離散自己回帰の画像生成を高速化する G-STAR を解説。空間圧縮率の二乗でグループサイズを拡張する設計原理により実効64倍圧縮を達成し、1024px画像を約2.5秒で生成した手法と実験結果を紹介します。
OpenAIがAIエージェント向け決済基盤ChatGPT Walletを発表。実際のカード情報を渡さずに生体認証で承認する仕組みと、EC事業者に必要な準備、提供範囲を解説します。
LLMをコードエージェントとして物理シミュレータと組み合わせる PhysLoop が提案されました。生成成功率85%、物理破綻の修復では86%とSeedance 2.5単体の19%を大きく上回る成果と、その限界を解説します。
GoogleがGeminiに社内開発データ1兆トークンを学習させた専用モデル「GfG」の論文を公開。開発者2.9万人のA/Bテストでコード生存率16.8%向上などの効果と、学習手法を解説します。
vLLM・SGLang・TensorRT-LLM・Ollamaの設計差を、PagedAttentionやRadixAttentionの仕組みとH100実測値から比較し、TTFT・スループット重視など用途別の選び方を解説します。
文書をページ画像にして凍結ビジョンエンコーダで符号化し、クエリ条件付きcross-attentionで16トークンまで圧縮するRAG手法OpticalRAGを解説します。LongBench-v2で5.17ポイント改善。
Googleがエージェント常用機 Gemini 4 Hydrogen を公開。既定設定で前世代比2.5倍高速、新思考モード xhigh で知能指数54、100万トークン対応と料金体系まで解説します。
W4A16量子化でLLMエージェントの成功率が落ちる原因を特定し、全精度教師の閉ループ誘導で修正する蒸留手法SteerDistillを解説。BF16との差1ポイント以内、学習GPU時間67%削減を達成しました。
AWSがローカルでAWS APIを再現する「AWS Emulator」をCC0公開。438件のAPIモデルに対応し、コードは全て自律AIエージェントが記述、人間はレビューもしていない開発体制を解説します。
画像を離散トークンの列として表し、再構成・理解・生成・編集を1つの語彙で扱うdNaViTを解説します。凍結エンコーダを活かす設計と、連続表現との差がどこに残るのかが分かります。
Googleが2026年11月11日に公開したGemini Decisions APIを解説します。文章を生成せず選択肢をスコアリングする gemini-decision-1 により、ツール選択やポリシー判定が150〜250msで完結し、コストは約5分の1になります。
LLMの推論ループ修復をBF16重みのビット単位Ising最適化として解くTree-Isingを解説。MATH-500を7.9%から54.6%へ改善し、順伝播4回・約0.9ドルで既存のエージェント編集を上回りました。
AI-Papers
