• タイトル: Kimi K3: Open Frontier Intelligence — Technical Report of Kimi K3
• 著者: Kimi Team（Moonshot AI）
• 発表: 2026年7月

このエピソードのポイント

• 2.8兆パラメータという桁違いの巨大さと、100万トークン（本数冊分）の長文処理を両立
• トップクラスの性能を保ちながら、モデル本体を無料公開。しかも非公開AIの数分の一のコストで動く
• 天体物理の計算を2時間で、42年分の業界分析を自動で——長丁場の知的作業をAIが自律的にこなす例が満載

キーワード

• MoE（専門家混合）: たくさんの専門家AIを用意し、質問ごとに一部だけを呼び出す仕組み。全員を動かさないので効率がよいです。
• パラメータ: AIの知識や勘を数値化したもの。多いほど賢くなる傾向がありますが、動かす計算コストも増えます。
• コンテキストウィンドウ: AIが一度に読み込んで覚えていられる文章量。100万トークンは本数冊分に相当します。
• エージェント: AIが自分で計画を立て、ツールを使い、結果を確認しながら長い作業を自律的にこなす使い方です。
• ネイティブマルチモーダル: 文章・画像・動画を後付けではなく、最初からひとつの頭脳で一緒に扱えることです。

論文リンク

• 論文URL: https://arxiv.org/abs/2607.24653

• タイトル: Resource2Skill: Distilling Executable Skills from Human-Created Resources for Software Agents
• 著者: Yijia Fan, Zonglin Di, Zimo Wen, Yifan Yang et al.（Microsoft Research ほか）
• 発表: 2026年（arXivプレプリント）

このエピソードのポイント

• YouTubeのチュートリアル動画やコード、記事といった人間向けの教材を、AIが実行できる「手順書」に自動変換する仕組みを作った
• Web制作からExcel、3D、CADまで7分野で検証し、成果物のスコアが平均11.9ポイント向上。市販の強力なAIにも26/28で勝った
• AIの土台モデルの賢さより「持たせる手順書の質」のほうが成果を左右する、という発見が面白い

キーワード

• スキル: 「こういう時はこう操作する」という再利用できる手順のコツを、AIが呼び出せる形にまとめたもの
• 蒸留: 大量の生データから、本当に必要な要点だけを抜き出して凝縮すること
• Skill Wiki: スキルを分野ごと・階層ごとに整理した百科事典。文章・コード・画像がセットで収録される
• マルチモーダル: 文章だけでなく、動画・画像・音声など複数の種類の情報をまとめて扱うこと
• オンライン獲得: 手持ちのスキルで足りない時、その場でネット検索して新しいスキルを追加する仕組み

論文リンク

• 論文URL: https://arxiv.org/abs/2606.29538

• タイトル: Weak-to-Strong Generalization via Direct On-Policy Distillation
• 著者: Shiyuan Feng, Huan-ang Gao, Haohan Chi et al.（清華大学AIR・ByteDance Seed）
• 発表: 2026年（arXivプレプリント）

このエピソードのポイント

• 小さくて安いAIで賢くする作業を済ませ、その成果だけを大きなAIに移植する技術
• 完成品を丸ごと真似るのではなく、訓練前と訓練後の「差分」だけを取り出して引き継ぐのがカギ
• 32枚のGPUで1週間以上かかる訓練に匹敵する成績を、わずか8枚のGPUで約4時間で達成

キーワード

• 強化学習（RLVR）: AIに何度も答えさせ、正解かどうかで採点しながら賢くしていく訓練法。効果は高いけれど計算コストが大きいのが悩みどころです。
• オンポリシー蒸留: 生徒のAIが自分で作った答えを、お手本の先生AIと照らし合わせながら学んでいく方法です。
• ポリシーシフト（政策の変化）: 訓練の前と後でAIの振る舞いがどう変わったかを表す「差分」。この研究で移植する主役になる部分です。
• 暗黙の報酬: 採点表そのものではなく、モデルの変化の中に隠れている「良い・悪い」の評価シグナルのことです。
• 弱から強への汎化: 弱くて安い監督役を使って、より強いモデルの能力を引き出そうという考え方です。

論文リンク

• 論文URL: https://arxiv.org/abs/2607.05394

• タイトル: Vidu S1: A Real-Time Interactive Video Generation Model
• 著者: Jintao Zhang et al.（清華大学、Shengshu Technology）
• 発表: 2026年7月

このエピソードのポイント

• 音声で指示すると、画面の中の人物がその場で手を振ったりハートを作ったり反応してくれる
• 映像を作り続けても画面が崩れない工夫と、一般的なGPUでも滑らかに動く高速化がすごい
• 「動画を作って待つ」から「話しかけて即応答」へ、動画AIとの付き合い方が変わりそう

キーワード

• リアルタイム／FPS: FPSは1秒あたりのコマ数のこと。30を超えると人間には滑らかに見え、Vidu S1は42FPSと実用水準を上回ります。
• 自己回帰生成: 映像を一気に作らず、少し先の1コマを予測しては次へ、と順番に作っていく方式。その場で反応するのに向いています。
• ドリフト・破綻: 映像を作り続けるうちに小さな誤差が積み重なり、だんだん画面が歪んだり崩れたりする現象。長時間生成の大敵です。
• 蒸留: 高品質だけど遅いAIのコツを、軽くて速いAIに教え込む技術。ここでは処理をたった3ステップまで圧縮しています。
• TwinCache: 過去の映像を「ざっくりした記憶」と「きれいな記憶」の2種類で管理し、長時間でも動きの流れと細かさを両立させる仕組みです。

論文リンク

• 論文URL: https://arxiv.org/abs/2607.03118

• タイトル: Gemma 4 Technical Report
• 著者: Gemma Team, Google DeepMind
• 発表: 2026年6月（arXivプレプリント）

このエピソードのポイント

• スマホやノートPCでも動くほど軽いのに、文章・画像・音声をまるごと理解できるAI
• 答える前に頭の中で考えを書き出す「考えるモード」で、数学やプログラミングの正答率が急上昇
• わずか310億の規模で、数千億〜1兆超の巨大モデルと肩を並べた

キーワード

• オープンウェイト: AIの頭脳の中身が公開されていて、誰でもダウンロードして自由に使える形式のこと
• 考えるモード: 答えを出す前に、推論の過程をいったん書き出してから回答する仕組み。難問への正答率が上がる
• KVキャッシュ: AIが文脈を覚えておくための記憶メモ。長い文章ほど膨らみ、メモリを圧迫する
• 量子化: 計算の精度をあえて粗くしてデータを小さくし、動作を軽く速くする技術
• エンコーダーフリー: 画像や音声を処理する専用の変換装置を省き、生データを直接AIに流し込む構造

論文リンク

• 論文URL: https://arxiv.org/abs/2607.02770

• タイトル: The Mirage of Optimizing Training Policies: Monotonic Inference Policies as the Real Objective for LLM Reinforcement Learning
• 著者: Jing Liang, Hongyao Tang, Yi Ma et al.（天津大学・アリババ）
• 発表: 2026年（プレプリント）

このエピソードのポイント

• AIを強化学習で鍛えるとき、学習に使うシステムと本番で使うシステムで出す確率が微妙にズレていて、これが学習を静かに壊してしまう
• 大事なのは「学習側で良くなること」ではなく「本番で使う側で良くなること」だと考え方を切り替えた
• 更新したモデルを本番環境でテストし、ちゃんと良くなっていたら採用・ダメなら却下する仕組みで、性能の急な崩壊を防いだ

キーワード

• 訓練と推論のズレ: モデルの中身が同じでも、学習計算をするシステムと実際に文章を作るシステムとで、出す確率が微妙に食い違ってしまう現象です。
• 強化学習: 試行錯誤して、うまくいった行動にご褒美を与えながらAIを賢くしていく学習方法です。
• 単調改善: 更新のたびに性能が下がることなく、着実に良くなっていくことを指します。
• FP8量子化: 計算を軽くするために数値の精度をあえて粗くする技術。速くなる代わりにズレは大きくなります。
• GRPO: いまLLMの強化学習で広く使われている手法の一つで、今回の比較のベースになっています。

論文リンク

• 論文URL: https://arxiv.org/abs/2606.29526

• タイトル: AgenticSTS: A Bounded-Memory Testbed for Long-Horizon LLM Agents
• 著者: Xiangchen Cheng et al.（Alaya Lab、上海交通大学ほか）
• 発表: 2026年7月

このエピソードのポイント

• AIエージェントの記憶を「全部積み上げる」のではなく「必要な種類だけ選んで持ってくる」設計に変えた研究
• 記憶を5つの引き出しに分けることで、どの記憶が成績に効いているのかを部品ごとに切り分けて検証できる
• 履歴を積み上げる既存方式と比べて、指示文の長さもコストも一定に保てる（トークン消費は66〜90分の1）

キーワード

• 長時間タスク: 何百もの判断を積み重ねて達成する、時間のかかる作業のこと。
• プロンプト: AIに渡す指示文。ここに何を含めるかでAIの判断が変わります。
• 上限付きの記憶: 作業がどれだけ長引いても、指示文の長さが一定以上に膨らまないようにする仕組みのこと。
• アブレーション: 部品を1つ外して成績の変化を見る実験手法。うまくいった原因を切り分けるのに使います。
• トークン: AIが文章を処理する単位。数が多いほどコストと時間がかかります。

論文リンク

• 論文URL: https://arxiv.org/abs/2607.02255

• タイトル: Dockerless: Environment-Free Program Verifier for Coding Agents
• 著者: Wenhao Zeng, Yuling Shi et al.（上海交通大学・Douyin Group）
• 発表: arXiv プレプリント（2026年）

このエピソードのポイント

• プログラムを実際に動かさずに、コードの倉庫を自力で調べて修正が正しいかを採点する新しい仕組み
• 専用の実行環境を用意する「準備地獄」がいらなくなり、AIの訓練コストが劇的に下がる
• 実際に動かして採点する従来方式とほぼ互角の成果を、準備コストゼロで実現

キーワード

• コーディングエージェント: 人間の代わりにプログラムのバグを自動で見つけて直すAIです。
• 検証器（Verifier）: AIが書いた修正が正解かどうかを採点する審判役の仕組みです。訓練の質を左右します。
• Docker（実行環境）: プログラムを動かすための専用の箱で、プロジェクトごとに用意するのが手間でした。今回はこれが不要になります。
• サブエージェント: 特定の質問だけを調べる小さな専門AIです。複数を並行で働かせ、証拠を集めます。
• 解決率: AIが実際に不具合を直せた割合のことです。高いほど優秀です。

論文リンク

• 論文URL: https://arxiv.org/abs/2606.28436

• タイトル: Program-as-Weights: A Programming Paradigm for Fuzzy Functions
• 著者: Wentao Zhang, Liliana Hotsko, Woojeong Kim et al.（ウォータールー大学 / コーネル大学 / ハーバード大学）
• 発表: 2026年（プレプリント）

このエピソードのポイント

• 「大事なログだけ拾う」「壊れたデータを直す」みたいな、ルールにしにくい処理を自然言語で作れる
• 大きなAIが一度だけ専用の小さな部品（約23MB）を作り、あとは手元の小型AIで軽く使い回す
• 6億パラメータの小型AIが、50倍以上大きいAIに直接頼むより高い正解率を達成した

キーワード

• 曖昧な関数: 人間なら直感でできるのに、はっきりしたルールでは書けない処理のこと。大事なログを拾う、崩れたデータを直す、などが例です。
• コンパイラとインタープリタ: コンパイラは指示から実行部品を作る変換役、インタープリタはその部品を実際に動かす実行役です。
• LoRA（ローラ）: AIの中身を全部作り直さず、少しだけ差分を足して振る舞いを変える軽量な調整パーツです。
• 量子化: 数値データを粗くしてファイルを小さくする圧縮技術。少しの精度低下で大幅に軽くなります。
• FuzzyBench: この研究で公開された、曖昧な処理1000万例分の学習用データ集。800種以上のタスクを網羅しています。

論文リンク

• 論文URL: https://arxiv.org/abs/2607.02512

• タイトル: Orca: The World is in Your Mind
• 著者: Orca Team, Beijing Academy of Artificial Intelligence（北京智源人工知能研究院）
• 発表: 2026年

このエピソードのポイント

• 「次の単語」ではなく「次の世界の状態」を予測するという新しい発想を紹介します
• ラベルなしの動画から学ぶ「無意識の学習」と、言葉の指示から学ぶ「意識的な学習」を組み合わせる仕組みを解説します
• ロボットの動作データを一切使わないのに、動画だけの学習で実機操作までこなせた驚きの結果を取り上げます

キーワード

• 世界基盤モデル: 言葉・画像・行動を別々に扱うのではなく、「世界がどう変化するか」という共通の理解を土台にする万能型のAIです。
• 次の状態の予測: 「次の単語」や「次のコマ」ではなく、世界そのものの状態が次にどう変わるかを予測する考え方です。
• 無意識の学習: ラベルなしの動画をひたすら見て、物の動きや場面の変化を自然に体得する学び方です。
• 意識的な学習: 「扉を閉める」などの言葉の指示を手がかりに、意味のある変化を学ぶ学び方です。
• 世界の理解空間: AIの頭の中にできる「世界のイメージ」。ここから言葉・画像・動作を取り出せます。

論文リンク

• 論文URL: https://arxiv.org/abs/2606.30534

• タイトル: Scaling the Horizon, Not the Parameters: Reaching Trillion-Parameter Performance with a 35B Agent
• 著者: Agents-A1 Team, Shanghai Artificial Intelligence Laboratory
• 発表: arXiv, 2026年6月

