャ固定型学習フレームワークであるGAIAを提案します。GAIAは、レンジノイズ除去を教師ありタスクとして維持しつつ、学習された距離を境界整合型再構築へと方向付けます。我々は、同期されたUWB、GNSS、IMU測定値を含む実世界の屋外UWBデータセットでGAIAを評価し、さらに実データで校正されたストレステストシミュレーターを使用してロバスト性をテストします。
出典: arXiv cs.LG
ネスト構造と階層的繰り返しからのテキスト距離：圧縮ベースの視点
アルゴリズム情報理論（AIT）に基づいた構造的シーケンス分析の新しい手法を提案します。その核心は、言語シーケンスにおける繰り返し部分構造間のネスト構造と階層的関係を抽出するラダーパス（Ladderpath）アプローチであり、これはデータを最小生成プログラムによって記述するというAITの原則の実装です。これらの構造は、正規化圧縮距離（NCD）と、ラダーパス表現から直接導出される2つの代替距離という、3つの距離尺度を定義するために使用されます。k近傍分類器と統合されたこれらの距離は、インディストリビューション（in-distribution）、アウトオブディストリビューション（OOD）、および少量のデータでのテキスト分類タスク全体で強力かつ一貫したパフォーマンスを達成します。特に、3つの手法すべてが、OODおよび低リソース設定において、gzipベースのNCDとBERTの両方を上回ります。これらの結果は、ラダーパスによって捉えられた構造的表現がシーケンスの本質的な特性を保持しており、テキストモデリングのための軽量で解釈可能、かつトレーニング不要な代替手段を提供することを示しています。
出典: arXiv cs.CL
時間分解能のパラドックス：インサンプル適合率の誇張とアウトオブサンプル誤差の増幅
本稿では、時系列予測における「時間分解能のパラドックス」を探求する。これは、時間分解能を細かくする（月次から週次/日次へ）と、インサンプル診断とデータセットサイズ（N）は改善するものの、再帰的な誤差の累積によりアウトオブサンプル精度が低下するという現象である。逆に、粗い集約（年次）は再帰的な誤差伝播を排除するが、推定に利用できるデータが減少する。このトレードオフを形式化し、13年間の公共調達データセットを用いて、6つの時間分解能で、ナイーブ、統計、機械学習、ディープラーニングアーキテクチャにわたる10のモデルをベンチマークする。実証結果は、非単調な閾値構造を明らかにする。再帰的な自己回帰モデルと季節モデルは、高頻度予測（例：ホルト・ウィンターズは日次分解能でテストR二乗値-151、TPFE 425.85%に達する）で著しく劣化する。一方、LSTMはU字型の誤差曲線を描き、月次（19.66%）から2週間次（35.94%）にかけて悪化し、日次（TPFE 4.35%、R二乗値 0.66）で誤差伝播ペナルティを克服する。
出典: arXiv cs.LG
Design-CP: タンパク質ナノ粒子の設計のためのコンテキスト並列化
多くの全原子生成タンパク質モデルは、原則として全ての鎖を共同でモデリングすることにより、大きな多量体複合体を設計できます。しかし、トークンと原子ペアの二次表現は、鎖とモデリングされる残基の数が増加するにつれて、単一GPUのメモリをすぐに超えてしまいます。本稿では、RFdiffusion 3のための2つのコンテキスト並列（CP）推論戦略（1D行シャーディングとリングアテンションを用いた2Dグリッドシャーディング）であるDesign-CPを導入します。これにより、事前学習済み重みを保持しながら、二次アクティベーションをマルチGPUメッシュ全体に分散させます。20面体アセンブリをサンプリングする際のスケーリングを特徴づけ、最大許容可能な非対称サブユニット（ASU）サイズがGPU数の期待される平方根トレンドで増加し、2Dシャーディングがより優れたウォールクロックスケーリングを達成することを示します。さらに、強力な点群対称性制約が、20面体ナノ粒子のエンドツーエンド、全原子設計のためにCPをすぐに利用可能にすることを示し、好ましいインシリコ構造およびインターフェースメトリクスをもたらします。
