拡散VLMは入力の9割を占める視覚トークンを毎ステップ再処理していました。LOWNは画像なし予測との一致を証明書として扱い、学習不要でLLaDA-Vの性能99.6%を35.3%のFLOPsで維持します。
職業的意図から情報サポートグラフを作り、プローブ実行で情報欠落を修復して業務タスクを自動合成するWorkFactoryを解説。612職種11万件のデータでQwenを微調整したWorkPilotはGDPval Eloを879から1565へ改善しました。
履歴の要約でKVキャッシュが無効化される問題に対し、エージェント自身がキャッシュをdrop/reposで操作する「キャッシュエンジニアリング」とサービングエンジンAKVを解説します。コスト27.7%削減、精度1.7pt向上の成果を紹介。
16体のAI研究エージェントが線形Attention構造を自律探索し、GDN2を上回るCFDNを発見。1.3Bで全評価カテゴリ最良、検索性能も改善した手法と組織設計の効果を解説します。
オムニモーダルGUIエージェントの誤り累積「Sequential Distraction」を定義し、凍結モデルに軽量アダプタを足すFocusGUIがExact Matchを約3倍にした研究を解説します。
ループ型LLMの第k反復をk手後の状態に揃えるPARを解説。Qwen2.5-0.5Bを32手で訓練し512手（16倍）で95.5%、RLT 55.7%を大きく上回った手法と限界を紹介します。
脳活動予測に初めてLoRAを本格導入したBrainLoRAを解説。6100万パラメータの学習で104Bモデルを適応させ、特徴抽出コストを350分の1に削減してAlgonauts 2025首位を達成した手法を紹介します。
Stanford大学らが発表したHalcyonは、言語事前学習なしでゼロから学習したearly-fusion自己回帰T2Iモデルです。計算量275分の1で既存手法を上回った手法と対照実験の結果を解説します。
小型LLMのパラメータの大半を占める埋め込み層を、PCA符号から作る16MBの凍結テーブルに置き換えた研究を解説します。学習パラメータは1/2.6、三値版は46MBでCPU 615〜740 tok/sを達成しました。
長期タスクのAIエージェントの文脈を再利用可能なタスクオブジェクトとして保持する手法CarryOnを解説。OSWorld 2.0で部分スコア+5.8ポイント、トークン51.9%削減を同時に達成した仕組みを紹介します。
周波数帯域の分割位置を入力ごとに学習する音源分離手法DBSを解説します。トークン数を固定したままhard Top-Kで境界を選び、DnR v2でSI-SDRを相対29%改善しました。
コンピュータ操作エージェントの完全オープンスタック「OpenGCUA」を解説。コード実行を中核に据え、OSWorld-v2で8モデル全てのスコアを平均19.6点向上、手数を53%削減した設計と限界を紹介します。
AI-Papers