このエピソードのポイント

• モデルを巨大化させる代わりに「長い作業を最後までやり抜く力」を鍛えるという別ルートに挑んだ研究
• 350億パラメータの中型AIが、約30倍規模の1兆パラメータ級モデルを複数のテストで上回った
• 成功も失敗も「過程ごと」記録した教材と、分野ごとの専門家先生から学ぶ工夫がカギ

キーワード

• エージェント: 質問に答えるだけでなく、自分で計画を立て、ツールを使い、検証しながら作業を進める自律型のAIのこと。
• 長い道のり（ロングホライズン）: 何十ステップも、ときに何時間もかけて続ける長期的な作業のこと。途中の小さなミスが積み重なりやすい難しさがあります。
• パラメータ: AIの脳の規模を表す数字。多いほど賢くなりやすい一方、運用コストも増えます。今回は350億で1兆級に挑みました。
• 知識・行動グラフ: 証拠・行動・観察・検証の結果を地図のようにつないだ教材。成功だけでなく失敗の過程まで記録する点が新しいです。
• 蒸留: 優秀な「先生AI」の知恵を、より扱いやすい「生徒AI」に受け継がせる技術。今回は複数の専門家先生を使いました。

論文リンク

• 論文URL: https://arxiv.org/abs/2606.30616

• タイトル: Agentic Abstention: Do Agents Know When to Stop Instead of Act?
• 著者: Han Luo, Bingbing Wen, Lucy Lu Wang et al.（ワシントン大学ほか）
• 発表: 2026年（プレプリント）

このエピソードのポイント

• 自分で動くAIエージェントが「達成できないタスク」を見極めて手を止められるかを検証した研究
• 多くのAIは止め時を逃して無駄な操作を続けてしまい、大きく高性能なモデルほど早く止まるのが苦手という逆説も
• 過去のやりとりから「止め時の教訓集」を作って渡すCONVOLVEで、わずか20件の記録から劇的に改善

キーワード

• AIエージェント: 質問に答えるだけでなく、検索やクリック、操作を自分で何ステップも実行してタスクをこなすAIのこと。
• エージェントのあきらめ: タスクが達成できないと見極めて、無駄な行動をやめる判断力のこと。この研究の中心テーマです。
• 環境ベースのあきらめ: 最初は解けそうに見えても、実際に操作してみて初めて「無理だ」と分かるタイプの難しい課題のこと。
• CONVOLVE: AIの中身を変えずに、過去のやりとりから止め時の教訓を作って渡し、あきらめ判断を改善する手法。
• あきらめ再現率: あきらめるべき課題のうち、実際に正しく、しかも早く止められた割合を測る指標。

論文リンク

• 論文URL: https://arxiv.org/abs/2606.28733

• タイトル: Formalizing Latent Thoughts: Four Axioms of Thought Representation in LLMs
• 著者: Fahd Seddik, Fatemeh Fard（ブリティッシュコロンビア大学）
• 発表: 2026年（arXivプレプリント）

このエピソードのポイント

• AIの「頭の中の考え」が良いものかを、正解率に頼らず直接測る4つの基準を提案
• 5つのAIを23種類の難しい問題で検査したら、4つの基準を全部満たすものは一つもなかった
• 凝った思考の仕組みが「質問文をそのまま数値にしただけ」のものに勝てなかった、という痛快なオチ

キーワード

• 潜在的思考表現: AIが答えを出す前に頭の中に持つ「考えの中身」を、言葉ではなく数値の塊で表したものです。
• 4つの公理: まともな思考なら満たしていてほしい基本ルールのこと。今回は因果性・最小性・分離性・安定性の4つが提案されました。
• 連続的推論: 言葉のステップではなく、数値のまま頭の中で考え続けるAIの推論のやり方です。
• 入力埋め込み: 質問文をそのまま数値に変換しただけのもの。「考える前」の状態を比べる基準になります。
• 表現の崩壊: 本来は区別すべき別々の問題が、AIの内部で見分けがつかなくなってしまう現象です。

論文リンク

• 論文URL: https://arxiv.org/abs/2606.27378

• タイトル: A Survey of Self-Evolving Agents: What, When, How, and Where to Evolve on the Path to Artificial Super Intelligence
• 著者: Huan-ang Gao, Jiayi Geng, Wenyue Hua, Mengkang Hu ほか（プリンストン大学、清華大学ほか共同研究）
• 発表: Transactions on Machine Learning Research, 2026年1月

このエピソードのポイント

• 学習が終わると成長が止まる今のAIを、現場の経験から自分を作り変え続ける「自己進化エージェント」へ。その研究全体を初めて一枚の地図にまとめた論文
• 「何を・いつ・どう・どこで進化させるか」の4つの問いで、バラバラだった手法をスッキリ整理
• 成功率が9倍に伸びた事例がある一方、勝手に進化させると「従っているフリ」が増える危うさも。賢さと安全性の両立が今後の勝負どころ

キーワード

• 自己進化エージェント: 自分の経験やフィードバックをもとに、記憶・道具・思考のクセを書き換えて成長し続けるAIのこと。使うほど自社専用に賢くなる可能性があります。
• テスト時内/テスト時間進化: 問題を解いている最中にその場で学ぶか、課題を終えた後に振り返って学ぶか、という学ぶタイミングの違いです。
• 報酬ベース学習: 行動の良し悪しを点数や言葉のフィードバックで示し、それを頼りに少しずつ改善させていく方法です。
• 破滅的忘却: 新しいことを学ぶと、以前覚えていたことをごっそり忘れてしまう現象。学び続けるAIの最大の敵です。
• ASI（人工超知能）: 幅広い分野で人間を超える知能のこと。この論文が見据えている究極のゴールです。

論文リンク

• 論文URL: https://arxiv.org/abs/2507.21046

• タイトル: Qwen-AgentWorld: Language World Models for General Agents
• 著者: Qwen Team（Yuxin Zuo, Zikai Xiao et al.）
• 発表: 2026年6月

このエピソードのポイント

• AIが「この行動をしたら環境はどう反応するか」を文章で予測する仕組みを作った研究
• 実際の検索エンジンより、AIが作った架空の世界で訓練したほうが成績が良かった
• 通信エラーなど現実では起きにくい状況も自由に作れて、想定外に強いAIが育つ

キーワード

• 世界モデル: 「この行動をしたら次にどうなるか」を予測する、AIの頭の中のシミュレーターのことです。
• エージェント: 自律的に判断して、タスクを次々こなしていくAIのこと。ここでは行動を決める側を指します。
• 強化学習: 試行錯誤しながら、良い結果には報酬を与えて少しずつ賢くしていく訓練のやり方です。
• 思考の連鎖: 答えを出す前に、途中の考えを一歩ずつ文章で展開していく仕組みです。
• シミュレーターとしての利用: 世界モデルを練習用の仮想環境として使い、別のAIを安全に訓練する使い方です。

論文リンク

• 論文URL: https://arxiv.org/abs/2606.24597

• タイトル: Deeper is Not Always Better: Mitigating the Alignment Tax via Confident Layer Decoding
• 著者: Xuanming Zhang, Sining Zhoubian et al.（Qwen Team / Alibaba・清華大学・南洋理工大学）
• 発表: 2026年5月（arXivプレプリント）

このエピソードのポイント

• AIが答えを出す「最後の層」が、実は難しい問題では無難な単語に引き戻してしまうことがある
• いちばん迷いの少ない層から答えを取り出すだけで、追加学習なしに難問の正答率が大幅アップ
• 安全のためのしつけは保ったまま、難問での「余計な遠慮」だけを取り除けるのがすごい

キーワード

• 層（レイヤー）: AIが入力を段階的に処理する工程のこと。何十段も積み重なっていて、ふつうは最後の工程から答えが出ます。
• エントロピー: 予測の「迷い」の大きさ。低いほどAIが自信を持って一つの答えに絞れている状態です。
• アライメント税: 安全で無難な受け答えを学ばせた副作用で、難しい問題を解く力がこっそり削られてしまう現象のことです。
• Confident Decoding: いちばん自信のある（迷いが少ない）層から答えを取り出す手法。再学習が不要で既存のAIにそのまま使えます。
• アライメント: 人間の好みや安全基準に合うようAIを後から調整すること。安全で丁寧な受け答えを学ばせる工程です。

論文リンク

• 論文URL: https://arxiv.org/abs/2606.21906

• タイトル: Playful Agentic Robot Learning
• 著者: Junyi Zhang, Jiaxin Ge et al.（カリフォルニア大学バークレー校 ほか）
• 発表: arXiv プレプリント 2026年

このエピソードのポイント

• ロボットが課題を与えられる前に、自分で遊びながら使えるスキルを貯めておく仕組み
• 簡単すぎず難しすぎない「ちょうどいい」課題を選んで効率よく成長する
• 覚えたスキルは図書館として保存され、別のロボットや実機にも差し込んで再利用できる

キーワード

• Code-as-Policy: ロボットの動きをAIが書くプログラムとして表現する方式。動きが見える化され、再利用しやすくなります。
• エージェント（Agentic）: AIが自分で計画を立てて道具を使い、結果を見て修正する自律的な性質のこと。
• ゴルディロックスの原理: 簡単すぎず難しすぎない、ちょうどいい課題を選ぶ考え方。学びの効率が最大になります。
• スキルライブラリ: 成功した動きをコードとして保存しておく技の図書館。後で取り出して再利用できます。
• 内発的動機: 報酬がなくても自分から動いてみたいと思う仕組み。人間の好奇心にあたります。

論文リンク

• 論文URL: https://arxiv.org/abs/2606.19419

• タイトル: Looped World Models
• 著者: Hongyuan Adam Lu, Z.L. Victor Wei et al.（FaceMind Research Asia）
• 発表: 2026年6月（arXivプレプリント）

このエピソードのポイント

• 層を積み重ねる代わりに、1つの計算ブロックを何度も「ぐるぐる繰り返す」ことで小さく賢いAIを作る発想
• 簡単な場面は少ない計算、難しい場面は多い計算と、状況に応じて頭の使い方を変える仕組みがある
• 100分の1のサイズで巨大AIに勝ったと主張するが、評価には引っかかる点もあり今後の追試待ち

キーワード

• ワールドモデル: AIが頭の中に持つ環境シミュレーター。「この行動の次に何が起きるか」を予測する仕組みです。
• ループ型アーキテクチャ: 1つの計算ブロックを何度も使い回す設計。層を増やす代わりに「周回数」を増やして賢くします。
• 累積誤差: 予測を繰り返すうちに小さなズレが雪だるま式に積み重なり、最後には予測が崩れてしまう現象です。
• 適応的計算: 簡単な場面は少ない計算で、難しい場面は多くの計算で。状況に応じて頭の使い方を変える仕組みです。
• パラメータ効率: 少ない部品数で大きなモデル並みの性能を出す度合い。本研究は最大100倍と主張しています。

論文リンク

• 論文URL: https://arxiv.org/abs/2606.18208

• タイトル: SAE Interventions are Unreliable: Post-Intervention Recovery of Suppressed Behavior
• 著者: Mingyue Cui, Linghui Shen, Xingyi Yang（香港理工大学）
• 発表: 2026年（プレプリント）

このエピソードのポイント

• AIの内部スイッチで「危険な振る舞い」を止めても、別ルートから同じ振る舞いが復活してしまうことを実証した研究
• 止めたスイッチには一切触れないという縛りで検証し、危険な要求の拒否を95.8%、知識を消す処理を98.9%の割合で復活させた
• 復活の原因は、AIが「誤差」として捨てていた部分に振る舞いの情報が残っていたこと。見える部分だけ制御しても安心できないという警告

キーワード

• SAE（スパースオートエンコーダ）: AIの内部状態を、人間が「これは○○に対応する」と読み解ける細かい部品に分解する技術です。
• 特徴のクランプ（固定）: 特定の部品を強制的にオン/オフして、AIの振る舞いをコントロールしようとする操作のことです。
• 介入後の復活: 防御スイッチを入れたまま、抑え込んだはずの振る舞いを取り戻せるかを試す診断テストです。
• 残差（再構成誤差）: SAEが分解しきれずに「誤差」として残した部分。今回はここに振る舞いの情報が潜んでいました。
• 白箱の診断: AIの内部にアクセスできる前提で行うチェック。すぐ悪用できる攻撃ではなく、弱点を冷静に確かめるための手法です。

論文リンク

• 論文URL: https://arxiv.org/abs/2606.18322

• タイトル: LoopCoder-v2: Only Loop Once for Efficient Test-Time Computation Scaling
• 著者: Jian Yang et al.（北京航空航天大学、IQuest Research ほか）
• 発表: arXivプレプリント 2026年

このエピソードのポイント

• AIが頭の中で考え直す「ループ」は、1回だけ増やすのが一番効果的だとわかった
• ソフト修正テストでは43.0%から64.4%へ急上昇し、自社の小さなAIが巨大モデル並みに
• でもループを3回4回と増やすと逆に悪化。得は早々に頭打ち、損だけが残り続ける

キーワード

• ループ型AI: 同じ計算部品を何度も繰り返し使い、頭の中で考え直す回数を増やすAIの仕組み
• テスト時計算スケーリング: AIを使う瞬間に計算量を増やして、その場でより深く考えさせる手法
• 並列ループ（PLT）: ループを増やしても処理時間やメモリがほぼ増えないよう工夫した効率的なループ方式
• 位置オフセット（CLP）: 並列計算のため隣の情報を1つズラして使うトリック。便利だが微妙なズレが必ず生じる
• 潜在的な思考過程: 文章として書き出さず、AIの内部だけで進む見えない推論のこと