出典: arXiv cs.LG
名目属性と順序属性を持つカテゴリカルデータクラスタリングのための、属性内距離の学習可能な重み付け
カテゴリカルデータクラスタリングの成功は、一般的に、2つのオブジェクト間の不一致度を測定する距離尺度に大きく依存します。しかし、既存のクラスタリング方法のほとんどは、順序値の相対的な順序情報を考慮せずに、不一致度を計算する際に、2つのカテゴリカルサブタイプ（名目属性と順序属性）を同じように扱います。さらに、名目属性と順序属性の間には相互依存性が存在し、これは不一致度を示す上で調査する価値があります。したがって、本稿では、グラフに類似した観点から、名目属性および順序属性値の固有の違いと関連性を調査します。これに基づき、順序値間の順序関係を保持しながら、名目属性および順序属性の属性内距離を統一的に測定する新しい距離尺度を提案します。続いて、属性内距離の重み学習とデータオブジェクトのパーティションを、2つの別個のステップではなく、単一の学習パラダイムにすることで、最適でない解を回避する新しいクラスタリングアルゴリズムを提案します。実験は、提案されたアルゴリズムが既存の対応するものと比較して有効であることを示しています。
出典: arXiv cs.LG
グラフから勾配へ：サイバー・フィジカルIoTシステムおよびそれ以降のための物理学にインスパイアされた構造的属性
人工知能における解釈可能な説明手法は、根本的な原因とその影響を明らかにし、システムがある入力下で特定の動作をする理由をより深く理解することを目的としています。入力と出力の変数の相関関係を主に強調する従来の解釈可能性手法とは異なり、因果的説明は介入的な質問に焦点を当てます。これにより、特に高リスク分野において、自動化された意思決定をユーザーが理解するのに役立つ、より堅牢な洞察を提供します。しかし、フィードバックループや部分的な観測可能性を持つ大規模でハイブリッドなサイバー・フィジカルシステムでは、明示的な有向因果構造を復元することはしばしば非現実的です。本稿では、統計物理学に着想を得た新しいフレームワークを提案します。これは、サイバー・フィジカルIoTシステムの無向、エネルギーベースの表現を通じて変数間の依存関係をモデル化します。このアプローチは、有向因果グラフを復元することなく、エネルギーランドスケープの変動が個々のコンポーネントの影響をどのように反映するかを分析することにより、厳密な依存関係を意識した属性を可能にします。
出典: arXiv cs.AI
ループ内のメモリ：言語エージェントのための拡張ワーキングメモリとしてのインプロセス検索
言語エージェントは、観察、推論、行動というループを実行しますが、推論の対象となるメモリはループの外、つまり1ターンあたり最大1回しかクエリされないストアにあります。本研究では、メモリがループ内に入り、各ステップで読み書きされるレジームを調査します。これまでの障害は常にレイテンシでした。ネットワーク化されたストアは数十ミリ秒から数百ミリ秒で応答し、ループ内検索は検索が高価な場合にエンドツーエンドのレイテンシを最大83倍に膨張させる可能性があります。これまでの研究では、このコストを管理するだけで、それを疑問視することはありませんでした。サービングレイヤスケジューリングはそれを隠蔽し、「メモリファースト」設計は検索を1ターンあたり1回に制限します。レイテンシはストアの場所の特性であり、ループ内パターンの特性ではないと主張します。インプロセスストアは、ネットワークレジームの3桁下である約100マイクロ秒で応答し、その速度ではステップあたりのコストが崩壊します。
出典: arXiv cs.AI
長文コンテキストサービングにおけるタスク品質とシステムパフォーマンスを対象としたKVキャッシュ最適化のベンチマーク
