ロボット世界モデルDreamTrueを解説。行動を画像としてレンダリングし、記録軌跡を改変する反事実ポストトレーニングと欠陥報酬モデルによる強化学習で、干渉欠陥率を48.12%から6.25%へ低減しました。
事前知識では解けない反直感的ルールのテキストゲーム20種でLLMエージェントの学習力を測るLearn2Play Benchを解説。経験の生ログ保持やハーネス変更で性能とコストが改善した知見を紹介します。
推論を伴う画像編集を測るベンチマークRISEBench++を解説します。6推論次元1000問で58手法を評価し、最高はGPT-Image-2.5 Sunburstの56.6%。学習不要のRISE-Agentも紹介します。
ゲームエンジンと動画モデル由来のレンダラーを分離した「コード世界」を提案するAgentGartenを解説。Adversarial Forcingの仕組みと、かくれんぼでラウンド4に行動が現れた結果を紹介します。
Xiaomi の MiMo-V2.6 は強化学習の計算量をバッチ規模・環境の多様性・採点計算の3軸で拡大。MoE ルーター凍結や4層の報酬ハッキング対策、公開された9B蒸留モデルの成果まで解説します。
トークン単位でLLMを切り替えるルーティングを高速化する推論サービングシステム「TokenRouter」を解説。サブサーバの非同期実行と遅延バッチングでデコードスループットを最大64.15倍に改善した仕組みと実験結果を紹介します。
線形アテンションの再帰状態を4bit量子化する新手法STEPQuantを解説。誤差の寿命と位置に応じた精度配分で、Qwenの長文精度80.51%を維持しつつ総サービングメモリを68.7%削減しました。
NVIDIAらのLong-WAMは、ロボット制御の視覚履歴を19.2秒まで拡張しRoboCasa GR-1で63.3%から78.7%へ改善。RTX 5090で107.4msの実時間制御を実現した手法を解説します。
凍結したLLMの内部表現から検索クエリを作り、コーパス検索と長文脈推論を1モデルで扱うUNREALを解説。追加50万パラメータ未満でHotpotQA再現率を49.1%から73.2%へ改善しました。
Qwenチームの論文TRACEを解説します。ロールアウト側の量子化結果で学習側の丸めを誘導し、重み・活性化・KVキャッシュをすべてFP4にしてもBF16同等のRL性能を保ちながら最大5.4倍の高速化を実現した手法です。
ALoDLMは、トークンごとの予測難易度に応じて計算量を配る拡散言語モデルです。1.7Bと8Bの両規模で11ベンチマーク平均がQwen3を上回り、GSM8Kで約2.7倍の処理量を実現した仕組みと限界を解説します。
テキストや画像から5秒の映像と44kHz音声を同時生成する拡散基盤モデル Kandinsky 6.0 Video を解説。双方向クロスアテンションのCrossDiT構造と、強化学習で単語誤り率を約47%削減した成果を紹介します。
AI-Papers