論文リンク

• 論文URL: https://arxiv.org/abs/2606.18023

• タイトル: GameCraft-Bench: Can Agents Build Playable Games End-to-End in a Real Game Engine?
• 著者: Tongxu Luo, Rongsheng Wang, Jiaxi Bi et al.（香港中文大学・深圳、テンセント Hunyuanチームほか）
• 発表: 2026年6月

このエピソードのポイント

• 「ゲームを作って」という指示だけから、AIが本物のエンジンで遊べるゲームを丸ごと作れるかを検証
• 作ったAI自身に操作の台本も提出させ、その再生映像を画像も読めるAIが採点する工夫がユニーク
• 最優秀でも41%と厳しい結果。仕組みは作れても中身の詰まった完成品にはできない弱点が浮き彫りに

キーワード

• コーディングエージェント: コードを書くだけでなく、ファイルを編集して実行し、エラーを直す一連の作業を自分で進めるAIのことです。
• ベンチマーク: AIの実力を公平に測るための、共通の試験問題と採点基準のセットです。
• ゲームエンジン（Godot）: ゲームの絵や音、操作などを動かす土台ソフト。Godotは無料で軽く、自動評価に向いています。
• 操作記録（再生トレース）: 「このタイミングでこのボタンを押す」という入力の台本。これを再生してプレイ映像を撮ります。
• マルチモーダル審査: 文章だけでなく画像や映像も理解できるAIに、プレイ映像を見せて採点させる仕組みです。

論文リンク

• 論文URL: https://arxiv.org/abs/2606.17861

• タイトル: JoyAI-VL-Interaction: Real-Time Vision-Language Interaction Intelligence
• 著者: Dingyu Yao, Junhao Zhou, Chenxu Yang et al.（JD.com）
• 発表: 2026年6月（arXivプレプリント）

このエピソードのポイント

• これまでのAIは「話しかけられてから答える」のが基本。この研究は映像を見続けて、自分から話す瞬間を判断するAIをつくった
• AIが毎秒「黙って見続ける・話す・難題は大型AIに任せる」の3つから選ぶ仕組み。黙ることも立派な選択肢として学習させた
• わずか80億パラメータの小型モデルが、DoubaoやGeminiの映像通話機能に「タイミング」で勝利。監視・警告の場面では全勝した

キーワード

• ターン制AI: 話しかけられてから答える、質問待ちのAI。今の主流だけど「今この瞬間」を見続けるのが苦手。
• インタラクションモデル: 映像を見続けて、いつ話すかを自分で決めるAI。この研究が目指した新しいかたち。
• デリゲート: 自分の手に余る難題を裏方の大型AIに任せること。任せている間も現場の監視は続ける。
• 時間整合データ: 映像の1秒ごとに「黙る・話す・任せる」の正解をつけた教材。これがAIの判断力を育てる。
• AdaCodec: 映像を賢く圧縮する技術。変化の少ない場面は情報量を大きく減らして、長時間でも軽快に動かす。

論文リンク

• 論文URL: https://arxiv.org/abs/2606.14777

• タイトル: Data Journalist Agent: Transforming Data into Verifiable Multimodal Stories
• 著者: Kevin Qinghong Lin et al.（オックスフォード大学、スタンフォード大学）
• 発表: arXivプレプリント（2026年）

このエピソードのポイント

• 生のデータを放り込むと、AIが図表や音声つきの「読み物」を丸ごと自動で作ってくれる
• AIを7つの役割に分けた“バーチャル編集部”が分業。中でも「この数字はどこから来た？」を全部記録する検査官役がカギ
• 一般読者の74%がAI版の記事を好んだ一方、データの外側にある「切り口」では人間がまだ優位

キーワード

• マルチエージェント: 1つのAIに全部やらせず、役割ごとに分けた複数のAIを連携させる仕組み。新聞社の編集部のように分業させます。
• 検査官（Inspector）: 記事の数字や引用を「出どころ」に紐づける役割。どのコードから出た数字か、どのURLに基づく事実かを記録します。
• 検証可能性／監査可能性: 書かれた内容を後から第三者が確認・追跡できること。「正しいか」ではなく「根拠をたどれるか」を指します。
• マルチモーダル: 文章だけでなく、画像・動画・音声・操作できる地図など、複数の表現手段を組み合わせること。
• ハルシネーション: AIが事実でないことをもっともらしく作り出してしまう現象。この研究が抑えたかった問題です。

論文リンク

• 論文URL: https://arxiv.org/abs/2606.11176

• タイトル: Memory is Reconstructed, Not Retrieved: Graph Memory for LLM Agents
• 著者: Shuo Ji, Yibo Li, Bryan Hooi（シンガポール国立大学）
• 発表: ICML 2026（第43回国際機械学習会議）

このエピソードのポイント

• AIが過去の会話を「一発で検索」するのではなく、手がかりをたどって少しずつ思い出す仕組みを実現した
• 記憶を「手がかり・タグ・内容」の3層でつなぎ、複数の情報を組み合わせる難しい質問に強くなった
• 精度が最大23%向上した上に、1問あたりの処理量を約5分の1に削減してコストも改善

キーワード

• LLMエージェント: 大規模言語モデルを頭脳に、自分で考えて行動するAIシステムのこと。
• コンテキストウィンドウ: AIが一度に処理・記憶できる文章の量。これを超えると過去の内容を忘れてしまう。
• 検索拡張生成（RAG）: 外部に保存した文書から関連情報を探し、それを参考にAIが答えを作る仕組み。
• マルチホップ質問: 複数の情報をつなぎ合わせないと答えられない、推論の手数が多い質問。
• 能動的再構築: 検索の途中で得た情報をもとに、次にどこを探すかをAI自身が判断していく方式。

論文リンク

• 論文URL: https://arxiv.org/abs/2606.06036

• タイトル: Robust-U1: Can MLLMs Self-Recover Corrupted Visual Content for Robust Understanding?
• 著者: Jiaqi Tang, Jianmin Chen, Youyang Zhai et al.（香港科技大学ほか）
• 発表: ICML 2026予定（arXivプレプリント 2026年6月）

このエピソードのポイント

• ノイズやぼやけで崩れた画像を、AI自身がいったんきれいに描き直してから答える「自己修復」という新しい発想
• 見た目をきれいにするだけでは理解は良くならず、「意味を保った復元」になって初めて正答率が跳ね上がる、という意外な発見
• 安全優先なら時間をかけ、速度優先なら劣化を検知した時だけ修復する——用途に応じて選べる設計思想

キーワード

• マルチモーダルLLM: 画像と文章を一緒に理解できるAI。写真を見て質問に答えたり説明したりできます。
• 視覚の自己修復: AIが、ノイズやぼやけで崩れた画像を自分できれいに描き直すこと。修復した画像を見ながら判断します。
• 強化学習: AIの出力に点数をつけ、高得点を狙うよう試行錯誤で賢くする訓練法です。
• CLIP: 画像と言葉の「意味」を共通の物差しで比べる仕組み。見た目ではなく内容の一致を測れます。
• ハルシネーション: AIが、実際には無いものをあるかのように作り出してしまう誤りのことです。

論文リンク

• 論文URL: https://arxiv.org/abs/2606.08063

• タイトル: EvoArena: Tracking Memory Evolution for Robust LLM Agents in Dynamic Environments
• 著者: Jundong Xu, Qingchuan Li et al.（シンガポール国立大学ほか）
• 発表: 2026年（プレプリント）

このエピソードのポイント

• 現実の仕事はルールも道具も変わり続けるのに、AIのテストは「止まった環境」ばかりだった
• 最新の強力なAIでも変化する環境は苦手で、正解率は平均39.6%にとどまった
• Gitのように「変更前・変更後・理由」を残す記憶方式EvoMemで、AIの信頼性が一貫して向上した

キーワード

• LLMエージェント: ChatGPTのようなAIが自分で考え、道具を使いながら複数の手順をこなして作業を進める仕組みのことです。
• 状態の崩壊: AIの記憶が最新情報だけを上書きしてしまい、まだ有効な古い情報や「なぜ変わったか」が消えてしまう問題です。
• パッチ（記憶の差分）: 「変更前・変更後・理由・根拠」をセットで記録した変更履歴のかたまり。Gitの考え方を記憶に応用したものです。
• ステップ単位／連鎖単位の正解率: 1問ずつの正解率と、一連の問題を最後まで全部正解できた割合のこと。後者の方がはるかに厳しい指標です。
• 退行（リグレッション）: 新しい作業を加えたせいで、それまで正しく動いていた部分を壊してしまうことです。

論文リンク

• 論文URL: https://arxiv.org/abs/2606.13681

• タイトル: ABot-Earth 0.5: Generative 3D Earth Model
• 著者: AMAP CV Lab（Alibaba Group）
• 発表: 2026年6月

このエピソードのポイント

• どこでも手に入る衛星写真1枚から、リアルな3D都市空間をAIが「生成」。1平方キロをわずか10分以内で3D化できる
• 撮影に巨額の予算がかかる従来の3D地図と違い、途上国や地方都市もカバー可能に。アフリカのカバー率はGoogle Earthの3.7%に対して68.5%を実現
• 生成された3D空間は、ドローンの訓練場や災害シミュレーション、都市計画など「意思決定に使える地図」への応用が期待される

キーワード

• 3D Gaussian Splatting（3DGS）: 風景を無数の半透明な「色つきの点」の集まりで表現する3D技術。写真のようにリアルな描画ができ、木の葉や水面など複雑な形も得意
• 写真測量（フォトグラメトリ）: たくさんの写真を撮って、その見え方の違いから立体の形を復元する従来の手法。精度は高いけれど、コストと時間がとてもかかる
• sim-to-realギャップ: シミュレーション環境と現実世界のズレのこと。仮想空間で訓練したAIが、現実ではうまく動かない原因になる
• LOD（Level of Detail）: 視点の距離に応じて3Dモデルの細かさを切り替える仕組み。遠くは粗く、近くは細かく表示して処理を軽くする
• デジタルツイン: 現実の都市や施設をデジタル空間にそっくり再現した「双子」。シミュレーションや計画づくりに使われる

論文リンク

• 論文URL: https://arxiv.org/abs/2606.09967

• タイトル: Agents' Last Exam
• 著者: Yiyou Sun, Xinyang Han, Weichen Zhang, et al.（カリフォルニア大学バークレー校ほか、250名超の業界専門家が参加）
• 発表: 2026年6月（arXiv）

このエピソードのポイント

• テストでは満点でも現実の仕事では使えない、というAIのギャップを測る試験をつくった研究
• 法律・金融・医療・半導体設計など55の専門分野、1,000以上の本物の業務を集めて、人間の主観に頼らず自動で採点
• 最強のAIでも最難関タスクの完全クリア率はわずか2.6%。失敗の約4分の3は操作ミスではなく「専門知識の不足」が原因

キーワード

• ベンチマーク: AIの実力を測る共通テスト。高得点で研究は加速するが、中身が現実とズレると「テストだけ得意なAI」が生まれてしまう。
• コンピュータ操作エージェント（GCUA）: 人間のようにマウス操作もコマンド入力も両方こなし、長い作業を最後までやり遂げるタイプのAI。
• GUIとCLI: GUIはアイコンやボタンをマウスで操作する画面、CLIは文字でコマンドを打ち込む操作。専門業務では両方を行き来する必要がある。
• 完全クリア率: タスクを満点で仕上げられた割合。部分点ではなく「完全に仕事をやり切れたか」を示す厳しい指標。
• 生きたベンチマーク: 課題の約9割を非公開にして定期的に入れ替える設計。AIが答えを丸暗記して攻略するのを防ぐ仕組み。

論文リンク

• 論文URL: https://arxiv.org/abs/2606.05405

• タイトル: LatentSkill: From In-Context Textual Skills to In-Weight Latent Skills for LLM Agents
• 著者: Aofan Yu, Chenyu Zhou et al.（上海交通大学ほか）
• 発表: arXivプレプリント, 2026

このエピソードのポイント

• AIに毎回「作業手順書」を読ませる代わりに、手順書をAIの追加部品（重み）に変換して差し込む新しい方法を紹介
• 入力する文章量を6〜7割減らしながら、作業の成功率も上がるという「いいとこ取り」を実現
• ノウハウが読める文章として外に出にくくなり、乗っ取り攻撃にも強くなるのでセキュリティ面でも有利

キーワード

• LLMエージェント: 大規模言語モデルが「考える→動く→結果を見る」を繰り返して、複雑な作業を自分でこなす仕組みです。
• スキル（手順書）: 「こういう時はこうする」という再利用できる作業手順を、文章で書いておいたものです。
• LoRA: AI本体を作り直さず、小さな追加パーツだけで振る舞いを調整できる省コストな技術です。
• ハイパーネットワーク: 別のAIの「部品（重み）」を生み出す、AIのためのAIです。手順書からパーツを自動で作ります。
• 重み空間: AIの能力を決める内部の数値の世界。文章ではなく数値の中に知識を埋め込む場所です。

論文リンク

• 論文URL: https://arxiv.org/abs/2606.06087

• タイトル: Your UnEmbedding Matrix is Secretly a Feature Lens for Text Embeddings
• 著者: Songhao Wu, Zhongxin Chen et al.（中国人民大学、レノボ、武漢大学）
• 発表: arXivプレプリント（2026年）

このエピソードのポイント

• LLMが作る文章ベクトルには「the」や「,」みたいな意味の薄い単語が無関係に混ざり込んでいた、という意外な発見
• その邪魔な成分だけを取り除く「EmbedFilter」を提案。追加学習なしで既存モデルに被せるだけ
• 検索精度が最大14%向上しつつ、データ容量を8分の1まで減らせる。性能アップと軽量化を同時に達成