大規模言語モデル（LLM）のサービングは、長文コンテキストのワークロード下でのKVキャッシュの増大によってますます制約されています。しかし、既存のKVキャッシュ圧縮技術は、異なるモデル、タスク、予算、サービングスタックで評価されていたため、比較が困難です。本稿では、量子化、プルーニング、マージといった代表的なKVキャッシュ最適化メカニズム（KIVI、TurboQuant、SnapKV、CaMを含む）について、Llama-3.1-8B-InstructとMistral-7B-Instruct-v0.3を使用してLongBenchスタイルのマルチドキュメントQA、シングルドキュメントQA、少数ショット学習、要約ワークロードで評価した、ワークロード認識型ベンチマークを提示します。このベンチマークは、コンテキスト長バケット全体にわたるタスク品質、平均出力スループット、平均初回トークン到達時間、および実現圧縮率を測定します。結果は、圧縮率だけではエンドツーエンドのパフォーマンスを予測するには不十分であることを示しています。
出典: arXiv cs.CL
大規模言語モデルによる合成的消費者インサイト生成
現代のデータ駆動型マーケティングは、膨大な量の消費者データに依存していますが、そのようなデータを収集することはコストがかかり、時間がかかり、規模を拡大することが困難です。本研究では、大規模言語モデル（LLM）を使用して、消費者の連想、感情、欲求、ニーズを引き出すことを目的とした手法群である投影技法のために、合成的な消費者データを生成できるかどうかを検証します。LLMによって生成された応答を、複数の投影タスク、LLM、プロンプト戦略、および温度設定でテストし、都市観光地に対する認識に関する一次調査研究からの人間の応答と比較します。人間とLLMの応答は、言語測定、多様性と集中度の指標、トピックモデル、およびトップターム分析を使用して分析されました。結果は、広範なトピックと連想において人間とLLMの応答にかなりの重複があることを示していますが、スタイル、言語構造、および多様性が生成される方法における重要な違いも示しています。
出典: arXiv cs.AI
Prompt-to-Paper：バイオインフォマティクス向けエージェント型AIシステム
大規模言語モデルの最近の進歩により、エンドツーエンドでの原稿自動生成が可能になったが、既存システムには3つの重大な欠陥がある。（i）生成された主張が検証可能な文献に決定論的に裏付けられていない、（ii）実験結果が実行されるのではなく、しばしば捏造される、（iii）AI生成原稿が実世界での出版に必要な質と厳密性を満たしているかを評価するための標準化された多次元フレームワークが存在しない。我々は、3つの統合されたイノベーションを通じて、この評価ギャップに直接対処するマルチエージェントフレームワーク「Prompt-to-Paper」を発表する。第一に、セクション認識型の関連性スコアリングとスノーボール引用拡張を備えた決定論的な検索拡張生成パイプラインにより、60～100報の検証可能な論文コーパスに各主張を裏付ける。第二に、自律的なコーディングエージェントが実際の計算生物学実験を実行し、合成出力を実際の数値結果に置き換える。第三に、出版された論文からの参照統計の近似値でベンチマークされ、明示的な幻覚ペナルティで拡張された8次元の自動品質スコアラーが、標準化された再現性のある品質評価を提供する。
出典: arXiv cs.AI
多くのLLMの順応性は話者不要：ピアプレッシャーベンチマークにおける話者不在の基準測定
LLMの順応性とは、モデルが正しい回答をピア（仲間）やグループの回答に近づけるように変更するケースを指します。本稿では、この明白な順応性の大部分が、ピアがいなくなっても残存することを示します。その理由は、標準的な順応性プロンプトが、話者の存在と、繰り返し提示される誤った回答自体の2つの手がかりを同時に混在させているという交絡要因にあります。既存のベンチマークはこれらの手がかりを同時に変動させるため、修正が実際話者にどれだけ依存しているかを判断できません。そこで、話者を除去した「ソースなし条件」を導入します。これは、明示的な話者を除去した状態で、同じ主張された回答を提示するものです。6つのオープンウェイトLLMと7つのQA・推論データセット全体で、この条件だけでも、当初正しかったケースの66.5%で有害な修正が発生しました。これは、単純な再質問の場合の10.3%と比較して高い数値です。この効果は、繰り返し回答が言い換えられた場合や、オープンエンド設定で回答選択肢が隠された場合でも残存します。ソースの提示方法は、主にこの話者不在の基準を調整します。
