ストリーミング動画モデルの「応答か待機か」という各判断に個別の学習信号を与える手法TurnWiseを解説します。沈黙補完スコアリングとターン平均でPAUCを3.96ポイント改善し、冗長応答を61.5%削減した仕組みを紹介します。
35B MoEの自律機械学習エージェント「MLExpert」を解説します。実験結果の区切りに共有報酬を与えるWIRLにより、MLE-Bench Liteのメダル率を37.9%から72.7%へ改善しました。
拡散モデルのオンライン強化学習を効率化する新手法DiffusionARTを解説。EMA調整を二段更新で置き換え、HunyuanVideo-13BでGPU時間12.02倍削減と平均報酬28.8%向上を達成した仕組みと実験結果を紹介します。
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。
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。
Googleが発表した Dream-RSI は、過去の探索履歴をリプレイシミュレータとして再利用し、探索方針を低コストで自己改善する枠組みです。3領域で同等性能を最大50分の1の予算で達成した仕組みを解説します。
MoEのルーティング自体を摂動させ、エキスパート空間で探索する強化学習手法ESRLを解説します。Qwen3-30B-A3BでGRPO比Pass@1 +3.2ポイントを追加コストなしで達成した仕組みを紹介します。
正解から逆探索して各ステップに密な報酬を与える強化学習手法ABSeekerを解説します。Qwen3.5-4BをわずかBrowseComp 37.3%（文脈管理で55.3%）に引き上げ、30B級に匹敵させた仕組みを紹介します。
正解のない要約や創作を「スパイ探し」ゲームに変換し、検証可能な報酬を自動生成する強化学習RLSVRを解説。Qwen3-8Bで要約75.4%、創作77.3%の勝率を達成し、既存の自己改善手法を上回った成果を紹介します。
Qwenが提案する自己対戦RLフレームワーク「Skill-SP」を解説。スキルを仲介役にタスク生成器・解答器・スキル制御器を共進化させ、ツール利用や論理推論で最大40ポイント超の改善を実現した仕組みを紹介します。
NVIDIAが公開したエージェント強化学習フレームワーク「Molt」を解説します。約8.6千行のPyTorch中心コードで6万行超のverlより改変しやすく、700B MoEまでスケールしslimeと同等のスループットを実現します。
AI-Papers