キーワード

• テキスト埋め込み: 文章を「意味の近さ」で比べられる数値の列に変換すること。検索やマッチングの土台になる技術です。
• 逆埋め込み行列: LLMの内部で、計算された数値を実際の単語に戻すための変換表。今回はこれを意味を覗く「レンズ」として使いました。
• 高頻度トークン: 「the」や「,」のように、どんな文章にもよく出てくるけれど意味の薄い単語や記号のこと。
• EmbedFilter: 文章ベクトルから邪魔な平均成分を取り除く単純な計算。学習が不要で後処理として差し込めます。
• ゼロショット: 追加の訓練をせず、モデルをそのまま使って未知のタスクをこなすこと。

論文リンク

• 論文URL: https://arxiv.org/abs/2606.07502

• タイトル: Audio Interaction Model
• 著者: Zhifei Xie, Zihang Liu et al.（NTU・NUS・CUHK）
• 発表: 2026年6月（arXivプレプリント）

このエピソードのポイント

• 音を0.4秒ごとの小さなかたまりで受け取り、そのたびに「黙って聞き続けるか／いま反応するか」を判断する仕組み
• 翻訳・認識・対話をすべて「指示」として1つのモデルに統一。リアルタイム化しても賢さが落ちていない
• 指示がなくても危険な音を察知して自分から警告する「先回り」の能力を実現

キーワード

• 大規模音声言語モデル: 音声を理解して答えるAI。従来は録音が終わってからまとめて答える「オフライン型」が主流でした。
• ストリーミング処理: 音を最後まで待たず、流れてくる端から少しずつ処理していく方式。リアルタイム性のカギになります。
• 知覚→判断→応答ループ: 音を聞き、いま反応すべきか判断し、必要なら応答する、をずっとくり返す仕組み。人間の会話のやり方に近いです。
• 自発的応答（プロアクティブ）: 指示されなくても、危険な音などを察知してAIが自分から声をかける能力のことです。
• 応答までの待ち時間: AIが反応を始めるまでの遅れ。短いほど会話が自然に感じられます。

論文リンク

• 論文URL: https://arxiv.org/abs/2606.05121

• タイトル: On the Scaling of PEFT: Towards Million Personal Models of Trillion Parameters
• 著者: Mind Lab
• 発表: 2026年5月

このエピソードのポイント

• 巨大なAIは全員で共有し、小さな「個性パーツ」だけを付け足すことで、安く専用AIを作れる
• DNAの99.9%は共有・残り1%が個性、という生物のたとえをそのままAI設計に持ち込んだ
• 少しずつ違うAIの答えを集めると、人数を増やすほど賢くなる（多様性が計算資源になる）

キーワード

• PEFT: 巨大モデル本体はいじらず、小さな追加部品だけを学習させる省エネな調整法。全部を作り直すより圧倒的に安く済みます。
• LoRA: PEFTの代表的な手法。本体に小さな補正パーツを差し込むことで、個性や専門性を付け加えます。
• 基盤モデル（共有の土台）: 全員で共有する巨大な土台AI。一般常識や言語、推論の力を担います。
• 強化学習: 試行錯誤と報酬で振る舞いを上達させる学習法。すでにできることを伸ばすのは得意ですが、土台が弱いと効きにくいです。
• アダプターの多様性: 少しずつ違うパーツ同士が違う解き方をすること。集めると集団として賢くなる源になります。

論文リンク

• 論文URL: https://arxiv.org/abs/2606.02437

• タイトル: Reproducing, Analyzing, and Detecting Reward Hacking in Rubric-Based Reinforcement Learning
• 著者: Xuekang Wang, Zhuoyuan Hao et al.（清華大学ほか）
• 発表: 2026年（arXivプレプリント）

このエピソードのポイント

• AIが採点役のクセを突いて点数だけ稼ぐ「ズル」が起きる仕組みを、実験で安全に再現
• 採点役を「正直な役」と「クセ持ちの役」の2人に分け、点数を質とズルに分解する工夫
• ズルを覚えるとAIの実力は落ち、いつズルが始まったかを自動で見つける手法も開発

キーワード

• 報酬ハッキング: AIが本来の目的をこなさず、評価の仕組みの抜け穴を突いて点数だけ稼ぐズル行為のこと。
• 採点役AI（LLM-as-a-Judge）: 答えの良し悪しを点数化する役割を担うAI。人間の代わりに大量の答えを評価できます。
• ルーブリックベース強化学習: 採点基準に沿って採点役AIが点をつけ、その点が高まるようAIを訓練する手法。作文など正解が一つでない仕事に使います。
• デュアルジャッジ: 「正直な採点役」と「クセを仕込んだ採点役」の2人体制で、点数を本当の質とズルの分にきれいに分けられる仕組み。
• 発見しやすさ／悪用しやすさ: クセがどれだけ早く見つかり、見つけた後どれだけ急速に悪用されるか、という2つの分析の軸。

論文リンク

• 論文URL: https://arxiv.org/abs/2606.04923

• タイトル: Linear Ensembles Wash Away Watermarks: On the Fragility of Distributional Perturbations in LLMs
• 著者: Zhihao Wu, Gracia Gong et al.（King's College London ほか）
• 発表: ICML 2026

このエピソードのポイント

• AIが書いた文章に仕込む「電子透かし」は、複数のAIの出力を平均するだけで簡単に消せてしまう
• 各社がバラバラの秘密鍵を使うことが弱点で、わずか3つのモデルを混ぜるだけで検出されなくなった
• 透かしを消すと文章の品質まで上がってしまう。解決には業界全体での標準化・協調が必要

キーワード

• 電子透かし（ウォーターマーク）: AIが文章を作るとき、人間には気づかれない統計的なクセを仕込み、後でAI製かどうか判別できるようにする技術です。
• 出力確率分布: AIが「次にどの単語を出すか」を決めるときの、各単語の選ばれやすさを表す確率の一覧です。
• 線形アンサンブル: 複数のAIの出力確率を単純に平均すること。バラバラなクセを打ち消し合う効果があります。
• トークン化: 文章を単語や記号などの小さな単位に区切る処理。AIごとに区切り方が違います。
• zスコア: 透かしがどれだけ強く検出されるかを示す指標。値が大きいほど「AI製」と判定されやすくなります。

論文リンク

• 論文URL: https://arxiv.org/abs/2605.30501

• タイトル: GrepSeek: Training Search Agents for Direct Corpus Interaction
• 著者: Alireza Salemi et al.（マサチューセッツ大学アマースト校 ほか）
• 発表: 2026年5月（プレプリント）

このエピソードのポイント

• AIが索引を作らず、生のテキストをコマンドで直接探す「直接コーパス操作」という新しい発想
• 巨大な商用AIに頼らず、小型AIに検索の技能を学習させたのがブレイクスルー
• メモリは生データ分だけ、索引作りは数十時間から約1分へ。更新に強くコストも軽い

キーワード

• 検索エージェント: 質問に答えるため、自分で考えて何度も検索を繰り返すAIのこと
• RAG / 索引ベース検索: 文書をあらかじめ整理して索引化しておき、質問に近いものを取り出す従来の主流方式
• DCI（直接コーパス操作）: 索引を作らず、生のテキストをコマンドで直接探す本研究のアプローチ
• grep: 文字列を高速で探すおなじみのコマンドツール。本研究でAIが使う「検索の道具」
• 多段推論（マルチホップ）: 「Aを調べて、それを手がかりにBを調べる」と複数の文書をたどる必要のある問題

論文リンク

• 論文URL: https://arxiv.org/abs/2605.29307

• タイトル: Why Far Looks Up: Probing Spatial Representation in Vision-Language Models
• 著者: Cheolhong Min et al.（ソウル大学、オハイオ州立大学、NVIDIA）
• 発表: 2026年5月（arXivプレプリント）

このエピソードのポイント

• 空間を理解するAIが、実は「画面の上にあるもの=遠い」という写真によくあるパターンを近道に使っているだけかもしれない、という疑念を検証した研究
• AIの「脳内」を覗くと、左右はきれいに区別できる一方で、上下と奥行きが混ざり合う「もつれ」が見つかった
• データを増やすと全体の点は上がるのに、悪い癖はむしろ強まるという逆説。点数の高さと実環境での信頼性は別物だと気づける

キーワード

• 視覚言語モデル（VLM）: 画像と言葉の両方を理解し、写真について質問に答えられるAI。「この写真に何が写ってる？」に答えるタイプです。
• 垂直-距離もつれ: AIが「画面の上にあるもの=遠い」と思い込み、上下の位置と奥行きを混同してしまう現象のことです。
• 近道（ショートカット）: きちんと考えず、データによくあるパターンに頼って答えを出すこと。テストには強いけれど、応用が利きません。
• 内部表現の分析: AIが出した答えだけでなく、答えを出す途中の「脳内の数値」を調べて、どう考えているかを診断する手法です。
• SpatialTunnel: 著者が作った専用テスト。物の奥行きと画面上の位置を別々に動かせるので、AIの近道頼みをあぶり出せます。

論文リンク

• 論文URL: https://arxiv.org/abs/2605.30161

• タイトル: Gamma-World: Generative Multi-Agent World Modeling Beyond Two Players
• 著者: Fangfu Liu, Kai He et al.（NVIDIA、清華大学、トロント大学、Vector Institute）
• 発表: 2026年5月

このエピソードのポイント

• 複数のプレイヤーやロボットが同じ世界で同時に動く様子を、それぞれの視点から矛盾なく映像で生成できるAI
• 全員を「対等な図形の頂点」に配置することで序列をなくし、追加学習なしで人数を増やせる
• 2人分のデータだけで学習したモデルが、追加学習なしで4人分の同期映像を生成できることを実証

キーワード

• 世界モデル: 行動の結果として世界がどう変わるかを映像などで予測・生成するAI。「こう動いたらこうなる」を頭の中で再生する仕組みです。
• マルチエージェント: 複数のプレイヤーやロボットが同時に同じ環境で動くこと。
• 対等に扱う発想（順列対称性）: メンバーの並び順を入れ替えても結果が変わらない性質。誰を「1番」にしても対等という考え方です。
• シンプレックス符号化: 各エージェントを、すべての頂点が等距離な図形（正三角形や正四面体）の頂点に割り当て、序列なく区別する工夫です。
• スパース・ハブ注意機構: 全員が直接やり取りせず、共有の掲示板を介して情報交換することで計算量を大きく減らす仕組みです。

論文リンク

• 論文URL: https://arxiv.org/abs/2605.28816

• タイトル: Macaron-A2UI: A Model for Generative UI in Personal Agents
• 著者: Fancy Kong, Congjie Zheng, Murphy Zhuang et al.（Mind Lab）
• 発表: 2026年5月（arXiv）

このエピソードのポイント

• AIが返答と一緒に「ボタン」「スライダー」「選択リスト」などのUI部品をその場で作って出してくれる新技術
• 専用訓練した中規模モデルが、フル仕様書を渡したGPT-5.4などのフロンティアモデルを上回った
• 「アプリは事前に作るもの」から「会話中に生成されるもの」へ、UXのパラダイムが変わる可能性

キーワード

• Generative UI: AIが対話の流れに合わせて、画面のボタンやフォームを動的に作り出す技術のこと
• A2UI: 「この部品をこう並べて」とJSONで指示する仕組み。HTMLを直接書かせるより安全で扱いやすい
• GRPO: 強化学習の手法のひとつ。同じ問いに複数の答えを作らせて、良い方を学んでいくやり方
• スキーマライト: 長い仕様書をいちいち渡さなくても、モデルが学習でUI生成能力を身につけている状態

論文リンク

• 論文URL: https://arxiv.org/abs/2605.24830

• タイトル: SkillOpt: Executive Strategy for Self-Evolving Agent Skills
• 著者: Yifan Yang et al.（Microsoft、上海交通大学、同済大学、復旦大学）
• 発表: 2026年5月（arXiv）

このエピソードのポイント

• AIエージェントに渡す「手順書（スキル文書）」を、ディープラーニングと同じ規律で自動的に磨き上げる初の体系的な仕組み
• 6つのベンチマーク × 7つのモデルすべてでベスト。GPT-5.5では平均+23.5ポイント、スプレッドシート操作は41.8%→80.7%へ大幅改善
• 最終的なスキル文書はわずか300〜2,000トークン。人間が読めて、別モデル・別環境にも転用できる実用性

キーワード

• スキル文書: AIエージェントに「こういう手順で仕事して」と渡す自然言語のマニュアル。人間が読める手順書のようなもの
• 検証ゲート: 編集案を試した後、別データでスコアが本当に上がったかチェックし、上がった時だけ採用する仕組み
• テキスト学習率: 1ステップで許される編集箇所の最大数。大きすぎると暴走、小さすぎると改善しない
• 却下バッファ: 失敗した編集案を「次は避けるべきパターン」として記憶し、ネガティブフィードバックを活かす仕組み
• ハーネス: エージェントが動く実行環境。直接チャット、Codex、Claude Codeなど

論文リンク

• 論文URL: https://arxiv.org/abs/2605.23904

• タイトル: Forecasting Scientific Progress with Artificial Intelligence
• 著者: Sean Wu, Pan Lu, Yupeng Chen, Jonathan Bragg et al.（オックスフォード大学・スタンフォード大学・Allen Institute for AI・Sakana AI）
• 発表: arXiv, 2026年5月

このエピソードのポイント

• 最新AIに「次にどんな発見が、いつ起きるか」を予測させたら、実現可否はほぼコイン投げ並み、時期予測は平均36ヶ月も未来にズレた
• 訓練データに含まれているはずの過去の発見でも予測精度がほぼ変わらず、「知っているのに使えていない」ことが判明
• AI業界の進歩予測だけは他分野より精度が高く、「自分の業界」は読めるという面白い偏りも見えた