出典: arXiv cs.CL
ナラティブ・ワールド・モデル：物語論に基づく長編小説執筆者のための記憶システム
長編小説の執筆者には、進化する物語の状態に関する複数ホップの質問に答えられる記憶が必要です。例えば、誰が秘密を知っていていつそれを知ったのか、ある出来事がそれを明らかにした物語の前に起こったのか、伏線は回収されたのか、関係性はどのように変化したのか、といった質問です。汎用的な検索やエージェント記憶システムは、エンティティや事実を表現しますが、これらの質問の根拠となる物語論的な構造は表現しないため、間違った証拠を提示するか、何も提示しません。そこで、物語論に基づいた型付き時系列状態グラフと、クエリ条件付きハイブリッド検索を組み合わせた執筆者記憶システム「ナラティブ・ワールド・モデル（NWM）」を導入します。記憶そのものを測定するために、単一の固定されたOpus 4.8リーダーを使用し、各システムにはそのシステム固有の章ごとの安全な証拠のみを読み込ませ、再現可能な公開コーパスと検証済みの複数ホップベンチマークで評価します。また、既存の最強の時系列知識グラフエージェント記憶フレームワークであるGraphiti/Zep（Rasmussenら、2025）と比較します。
出典: arXiv cs.AI
プロンプトの頑健性はタスク依存：LLM評価における客観的質問と意見型質問の比較
大規模言語モデル（LLM）のアンケート形式の評価では、プロンプトへの応答をモデルの価値観や信念の指標として扱うことが多い。この仮定は、応答が政治的価値観、社会的態度、または信念の証拠として解釈される場合に特に脆い。本研究では、固定された回答を持つ客観的質問と、意見や価値観を問う主観的質問の間で、プロンプトの頑健性が異なるかどうかを問う。4つの命令チューニング済みモデルファミリーを、3つの客観的データセット（MMLU, ARC, CulturalBench）と3つの主観的データセット（Political Compass Test, ValueBench, World Values Survey）で評価する。各質問/ステートメントに対して、言葉遣い、フレーミング、フォーマットのバリエーションといった複数のプロンプト変更タイプを適用し、モデルがバリアント間で同じ回答を出すかどうかを測定する。二項一般化推定方程式を使用して、モデル、データセット、プロンプトカテゴリ、およびそれらの相互作用の有意な効果を見出した。
出典: arXiv cs.CL
NAVER LABS、IWSLT 2026指示追従タスクに向けたシステム再実装
IWSLT 2026共有タスク（制約条件、短い音声トラック）のため、NAVER LABSのIWSLT 2025指示追従パイプラインを再実装しました。必須コンポーネントであるSeamlessM4T-v2-largeを音声エンコーダー、Qwen3-4B-InstructをLLMバックボーンとして採用しています。プロジェクターアライメント、テキストのみのLoRA事前学習、マルチモーダルマージという3段階アプローチは、元の設計から踏襲しています。さらに、提供されたコーパスから10種類の音声中心タスクタイプ（各1万件）にわたる10万件の合成指示追従例を構築し、ステージ3のファインチューニングに適したものとしました。主要モデルは、MCIFベンチマークにおいてEN-ZH音声翻訳でCOMET 0.781、英語SQAでBERTScore-F1 0.346を達成しました。
出典: arXiv cs.CL
構造的孤立の打破：コミュニティ認識サンプリングと構造的エントロピーによるスケーラブルなグラフクラスタリング