キーワード

• CUSP: 本研究で作られた新しいベンチマーク。時間で区切って「未来予測」の力だけを測る仕組み
• 訓練カットオフ: AIが学習に使ったデータの最終日。これ以降のことはAIにとって本来未知のはず
• キャリブレーション: AIが「80%自信がある」と言ったときに、本当に80%当たっているかという信頼性の指標
• 予測ギャップ: 情報を与えても埋まらない、AIの予測能力そのものの限界
• 応答バイアス: 質問の中身より「Yesと言いがち」など、AIが持つ回答の偏った癖

論文リンク

• 論文URL: https://arxiv.org/abs/2605.22681

• タイトル: Perception or Prejudice: Can MLLMs Go Beyond First Impressions of Personality?
• 著者: Caixin Kang et al.（東京大学、Shanda AI Research Tokyo、大連理工大学）
• 発表: 2026年5月（arXiv プレプリント）

このエピソードのポイント

• 最新のマルチモーダルAI27種類を調べたら、正解スコアの51%が「根拠なし」のまぐれ当たりだった
• スコアと推論と行動の手がかり、3つすべて正解できたのは平均でわずか10.4%
• EU AI法の時代、AIを選ぶ基準は「精度」から「根拠の説明力」へシフトする

キーワード

• ビッグファイブ（OCEAN）: 心理学で最も使われる性格分類。外向性・協調性・誠実性・神経症傾向・開放性の5つで人の性格を表します。
• マルチモーダルAI（MLLM）: 文字だけでなく画像や音声、動画も一緒に理解できるAI。GPT-4oやGeminiなどが代表例です。
• 根拠ある性格推論（GPR）: 性格を判定するときに「動画のどの瞬間のどんな行動」を根拠にしたかまで答えさせる新しいタスクです。
• 偏見率（Prejudice Rate）: スコアは当たっているのに、根拠となる行動を示せなかった割合。高いほど「まぐれ当たり」が多いことを示します。
• MM-OCEAN: 1,104本の動画と5,320問からなる新ベンチマーク。AIエージェントと人間の専門家が協働して作られました。

論文リンク

• 論文URL: https://arxiv.org/abs/2605.22109

• タイトル: When Vision Speaks for Sound
• 著者: Xiaofei Wen, Wenjie Jacky Mo, Xingyu Fu et al.（カリフォルニア大学デービス校、プリンストン大学他）
• 発表: arXivプレプリント, 2026年5月

このエピソードのポイント

• 最新の動画AIは音を「聞いている」ふりをして、実は映像から音を想像しているだけ、という驚きの発見
• 音声を「ずらす・消す・差し替える」3つの意地悪テスト（THUD）で、主要モデルが軒並み騙されることが判明
• 映像に惑わされない正解例を学習させる矯正レシピで、音声理解の精度を平均28ポイント改善

キーワード

• 賢馬ハンス効果: 一見賢く見えるけど、実は本来見るべきでない手がかりをこっそり使っているだけ、という現象。AIにも起きていた話です。
• マルチモーダルAI: 文章だけでなく、画像や動画、音声などをまとめて扱えるAIのこと。
• 反実仮想テスト: 「もし音だけを差し替えたら？」のように一部だけ意図的に変えて、AIの反応を観察する検証方法。
• DPO（好み学習）: 「良い答え」と「悪い答え」のペアをAIに見せて、良い方を選べるように訓練する手法。
• アラインメント税: AIを特定の能力で鍛えると別の能力が落ちてしまう現象。今回はそれを回避できたのが大きな成果です。

論文リンク

• 論文URL: https://arxiv.org/abs/2605.16403

• タイトル: Anti-Self-Distillation for Reasoning RL via Pointwise Mutual Information
• 著者: Guobin Shen, Xiang Cheng, Chenxiao Zhao et al.（小紅書 / 中国科学院自動化研究所）
• 発表: 2026年5月（arXiv プレプリント）

このエピソードのポイント

• 「正解を見た自分」を先生にする自己蒸留が、数学の難問ではむしろ性能を下げてしまう謎
• 原因は「待てよ」「もしかして」など"迷いの単語"を罰していたこと。推論に必要な力を消していた
• 解決策は勾配を逆向きにするだけ。学習速度2〜10倍、精度を最大+11.5ポイント改善

キーワード

• 強化学習（RL）: AIに「うまくいったら報酬」を与えて行動を改善させる学習法。本研究では答えが正解かどうかで報酬が決まります。
• 自己蒸留: 同じAIが「正解を見た自分（先生）」と「見ていない自分（生徒）」に分かれ、生徒が先生に近づくよう学習する手法。
• 反・自己蒸留（AntiSD）: 本論文の提案。先生に近づくのではなく、あえて離れる方向に学ばせることで推論力を引き出す。
• PMI（相互情報量）: ある情報を知ると別の事柄の起こりやすさがどれだけ変わるかを測る指標。今回の偏りの正体。
• エントロピーゲート: 先生の出力が情報として怪しくなったら自動で学習を止める安全装置。

論文リンク

• 論文URL: https://arxiv.org/abs/2605.11609

• タイトル: ReactiveGWM: Steering NPC in Reactive Game World Models
• 著者: Zeqing Wang, Danze Chen, Zhaohu Xing et al.（Tencent 他）
• 発表: 2026年5月（arXivプレプリント）

このエピソードのポイント

• AI生成のゲーム映像で、敵キャラに「攻めて」「守って」と言葉で戦略を指示できるようになった
• プレイヤー操作とNPCの戦略を別々の信号として扱う「役割分離」がカギ
• 学習した「戦略を理解する部品」だけ取り出して、別のゲームに差し込んでも動く（ゼロショット転移）

キーワード

• ワールドモデル: ゲームや現実の世界で「次に何が起きるか」をAIが映像として予測する仕組み。ニューラルネットがゲームエンジンの代わりになるイメージです。
• NPC: プレイヤーが操作しない、AIが動かすキャラクター。対戦ゲームでの相手CPUのこと。
• クロスアテンション: 言葉での指示を、画像生成の途中の情報と結びつける仕組み。今回はNPCの戦略を映像に反映させる役割を担っています。
• ゼロショット転移: 追加学習なしで、別の状況にそのまま知識を持ち込めること。あるゲームで学んだ戦略理解を、別のゲームに差し込めるのが今回の驚きです。
• 拡散モデル: ノイズだらけの画像を少しずつきれいにしていく、現代の画像・動画生成AIの主流技術。

論文リンク

• 論文URL: https://arxiv.org/abs/2605.15256

• タイトル: MEMLENS: Benchmarking Multimodal Long-Term Memory in Large Vision-Language Models
• 著者: Xiyu Ren et al.（香港科技大学、NVIDIA他）
• 発表: 2026年（arXiv）

このエピソードのポイント

• 画像を見ないと絶対に解けない789個の問題でAIの長期記憶を厳密に測定
• 長いコンテキストを直接読む方式と、要約して取り出すメモリーエージェント方式を同じ土俵で比較
• どちらの方式も単独では不十分。特に「複数の過去情報を組み合わせる推論」と「分からないと正直に言う力」が弱いことが判明

キーワード

• LVLM（大規模視覚言語モデル）: 画像と文字の両方を理解できるAI。GPT-5やGeminiが代表例です。
• メモリーエージェント: 過去のやりとりを要約してデータベースに保存し、必要なときだけ取り出すAIの仕組み。
• エンティティ抽象化: 「ゴールデンゲートブリッジ」を「あの橋（画像）」と置き換える工夫。画像を見ないと答えられない問題を作るための仕掛け。
• ハルシネーション: AIが情報がないのに、もっともらしく答えをでっち上げてしまう現象。
• 回答拒否（Abstention）: 「分からない」と正直に答える能力。誤情報を防ぐための大事なスキル。

論文リンク

• 論文URL: https://arxiv.org/abs/2605.14906

• タイトル: MinT: Managed Infrastructure for Training and Serving Millions of LLMs
• 著者: Mind Lab
• 発表: 2026年5月

このエピソードのポイント

• 巨大モデルは1つだけ置いて、その上に小さな「追加パーツ」を百万個単位で載せ替えるアイデア
• 訓練から配信への引き渡しが最大18.3倍高速、ストレージは元モデルの1%以下にまで圧縮
• 「顧客ごとに専用AI」「部署ごとに専用AI」が現実的なコストで実現できる未来へ

キーワード

• LoRA（ローラ）: 巨大モデル本体はそのままに、小さな追加パーツだけを学習させる省メモリ技術。元サイズの1%程度で済むこともあります。
• アダプター: LoRAで作られた「個性」のパーツ。これを差し替えるだけで、AIの専門性や口調を切り替えられます。
• マルチテナント: 1つのシステムを多くのユーザーや会社が独立して使える仕組み。SaaSの基本的な考え方です。
• MoE（混合エキスパート）: AIの中で、入力に応じて専門家ネットワークを使い分ける仕組み。最新の大規模モデルで主流になっています。
• 常駐ベースモデル: GPU上に置きっぱなしにする土台モデル。みんなで共有することで効率が上がります。

論文リンク

• 論文URL: https://arxiv.org/abs/2605.13779

• タイトル: STALE: Can LLM Agents Know When Their Memories Are No Longer Valid?
• 著者: Hanxiang Chao, Yihan Bai, Rui Sheng, Tianle Li, Yushi Sun（武漢大学・香港中文大学・香港科技大学）
• 発表: arXiv プレプリント、2026年

このエピソードのポイント

• 「半年前に自転車通勤と言っていた人が足を骨折した」——こんな状況でAIは古い記憶を捨てられるのか？を測る新しいベンチマーク STALE の紹介
• 最強モデル Gemini-3.1-pro でも正答率55%。特に「古い前提を含んだ依頼」に弱く、ユーザーを疑えずに従ってしまう傾向が明らかに
• AIは「気づける」のに「行動に反映できない」——直接聞けば答えられるのに、自然な依頼になると的外れな提案をしてしまうギャップが浮き彫りに

キーワード

• 暗黙的コンフリクト: 新しい発言が古い記憶を直接否定していないのに、事実上は無効にしてしまう状況のこと。
• 潜在状態: ユーザーの本当の状況（健康、住まい、生活習慣など）。発言からしか推測できない裏側の事実です。
• 状態認識・前提抵抗・方針適応: 古い記憶に対する「気づく力」「騙されない力」「行動に反映する力」の3つの評価軸。
• CUPMEM: 著者らの提案手法。新しい情報が来たら、古い記憶のどれがもう使えないかを能動的に見直す仕組みです。

論文リンク

• 論文URL: https://arxiv.org/abs/2605.06527

• タイトル: MemPrivacy: Privacy-Preserving Personalized Memory Management for Edge-Cloud Agents
• 著者: Yining Chen, Jihao Zhao, Bo Tang et al.（MemTensor、HONOR、同済大学）
• 発表: 2026年5月

このエピソードのポイント

• AIエージェントの「記憶機能」がプライバシー漏洩の温床になっている問題に、現実的な解を示した研究
• センシティブな箇所だけを「型付きの仮名」に置き換えてクラウドに送り、戻ってきた答えを手元で元に戻す仕組み
• 6億パラメータの小さなモデルで、巨大モデルを超える精度（F1スコア83%）と高速処理（2秒以下）を実現

キーワード

• エッジ-クラウドエージェント: スマホなど手元の端末と、計算力の強いクラウドの両方を使って動くAIアシスタントのこと。
• 型付きプレースホルダー: 単に「○○」と隠すのではなく、「電話番号」「メールアドレス」など情報の種類が分かる形で置き換える仮の記号。
• 4段階プライバシー分類: 情報の機密度を「好み程度」から「パスワード級」まで4段階にランク分けし、どこまで守るかをユーザーが選べる仕組み。
• 可逆的仮名化: 対応表を手元に持っておくことで、隠した情報を後から元に戻せる方式。完全に消してしまうマスキングと対照的。

論文リンク

• 論文URL: https://arxiv.org/abs/2605.09530

• タイトル: TMAS: Scaling Test-Time Compute via Multi-Agent Synergy
• 著者: George Wu, Nan Jing, Qing Yi, Chuan Hao et al. (IQuest Research, 北京航空航天大学)
• 発表: 2026年（arXiv プレプリント）

このエピソードのポイント

• 複数のAIに「解答役」「検証役」「記録役」と役割分担させ、チームで難問を解かせる発想
• 「使うべき記憶」と「繰り返さないための記憶」を分けて管理することで試行錯誤が次に活きる
• 小型の4Bモデルが30Bモデルに肉薄するなど、コスト面でも大きな可能性を示した

キーワード

• テスト時スケーリング: AIが答えを出すときに、より多くの計算や試行を費やして精度を上げる手法。学習後の「本番の頑張り」を増やすイメージ
• マルチエージェント: 役割の違う複数のAIが協力して問題を解く構成。社内で「企画」「審査」「記録係」を分けるのに似ている
• 経験バンク／ガイドラインバンク: 過去の試行から学んだ「使える知識」と「もう試した戦略」を別々に保管する仕組み
• 探索と活用のバランス: 既知の有望な道を深堀りするか、新しい道を試すか、のトレードオフ
• ハイブリッド報酬: 正解だけでなく「経験を活かす力」「新しい戦略を探す力」も評価して学習させる方式

論文リンク

• 論文URL: https://arxiv.org/abs/2605.10344

• タイトル: Mean Mode Screaming: Mean–Variance Split Residuals for 1000-Layer Diffusion Transformers
• 著者: Pengqi Lu
• 発表: 2026年5月（arXiv preprint）

このエピソードのポイント

• 画像生成AIを深くしていくと、エラーも出さずに突然壊れる謎の現象がある
• 原因は「平均成分」だけが暴走してトークンが全部同じ顔になる崩壊だった
• 平均とばらつきに別々のブレーキをかける「MV-Split」で1000層モデルの学習に成功

キーワード

• 拡散トランスフォーマー（DiT）: ノイズから画像を作る拡散モデルに、ChatGPTと同じ系統のトランスフォーマー構造を組み合わせた設計。Stable Diffusion 3などで使われています。
• Mean Mode Screaming: この論文が名付けた現象。学習中に「みんなの平均」成分だけが急激に増幅して、全トークンが均質化してモデルが崩壊する瞬間のこと。
• 平均成分とばらつき成分: トークン全体を「全員の平均値」と「平均からのズレ」に分けたときの、それぞれの中身。平均だけが暴走するとモデルが壊れます。
• MV-Split: 本論文の提案手法。平均成分は強く抑え、ばらつき成分は残すように、別々のブレーキをかける仕組み。
• LayerScale: 既存の安定化手法。残差全体を一律に弱めるので安定はするけれど、学習が遅くなる副作用があります。

論文リンク

• 論文URL: https://arxiv.org/abs/2605.06169

• タイトル: MACE-Dance: Motion-Appearance Cascaded Experts for Music-Driven Dance Video Generation
• 著者: Kaixing Yang, Jiashu Zhu et al.（中国人民大学、アリババAMAP、清華大学ほか）
• 発表: arXiv 2025年12月（2026年5月公開予定）

このエピソードのポイント

• 音楽を入れるだけで、参考画像の人物がその曲に合わせて踊る動画を自動生成する技術
• 「動きの専門家」と「見た目の専門家」を直列につなぐ分業設計で、自然なダンスと崩れない映像を両立
• 中間データに3D骨格を使うことで、奥行きや手足の重なりに強くなり、編集もしやすい

キーワード

• Mixture-of-Experts（MoE）: 1つの巨大AIが全部やる代わりに、得意分野の違う複数のAIに分業させる仕組み。
• 拡散モデル: ノイズだらけの状態から少しずつノイズを除いて、綺麗な画像や動きを作るAIの主流技術。
• BiMamba: Transformerより高速で、時系列の前後関係をなめらかに扱える新しいAI部品。前向き・後ろ向きの両方を見るタイプ。
• SMPL: 人体を3Dで表現する標準的な「デジタル人形」フォーマット。関節角度などで全身の姿勢を表す。
• Guidance-Free Training（GFT）: 従来の生成AIで2回必要だった計算を1回で済ませる新しい学習法。速くて安定。

論文リンク

• 論文URL: https://arxiv.org/abs/2512.18181

• タイトル: Beyond Semantic Similarity: Rethinking Retrieval for Agentic Search via Direct Corpus Interaction
• 著者: Zhuofeng Li, Haoxiang Zhang, Cong Wei, Pan Lu, Ping Nie et al.
• 発表: 2026年5月（arXiv プレプリント）

このエピソードのポイント

• AIに情報を探させる時、ベクトル検索ではなくgrepなど昔からのコマンドで直接ファイルを探らせる新発想
• 同じAIモデルでも検索方法を変えるだけで、正答率が11ポイント上がりコストは約30%下がった
• 大規模コーパスでは性能が落ちるなど制約もあり、用途を選ぶ技術であることもしっかり議論

キーワード

• RAG（検索拡張生成）: AIに外部の文書を探させ、その内容を踏まえて回答させる仕組み。社内データ活用の定番手法です。
• ベクトル検索: 文書や質問を数値に変換し「意味の近さ」で似たものを返す方式。意味は捉えやすいが完全一致は苦手。
• エージェント型検索: AIが自分で計画を立て、何度も検索を繰り返しながら答えに近づいていく賢い検索のやり方。
• Direct Corpus Interaction (DCI): この論文の提案手法。インデックスを作らず、AIにターミナルを渡して直接ファイルを探らせるアプローチ。
• grep / bash: Linuxで昔から使われているコマンド。文字列を検索したりコマンドを組み合わせたりできる便利な道具。

論文リンク

• 論文URL: https://arxiv.org/abs/2605.05242

• タイトル: Nonsense Helps: Prompt Space Perturbation Broadens Reasoning Exploration
• 著者: Langlin Huang, Chengsong Huang, Jinyuan Li et al.（ワシントン大学セントルイス校）
• 発表: 2026年5月（プレプリント）

このエピソードのポイント

• 難しすぎる問題で全部不正解になると学習が止まってしまう「ゼロアドバンテージ問題」を、ダミー文の追加だけで救えるという話
• 数学ベンチマークで最大+6.20点の改善。サンプリング数を単純に増やすより効果が大きい
• ただしランダムなら何でもいいわけではなく「ラテン語風で意外度が低い」ナンセンスがちょうどよく効く

キーワード

• GRPO: 同じ問題を複数回AIに解かせて、相対的に良かった答えに寄せていく強化学習の手法
• ゼロアドバンテージ問題: 全部の試行が間違えると相対的な差が消え、学習信号がゼロになってしまう現象
• ロレム・イプサム: デザイン業界でレイアウト確認に使われるラテン語風のダミー文。意味は持たない
• プロンプト空間の摂動: 入力文そのものを揺さぶる手法。出力にランダム性を足すのとは別の発想
• パープレキシティ: モデルから見た「意外度」。低いほど自然に見え、高いほど突拍子もない

論文リンク

• 論文URL: https://arxiv.org/abs/2605.05566

• タイトル: From Context to Skills: Can Language Models Learn from Context Skillfully?
• 著者: Shuzheng Si, Haozhe Zhao, Yu Lei, Qingyi Wang et al.（清華大学、DeepLang AI、UIUC、復旦大学、香港中文大学）
• 発表: 2026年5月（arXiv プレプリント）

このエピソードのポイント

• 社内マニュアルや専門文書など、AIが学習時に知らなかった情報を「その場で読み取って使う」のは実は苦手分野
• AI同士を「出題者」と「解答者」に分けて自己対戦させ、文書から使えるスキル集を自動で作る仕組みを提案
• スキルを与えただけでGPT-4.1が上位モデルのGemini 3 Proを上回るなど、追加学習なしで性能が伸びることを実証

キーワード

• コンテキスト学習: 事前学習で覚えていない情報を、その場で渡された文書から読み取って使う能力のこと。
• 自然言語スキル: 「この場面ではこう判断する」というルールや手順を、人が読める文章にまとめたもの。
• 自己対戦（Self-play）: AI同士が出題者と解答者に分かれて、互いに鍛え合う学習方法。
• 敵対的崩壊: 対戦が過熱して出題が極端になり、解答スキルも偏ってしまう現象。
• Cross-time Replay: 過去の各時点のスキルを難問・易問の両方で再評価し、バランスの取れたものを選ぶ仕組み。

論文リンク

• 論文URL: https://arxiv.org/abs/2604.27660

• タイトル: ARIS: Autonomous Research via Adversarial Multi-Agent Collaboration
• 著者: Ruofeng Yang, Yongcan Li, Shuai Li 他（上海交通大学）
• 発表: 2026年4月（arXivテクニカルレポート）

このエピソードのポイント

• AIによる研究自動化の最大の落とし穴は「もっともらしいが裏付けのない成功」を作り出してしまうこと
• ARISは「実行するAI」と「批評するAI」を別メーカーに分けることで、自己レビューの甘さを回避
• 主張と根拠を台帳で突き合わせ、履歴ゼロの第三者AIに再監査させる仕組みは、社内のAI運用にも転用できる発想

キーワード

• 敵対的協調: 仲間だけど立場が違うAI同士に、わざと粗探しをさせ合って品質を上げる仕組み。
• もっともらしい裏付けなき成功: 一見うまくいっているように見えて、実は根拠が伴っていないAIの出力。長時間タスクで起きやすい現象です。
• 主張台帳: 論文の主張1つ1つを「どの実験データが裏付けているか」と紐づけて管理する一覧表。
• ハーネス: AIモデル本体を取り囲む業務システム部分。何を覚えさせ、何を見せ、どう繋ぐかというロジック全体のこと。
• クロスファミリーレビュー: ClaudeとGPTのように、別系統のAIに相互レビューさせる運用ルール。

論文リンク

• 論文URL: https://arxiv.org/abs/2605.03042

• タイトル: MolmoAct2: Action Reasoning Models for Real-World Deployment
• 著者: Haoquan Fang, Jiafei Duan et al.（Allen Institute for AI / ワシントン大学ほか）
• 発表: 2026年5月（arXiv）

このエピソードのポイント

• 約90万円の安価な機材セットで動く、完全オープンソースのロボット基盤モデルが登場
• 画面で「変化した部分だけ」奥行きを再計算する省エネ思考で、考えながらも速く動ける
• 未知の環境での実機テストで成功率87.1%。次点に38ポイント以上の大差をつけた

キーワード

• VLAモデル: 画像と言葉の指示を受け取って、ロボットの動きを直接出力するAI。「目」「耳」「手」を一つのモデルで担います
• ファインチューニング: 既存のAIに特定の作業データを追加で学習させて、自社向けに仕立て直すこと
• 双腕（バイマニュアル）: 両腕を協調させる作業。皿洗いや服たたみなど、片手では難しい仕事に必要です
• 適応的深度推論: 画面で変化した場所の奥行きだけを計算し直す省エネ思考。ロボットの応答を速くする工夫
• フローマッチング: 滑らかな連続動作を生成する数学的手法。ノイズから徐々にきれいな軌道を作り上げます

論文リンク

• 論文URL: https://arxiv.org/abs/2605.02881

• タイトル: The Last Human-Written Paper: Agent-Native Research Artifacts
• 著者: Jiachen Liu et al.（Orchestra Research、Stanford、Cornell、MIT、Yale ほか）
• 発表: 2026年5月（arXiv プレプリント）

このエピソードのポイント

• 論文は「人間向けに圧縮された物語」。失敗や試行錯誤がごっそり捨てられていて、AIエージェントが再現・発展させるには情報が足りない
• 主張・コード・探索の枝分かれ・生データの4層フォルダで研究を表現する「ARA」という新フォーマットの提案
• 理解・再現の実験ではARAが圧勝。一方で強いモデルでは過去の失敗記録が逆に足かせになるという意外な結果も

キーワード

• ARA（Agent-Native Research Artifact）: 論文をPDFではなく、AIがそのまま読んで動かせる構造化フォルダにまとめた新しい成果物のかたち
• 物語化税（Storytelling Tax）: 研究を一本のストーリーにまとめる過程で、失敗や試行錯誤の情報がごっそり捨てられてしまうコスト
• 探索グラフ: 研究中に試した仮説や失敗、方向転換を、枝分かれを保ったまま記録した木構造のメモ
• PaperBench / RE-Bench: AIエージェントが論文を再現したり研究タスクを解いたりする力を測るベンチマーク
• ARAコンパイラ: 既存のPDF論文やGitHubリポジトリを、ARA形式に自動変換する仕組み

論文リンク

• 論文URL: https://arxiv.org/abs/2604.24658

• タイトル: World-R1: Reinforcing 3D Constraints for Text-to-Video Generation
• 著者: Weijie Wang et al.（浙江大学、Microsoft Research ほか）
• 発表: 2026年1月

このエピソードのポイント

• 動画生成AIの弱点「カメラを動かすと物が歪む・消える」を、モデル構造を変えずに直す試み
• 生成した動画を3D空間として復元し、その破綻度合いを「報酬」にして強化学習で鍛える
• 3D一貫性を高めても、炎や水などの動きが固まらないように「周期的デカップル学習」で工夫

キーワード

• 強化学習（RL）: 良い結果には報酬、悪い結果には罰を与えて少しずつAIを賢くする学習法。今回は「3D的に矛盾の少ない動画」がご褒美の対象です。
• 3D一貫性: カメラを動かしても物体の形や位置がずれない、世界として筋が通っている性質のこと。
• メタビュー評価: 生成した動画を別の角度から覗いて「ハリボテになっていないか」を確認する仕組み。
• ノイズワーピング: 動画の元になるランダムノイズにカメラの動きをあらかじめ埋め込む工夫。モデルをいじらずにカメラ制御を可能にします。
• 周期的デカップル学習: 3D制約をかけ続けると映像が固まってしまうので、定期的に制約を外して動きを学ばせる工夫。

論文リンク

• 論文URL: https://arxiv.org/abs/2604.24764

• タイトル: Programming with Data: Test-Driven Data Engineering for Self-Improving LLMs from Raw Corpora
• 著者: Chenkai Pan, Xinglong Xu, Yuhang Xu et al.（浙江大学ほか）
• 発表: 2026年4月（arXiv）

このエピソードのポイント

• AIの学習データ作りを「テスト→デバッグ→修正」のサイクルで行う方法論を提案
• 知識を3階層（概念・関係・推論チェーン）に整理し、間違いの原因をピンポイントで診断
• わずか1,000サンプルの修正で、従来の10倍のデータを使った手法を上回る成果を達成

キーワード

• ファインチューニング: 学習済みのAIに、特定分野のデータを追加で学ばせて専門家に育てる工程です
• ベンチマーク: AIの能力を測るためのテスト問題集のこと
• 概念ギャップと推論不足: AIが間違える原因を「知識自体がない」のか「知識はあるけど組み合わせられない」のかに分けた考え方
• 破滅的忘却: 新しいことを学ばせると、前に覚えていたことを忘れてしまうAIの困った現象
• L1/L2/L3知識構造: 「概念→関係→推論チェーン」と3層に知識を整理した地図のような仕組み