教師なしグラフクラスタリングは、大規模ネットワークにおける潜在的な意味パターンを明らかにするための基本的な技術です。Graph Contrastive Learningは有望な性能を示していますが、既存の方法はミニバッチトレーニング中に「構造的孤立」の問題を抱えることが多く、グローバルなトポロジー分布を特徴づける凝集したコミュニティ構造の捉えが困難です。これらの課題に対処するため、コミュニティ認識サンプリングと制約付き構造的エントロピーを連携させることで構造的完全性を維持する、スケーラブルな教師なしグラフクラスタリングフレームワークであるSCISEを提案します。具体的には、まず、制約付き解空間内で構造情報を最適化し、コミュニティの断片化を緩和し、パーティションの凝集性を強化するStructural Entropy Community Constraint (SECC) 演算子を導入します。
出典: arXiv cs.LG
ペルソナはエージェントに「分配か略奪か」ゲームをプレイさせる上でどのように影響するか
ペルソナは大規模言語モデル（LLM）エージェントの誘導によく用いられますが、社会的ジレンマの状況における戦略的行動を形成する上での有効性は不明確なままです。これを明らかにするため、反復型の「分配か略奪か」ゲームにおいて、ペルソナ・プロンプトが戦略的行動に与える影響を調査しました。このゲームでは、ペルソナ駆動のエージェントが、固定プロンプトで制御される仮想人間（VH）と相互作用します。エージェントは、4つのオープンモデル（Ministral 3:3b, phi4:14b, Gemma3:12b, Gemma4:e4b）を2つの温度設定（0.3および0.7）、およびゼロ温度の決定論的設定でインスタンス化され、VHはGPT 4.1 miniによって駆動されました。ヨーロッパ・ポルトガル語で実施された15ラウンド×160セッション全体で、相互の「分配」という結果が支配的（約74％のラウンド）であり、搾取は11％未満のラウンドで発生しました。
出典: arXiv cs.CL
オフライン強化学習を用いたLLMエージェントハーネス制御の学習
大規模言語モデル（LLM）エージェントは、通常、プロンプト、モデル、または手書きのワークフローを変更することで改善されますが、モデルを取り巻く実行ハーネスは固定インフラストラクチャとして扱われます。本稿では、このハーネス自体が学習可能な制御レイヤーであると主張します。LLMエクスキュートを凍結させたまま、軽量コントローラーが構造的な実行アクションを選択する有限ホライズン・ハーネスMDPとしてハーネス運用を形式化します。コントローラーは、終端タスク・ルーブリック報酬のみを用いたアドバンテージ加重回帰によるオフラインロールアウトから訓練されます。また、最終タスク品質と事後ハーネス成熟度スコアを分離し、後者は最終的な回答が正しいかどうかだけでなく、ハーネスが信頼性の高い実行パターンに従っているかを測定します。この分離により、ハーネス学習の有限バッファビューが得られます。最終品質の向上にはオフラインバッファでの高リターンサポートが必要ですが、プロセスの挙動はアドバンテージ加重アクションと一致すればいつでも変更可能です。
出典: arXiv cs.LG
大規模言語モデルの賛否バイアスは、道徳的判断の変化ではなく、回答順序と文言を反映する
大規模言語モデル（LLM）は、二者択一的な判断を下すことが増えており、論理的に無関係な文言の変化によって、その判断が変化することが報告されています。これには、人間には見られない道徳的ジレンマにおける賛否バイアスの増幅が含まれます。本研究では、この変化が何であるかを特定するために、論理的に無関係な要因をバランスの取れたペアで反転させる「クロス対称化」という精神測定バッテリーを導入しました。論理的に同等な形式にわたる段階的な評価により、首尾一貫した内部道徳尺度が得られ、最先端モデルのスタンスは形式にほぼ依存しませんでした。一方、小型のオープンウェイトモデルは、モデル固有の方法で失敗しました。賛否による評決の強制は、最後の選択肢への順序バイアス（人間のプライマシー効果とは逆）と、「いいえ」という単語への語彙的な引き寄せという、分解可能なアーティファクトを重ね合わせます。このアーティファクトは、Claudeモデル（ストーリー平均-0.32から-0.86）で顕著ですが、GPT-5.5やGeminiでは約0であり、拡張推論の下で縮小します。単語と評決は1つのトークンを共有します。
出典: arXiv cs.CL