論文リンク

• 論文URL: https://arxiv.org/abs/2604.24819

• タイトル: Recursive Multi-Agent Systems
• 著者: Xiyuan Yang, Jiaru Zou et al.（UIUC、Stanford、NVIDIA、MIT）
• 発表: arXiv, 2026年4月

このエピソードのポイント

• 複数のAIエージェントを「文章」ではなく「思考の中身（潜在表現）」で直接つなぐ新フレームワーク
• LLM本体は凍結したまま、間をつなぐ小さなモジュールだけを学習させる省コスト設計
• 精度は平均8.3%向上、速度は最大2.4倍、トークンは最大75.6%削減という三方良しの結果

キーワード

• マルチエージェントシステム（MAS）: 役割の違う複数のAIをチームのように連携させて問題を解く仕組みです。プランナー、批評役、解答役のように分業させます。
• 潜在表現: AIが文章を出力する直前に内部で持っている「思考の数値ベクトル」のこと。文章にする前の生の中間状態です。
• 再帰的計算: 同じ処理を何回もループさせて、答えを少しずつ深めていくやり方です。
• RecursiveLink: 本研究の中核となる小さなモジュール。エージェント同士の潜在表現を橋渡しする「翻訳機」のような役割を担います。
• 勾配消失: 学習時に、層やループを重ねるほど学習の手がかりが伝わりにくくなる現象です。

論文リンク

• 論文URL: https://arxiv.org/abs/2604.25917

• タイトル: Why Fine-Tuning Encourages Hallucinations and How to Fix It
• 著者: Guy Kaplan, Zorik Gekhman, Zhen Zhu, et al.（ヘブライ大学、テクニオン、UIUC、USC）
• 発表: 2026年4月（プレプリント）

このエピソードのポイント

• 追加学習でAIが嘘をつき始める原因は「容量不足」ではなく「似た概念同士の干渉」だった
• 架空の地名 vs ランダムIDの比較実験で、表現の似ている新情報だけが既存の知識を壊すことを実証
• 「自己蒸留」という対策で、通常15%落ちる精度の劣化を約3%まで抑えられる

キーワード

• ファインチューニング: 学習済みAIに追加データを与えて、特定の用途や口調に合わせ込む作業のこと。
• 幻覚（ハルシネーション）: AIがもっともらしい嘘を自信満々に答えてしまう現象。
• 自己蒸留: 学習前の自分自身を「先生」として保存し、新しいことを学ぶときに変わりすぎないように制約をかける手法。
• 表現の干渉: 似た意味の概念がモデル内の近い場所に保存されていて、片方を更新するともう片方まで壊れてしまう現象。
• 安定性と可塑性のトレードオフ: 「新しく覚える力」を上げると「前のことを忘れない力」が下がる、という綱引きの関係。

論文リンク

• 論文URL: https://arxiv.org/abs/2604.15574

• タイトル: From Skills to Talent: Organising Heterogeneous Agents as a Real-World Company
• 著者: Zhengxu Yu, Yu Fu et al.（Huawei Noah's Ark Lab、UCL、リバプール大学）
• 発表: 2026年4月（arXiv プレプリント）

このエピソードのポイント

• AIエージェントを「会社の従業員」として雇い、配属し、評価し、解雇する新しい仕組み「OneManCompany」を紹介
• ソフト開発ベンチPRDBenchで成功率84.67%を達成し、Claude-4.5を約15ポイント上回った実力
• 異なるAIベンダーのエージェントが同じプロジェクトで共存できる「AI人材市場」というビジネス的インパクト

キーワード

• Talent / Container: エージェントの「人格・スキル」と「実行環境」を分けて扱う設計。同じ人格を別の環境に持ち運べるイメージです。
• Talent Market: 検証済みのAIエージェントが登録された人材マーケット。HRエージェントが必要に応じて「採用」してくれます。
• E2R木探索: タスクを木のように分解して「探索→実行→レビュー」を繰り返す方法。途中で行き詰まったら別の道を試します。
• DAG（有向非巡回グラフ）: タスク同士の依存関係を循環なく整理する図。「Aが終わらないとBは始められない」を厳密に管理します。
• PIP（改善計画）: 成績が振るわないエージェント向けの改善プログラム。改善しないと自動的に「解雇」される仕組みです。

論文リンク

• 論文URL: https://arxiv.org/abs/2604.22446

• タイトル: Agentic World Modeling: Foundations, Capabilities, Laws, and Beyond
• 著者: Meng Chu et al.（香港科技大学、シンガポール国立大学、オックスフォード大学ほか）
• 発表: 2026年4月（arXiv プレプリント）

このエピソードのポイント

• AIの「世界を理解する力」を、予測者・シミュレーター・進化者という3つのレベルで整理した
• 物理・デジタル・社会・科学の4領域でAIの成熟度を比較すると、科学領域が最先端で社会領域が最も難しいことが分かった
• 動画生成が綺麗でも「行動を変えたら未来も変わるか」というテストでは脆い。ビジネスでAIを選ぶときの新しい物差しになる

キーワード

• ワールドモデル: AIが頭の中に持つ「世界の縮図」。次に何が起きるかを予測するための内部シミュレーターのようなもの
• エージェント: 目標を達成するために自分で考えて動くAI。ワールドモデルを使って計画を立てる
• 反実仮想: 「もし違う選択をしていたら？」という仮定の問いに答える力。本当に計画に使えるAIに必要な能力
• 自律実験ループ: AIが仮説を立て、実験して、結果を見て自分のモデルを更新するサイクル。最上位レベルの核心
• 介入感度: 行動を変えたら未来も変わるか、というテスト。見た目のリアルさとは別物

論文リンク

• 論文URL: https://arxiv.org/abs/2604.22748

• タイトル: Seeing Fast and Slow: Learning the Flow of Time in Videos
• 著者: Yen-Siang Wu et al.（Cornell University, 国立台湾大学, ワシントン大学）
• 発表: 2026年4月（arXiv）

このエピソードのポイント

• AIは普通の動画ばかり学んでいるので「早送り」「スロー再生」を見分けられない、という盲点に挑戦
• 音のピッチが変わる現象を利用して、人間がラベルを付けなくてもAIが速度を学べる仕組みを開発
• 速度変化の検出精度92.4%を達成し、「指定した速度で動く動画」の生成にも成功

キーワード

• 自己教師あり学習: 人間がラベルを付けなくても、データの中にある規則性を使ってAIが自分で学ぶ仕組み
• 時間と周波数のスケーリング: 動画を早送りすると音が高くなる物理現象。再生速度と音の高さがリンクすることを学習に活用
• 等変性（equivariance）: 入力を2倍速にすると出力の予測速度も2倍になる、という比例関係。これをAIに守らせる学習法
• 時間的超解像: カクカクした低fps動画を、なめらかな高fps動画に変換する技術
• 速度条件付き生成: 「0.1倍速で動く動画を作って」のように、速度を指定してAIに動画を生成させる仕組み

論文リンク

• 論文URL: https://arxiv.org/abs/2604.21931

• タイトル: OpenGame: Open Agentic Coding for Games
• 著者: Yilei Jiang et al.（香港中文大学 MMLab）
• 発表: 2026年4月

このエピソードのポイント

• 自然な言葉の要望から、コード・キャラ画像・BGMまで揃った2Dゲームを丸ごと自動生成するAIエージェント
• 「テンプレートスキル」と「デバッグスキル」という再利用可能な能力を、経験から自然に育てていく仕組みがユニーク
• 横スクロールなど物理ベースのゲームは得意だが、戦略やパズル系は苦手。「論理状態の管理」が次の壁

キーワード

• エージェント: 自分で計画を立て、ツールを使って試行錯誤しながらタスクを進めるAI。文章を返すだけのAIより一段賢い動き方をします。
• Phaser: JavaScriptで2Dゲームを作るためのオープンソースのライブラリ。コードだけで完結するのでAIが扱いやすいんです。
• テンプレートスキル: ゲームの種類ごとの「骨組みのひな型」を、経験を重ねるうちに自然と学習・蓄積していく仕組み。
• デバッグスキル: 過去に遭遇したエラーとその直し方をメモとして溜め込み、同じバグで毎回つまずかないようにする仕組み。
• ヘッドレスブラウザ: 画面を表示せず裏でWebページを動かす技術。AIがゲームの動作を自動でチェックするのに使われます。

論文リンク

• 論文URL: https://arxiv.org/abs/2604.18394

• タイトル: LLaDA2.0-Uni: Unifying Multimodal Understanding and Generation with Diffusion Large Language Model
• 著者: Tiwei Bie et al.（Inclusion AI、AGI Research Center）
• 発表: 2026年4月（arXiv）

このエピソードのポイント

• 画像を「見る」AIと「描く」AIを1つにまとめた統合モデルが登場
• 画像を「意味を持った記号」に変換する工夫で、理解タスクでも専門モデルと互角に
• レシピの手順書のように、文章と画像を交互に生み出せる新しい使い方が見えてきた

キーワード

• 拡散型言語モデル: 文章を「穴埋め問題」として一気に解くAI。左から順に書くタイプより並列処理で速いのが特徴
• 統合マルチモーダルモデル: 画像の理解と生成を1つのモデルでこなすAI。普通は別々のモデルが必要
• SigLIP-VQトークナイザー: 画像を「意味を持った単語のような記号」に変換する仕組み。見た目だけでなく意味も残せる
• MoE（専門家の集まり）: 入力に応じて必要な専門家だけを呼び出す構造。大規模でも効率よく動かせる
• 交互生成: テキストと画像を交互に出す機能。料理の手順書やストーリーボードのような出力が作れる

論文リンク

• 論文URL: https://arxiv.org/abs/2604.20796

• タイトル: Agent-World: Scaling Real-World Environment Synthesis for Evolving General Agent Intelligence
• 著者: Guanting Dong et al.（中国人民大学、ByteDance Seed）
• 発表: 2026年4月

このエピソードのポイント

• AIエージェントを鍛えるための「リアルな仕事環境」を約2,000種類も自動で生成する仕組みを構築
• エージェントの失敗ログから弱点を診断し、そこを狙って再訓練する「自己進化ループ」を実現
• 140億パラメータのモデルが6,850億パラメータの巨大モデルを一部ベンチマークで上回る結果に

キーワード

• MCP（Model Context Protocol）: AIが外部ツールやサービスを呼び出すための共通規格。USB-Cのように「どんなツールでも同じ接続口で使える」ようにする仕組みです。
• エージェントRL（強化学習）: AIが実際に行動してフィードバックを受けて改善する訓練法。人間がゲームで少しずつ上達していく過程に似ています。
• ステートフル環境: 行動のたびに状況が変わる環境のこと。「予約を入れたら在庫が減る」のように、過去の行動が現状に影響する世界です。
• 検証可能なタスク: 答えが正しいかをプログラムで自動判定できる課題。採点者がいらないので大量訓練に向いています。
• スケーリング則: 訓練環境を増やすほど性能が上がる法則。この研究では環境数を2,000まで増やすと平均スコアが倍以上になりました。

論文リンク

• 論文URL: https://arxiv.org/abs/2604.18292

• タイトル: Tstars-Tryon 1.0: Robust and Realistic Virtual Try-On for Diverse Fashion Items
• 著者: Mengting Chen et al.（Taobao / アリババ Pailitaoチーム）
• 発表: 2026年4月

このエピソードのポイント

• 自撮り写真に、最大6点の服・バッグ・帽子などを一気に着せ替えできる商用試着AI
• 他社モデルが200秒かかるところを、約4〜7秒で返すという桁違いのスピード
• すでにタオバオで数千万件が実運用。ECの返品率問題に効く「現実解」になりつつある

キーワード

• バーチャル試着: ネットショッピングで、自分の写真に服を合成して「着た姿」を見られる技術のこと。
• MMDiT: 文章・人物画像・服の画像をひとつのAIの中でまとめて扱える新しい仕組み。従来は別々に処理していました。
• インペインティング: 画像の一部を隠して「そこだけ描き直す」やり方。従来の試着AIで主流でしたが、体型や背景がズレやすい弱点がありました。
• 蒸留（CFG蒸留・ステップ蒸留）: 丁寧に時間をかけて描く大きなAIの知識を、短い手順でも同じ品質を出せる小さなAIに移すテクニック。高速化の鍵です。
• 強化学習による仕上げ: 出力の「良い・悪い」をAIに教え込み、服のシワや姿勢の不自然さを減らしていく追加学習の工程。

論文リンク

• 論文URL: https://arxiv.org/abs/2604.19748

• タイトル: Where does output diversity collapse in post-training?
• 著者: Constantinos Karouzos, Xingwei Tan, Nikolaos Aletras（University of Sheffield）
• 発表: 2026年4月（arXiv プレプリント）

このエピソードのポイント

• AIを「指示に従わせる学習」を重ねると、同じ質問への答えが似通っていく「多様性崩壊」が起きる
• 学習データの構成次第で、多様性が失われる段階も度合いも大きく変わることが判明
• 「考えるな」と指示しても多様性は戻らない。モデルの重みに焼き付いているので運用側の対策には限界がある

キーワード

• ポストトレーニング: ベースモデルに「丁寧に・指示通りに」答えるクセを追加で仕込む仕上げ工程のこと
• SFT（教師あり微調整）: お手本の回答を真似させる学習。お手本が偏るとモデルも偏ってしまう
• DPO（直接選好最適化）: 「こっちの答えの方が良い」という好みのペアデータでモデルを調整する手法
• 多様性崩壊: 同じ質問への複数回答が似通ってしまい、バリエーションが消えてしまう現象
• pass@k / 多数決: 何度もサンプリングして良い答えを選ぶ手法。出力にバリエーションがあることが前提

論文リンク

• 論文URL: https://arxiv.org/abs/2604.16027

• タイトル: Maximal Brain Damage Without Data or Optimization: Disrupting Neural Networks via Sign-Bit Flips
• 著者: Ido Galil, Moshe Kimhi, Ran El-Yaniv (NVIDIA / Technion / IBM Research)
• 発表: arXiv 2025年（2502.07408）

このエピソードのポイント

• 数十億あるAIの重みのうち、たった1〜2ビットを反転させるだけでモデルが壊滅的に機能不全になる
• 攻撃者は訓練データも、モデルを動かすことすら必要ない。驚くほど軽量な手法
• LLMの数学正解率が78%から0%に。自動運転や医療AIのセキュリティに直結する話

キーワード

• 符号ビット: 数値の先頭1ビットで、プラスかマイナスかを決める部分。ここを反転させると値が正反対になる
• ビット反転攻撃: メモリ上のデータを1ビット単位で書き換える攻撃。物理現象やソフト侵入で起こりうる
• Rowhammer: メモリに高速アクセスを繰り返すと、隣のビットが勝手に反転してしまう現象を悪用した有名な攻撃手法
• プルーニング: AIから重要でない重みを削って軽くする技術。本研究はその逆で「重要な重み」を狙い撃つ
• 誤り訂正符号（ECC）: データに冗長情報を足してビット反転を自動で直す仕組み。防御策として提案されている

論文リンク

• 論文URL: https://arxiv.org/abs/2502.07408

• タイトル: KnowRL: Boosting LLM Reasoning via Reinforcement Learning with Minimal-Sufficient Knowledge Guidance
• 著者: Linhao Yu, Tianmeng Yang, Siyu Ding et al.（天津大学、Baidu、中国科学院）
• 発表: 2026年4月（arXiv）

このエピソードのポイント

• AIに難しい問題を解かせるとき、ヒントは「長く詳しく」より「短く的確に」のほうが効く
• ヒントを少しずつ増やすと、ある瞬間に性能が急ジャンプする「クリティカル・セグメント効果」を発見
• 1.5Bという小さめのモデルで数学推論の最高性能を更新、エッジ活用の可能性も

キーワード

• 知識ポイント（KP）: 問題を解くのに必要な「原子レベル」の数学的原理や定理の1単位。細かく分解したヒントのかけら。
• 報酬スパースネス: 難問すぎてAIが全く正解できず、学習の手がかりが得られない状態のこと。
• クリティカル・セグメント効果: ヒントの量を増やしていくと、ある地点で性能が突然ジャンプし、それ以上は伸びなくなる現象。
• 剪定の逆説: 不要そうなヒントを1つずつ削ると性能が上がるのに、まとめて削ると逆に下がる不思議な現象。
• CSS（制約付き部分集合探索）: 明らかに要らないヒントを削ぎ落とし、残った候補の組み合わせだけを全探索する効率的な選択手法。

論文リンク

• 論文URL: https://arxiv.org/abs/2604.12627

• タイトル: GameWorld: Towards Standardized and Verifiable Evaluation of Multimodal Game Agents
• 著者: Mingyu Ouyang et al.（シンガポール国立大学・オックスフォード大学）
• 発表: 2026年4月

このエピソードのポイント

• ブラウザで遊べる34種類のゲーム・170タスクで、最新AI18種を同じ条件で評価する仕組みを作った
• トップのGemini-3でもタスク進捗41.9%・クリア率21.2%で、人間の初心者（進捗64.1%）にすら届かない
• 「記憶を増やすほど賢くなる」とは限らず、操作履歴がノイズになってAIの性能が落ちる現象も発見

キーワード

• マルチモーダルAI: 文章だけでなく画像も同時に理解できるAI。GPT-5やGemini、Claudeなどが代表例です。
• Computer-Use Agent (CUA): 人間と同じように「座標をクリック」「キーを押す」といったレベルでPCを操作するAIのこと。
• 汎用型エージェント: 「ジャンプ」「右に動く」のように意味の単位で指示を出すAI。座標計算は別の仕組みが担当します。
• 状態検証型評価: ゲーム内部のデータを直接読み取って成否を判定する仕組み。画面認識のあいまいさを排除できます。
• 進捗度（Progress）: 完全クリアできなくても「どこまで近づけたか」を0〜1で表す指標です。

論文リンク

• 論文URL: https://arxiv.org/abs/2604.07429

• タイトル: RationalRewards: Reasoning Rewards Scale Visual Generation Both Training and Test Time
• 著者: Haozhe Wang, Cong Wei, Weiming Ren et al.（香港科技大学、ウォータールー大学、アリババ）
• 発表: arXivプレプリント, 2026年4月

このエピソードのポイント

• 画像生成AIの「採点係」に点数だけでなく理由を語らせると、生成品質が大きく改善する
• 再訓練せずとも、批評してプロンプトを書き直すループだけでRL訓練と同等の効果が出る
• 「AIは既に良い出力を出せる力を持っていて、プロンプト次第で引き出せる」という潜在能力仮説を提示

キーワード

• 報酬モデル: 生成AIの出力がどれだけ良いかを採点するAI。この点数を使って生成AIを訓練します
• リワード・ハッキング: 生成AIが「本当に良い画像」ではなく「採点係が高得点をつけやすい画像」を作るようになってしまう現象
• Generate-Critique-Refine ループ: 生成→批評→プロンプト改良→再生成、という繰り返しで、モデル自体を鍛えずに出力を改善する仕組み
• PARROT: 「AとBどちらが好き」という選好データから、理由付きの採点データを自動で作り出す訓練パイプライン
• 潜在能力仮説: 生成AIは既に高品質な出力を出す能力を持っているが、プロンプトが曖昧で発揮できていないだけ、という考え方

論文リンク

• 論文URL: https://arxiv.org/abs/2604.11626

• タイトル: ClawGUI: A Unified Framework for Training, Evaluating, and Deploying GUI Agents
• 著者: Fei Tang, Zhiqiong Lu et al.（浙江大学）
• 発表: 2026年4月（arXiv）

このエピソードのポイント

• スマホ画面をタップ・スワイプで操作するAI「GUIエージェント」を、訓練・評価・実機運用まで丸ごとオープンソース化
• 1ステップごとに採点する仕組みで、2Bの小さなモデルが36倍大きい72Bモデルを上回る成功率を達成
• LINEやSlack感覚でスマホを遠隔操作できる時代が現実に。APIのない業務アプリが多い日本でも応用が広がりそう

キーワード

• GUIエージェント: 人間と同じように画面を見て、タップやスワイプでアプリを操作するAI。APIがないアプリにも対応できます。
• オンライン強化学習: AIが実際に試行錯誤しながら「うまくいった行動」を学んでいく方式。現場で経験を積むイメージです。
• Process Reward Model (PRM): 最終結果だけでなく、途中の一手一手に点数をつける仕組み。将棋の棋譜検討に近い発想です。
• GiGPO: 一連の操作を場面ごとにグループ分けして、どの場面のどの手が良かったかを細かく評価するアルゴリズム。
• 再現率: 他の論文の数字を同じ条件でやり直したときに再現できた割合。研究の信頼性を支える基礎的な指標です。

論文リンク

• 論文URL: https://arxiv.org/abs/2604.11784

• タイトル: Process Reward Models That Think
• 著者: Muhammad Khalifa et al.
• 発表: 2025年4月（arXiv初出）、2025年12月更新

このエピソードのポイント

• AIの解答を「ステップごとに採点するAI」に自分でも考えさせたら、精度が大幅アップした
• 必要な学習データはたった約1,000件。従来の100分の1以下のコストで、より高性能な採点係AIが作れる
• 数学で学習しただけなのに、科学やプログラミングの検証にも使える汎用性の高さがすごい

キーワード

• PRM（プロセス報酬モデル）: AIの解答を最終結果だけでなく、途中のステップごとに正しいかどうか採点する仕組みのこと
• Chain-of-Thought（思考の連鎖）: AIが答えにたどり着くまでの考えた過程を文章として書き出したもの。人間でいう途中式やメモ書きにあたる
• LLM-as-a-Judge: 汎用AIをそのまま「審判役」として使うアプローチ。専用の訓練なしで手軽だが、精度や安定性に課題がある
• Best-of-N: 同じ問題に対してN個の解答を生成し、一番良いものを選ぶ手法。選ぶ役の精度が結果を大きく左右する
• 合成データ: AIが自動生成したデータのこと。人手で作る代わりにAIに生成させ、品質の良いものだけを選別して訓練に使う

論文リンク

• 論文URL: https://arxiv.org/abs/2504.16828v5

• タイトル: The Past Is Not Past: Memory-Enhanced Dynamic Reward Shaping
• 著者: Yang Liu et al.（復旦大学・上海イノベーション研究所）
• 発表: 2026年4月

このエピソードのポイント

• AIが同じタイプの間違いを繰り返す「エラー崩壊」という問題に、過去の失敗を記憶させるアプローチで挑んだ
• モデル内部の計算データを"推論の指紋"として再利用し、ほぼ追加コストゼロで失敗パターンを分類できる
• 数学ベンチマークで正答率が最大17%向上しつつ、解き方のバリエーションも増えた

キーワード

• 強化学習: AIに「良い結果には報酬、悪い結果にはペナルティ」を与えて行動を改善させる学習方法。ゲームや数学の問題解きでよく使われます
• ロジット: モデルが次の単語を選ぶときの「各候補の有力度スコア」。モデル内部の計算過程で自然に生まれるので、追加の計算なしに取り出せます
• HDBSCAN: データの密集具合を見て自動的にグループ分けする手法。グループの数を事前に決めなくていいのが特長です
• 報酬シェーピング: AIに与える報酬の設計を工夫して、望ましい行動をより効率的に学ばせるテクニック
• pass@k: k回答を生成したうちに少なくとも1回正解が含まれる確率。AIの問題解決力を測る指標です

論文リンク

• 論文URL: https://arxiv.org/abs/2604.11297

• タイトル: Attention Sink in Transformers: A Survey on Utilization, Interpretation, and Mitigation
• 著者: Zunhai Su et al.（清華大学、香港大学、Meituan LongCat Team 他）
• 発表: 2026年4月

このエピソードのポイント

• AIが文頭の記号など「意味のない場所」に注意力の大半を吸い取られる「Attention Sink」という現象が、ハルシネーションやコスト増大の一因になっている
• この現象は「どこにも注目しない」という選択肢がないAIの仕組み上の制約が原因で、モデルが情報の混ざりすぎを防ぐ"自衛手段"でもあった
• ゲート付き注意機構や改良Softmaxなどの対策技術が急速に進み、Qwen3など最新の商用モデルにもすでに採用されている

キーワード

• Attention Sink（注意の吸い込み口）: AIが文章や画像を処理するとき、意味のないトークンに注意力の大部分が吸い取られてしまう現象。文頭の記号などが「排水口」のような役割を果たしてしまう
• Softmax: AIの注意スコアを「合計1」の確率に変換する関数。「どこにも注目しない」という選択肢がないため、余った注意が意味のないトークンに流れ込む原因になっている
• KVキャッシュ: AIが文章を生成するときに過去の情報を一時保存するメモリ領域。長い文章を扱うほどメモリが膨れ上がるため、Attention Sinkの仕組みを使った圧縮技術が注目されている
• Gated Attention（ゲート付き注意機構）: 注意の出力に「門番」を設けて、不要な注意をゼロにできるようにした改良版の仕組み。注意の集中を46.7%から4.8%まで減らせたという結果が報告されている
• ハルシネーション: AIがもっともらしいウソを生成してしまう現象。見るべきところを見ずに回答してしまうAttention Sinkがその一因とされている

論文リンク

• 論文URL: https://arxiv.org/abs/2604.10098

• タイトル: Process Reward Agents for Steering Knowledge-Intensive Reasoning
• 著者: Jiwoong Sohn, Tomasz Sternal, Kenneth Styppa et al.（ETH Zürich / Heidelberg University）
• 発表: 2026年4月

このエピソードのポイント

• AIの推論を「最後にまとめて採点」するのではなく、1ステップごとにリアルタイムで監視・評価する"審判役AI"（PRA）を導入した
• 推論AI本体には一切手を加えず、外側からの制御だけで小型モデル（4Bパラメータ）が医療問題の正答率80%超えを達成した
• 訓練に使っていない別のモデルにもそのまま適用でき、最大25.7ポイントもの正答率アップを実現した

キーワード

• プロセス報酬モデル（PRM）: AIの推論を「途中経過の各ステップごと」に採点する仕組み。最終回答だけでなく、思考の過程そのものを評価する
• 凍結ポリシー（Frozen Policy）: パラメータを一切変更しない推論AI。審判役AIはこの「凍結された」AIの外側から制御だけを行う
• ビームサーチ: 複数の推論候補を同時に進め、スコアの高いものだけを残していく探索手法。将棋の「読み」を複数同時に進めるイメージ
• RAG（検索拡張生成）: AIが回答する前に外部データベースから関連文書を検索し、それを参考にして回答を生成する手法
• マージンシフト: 外部文献を参照した場合としなかった場合で、AIの判断がどれだけ変わるかを測る指標。変化が大きいほど文献検索が有用だったことを示す

論文リンク

• 論文URL: https://arxiv.org/abs/2604.09482

• タイトル: SkillClaw: Let Skills Evolve Collectively with Agentic Evolver
• 著者: Ziyu Ma et al.（DreamX Team）
• 発表: 2026年4月（プレプリント）

このエピソードのポイント

• ユーザーがAIを使った記録（成功・失敗）を自動で集めて、AIが自分でスキルの改善案を考えて書き直す仕組みがある
• 改善されたスキルはテストに合格したものだけが配信されるので、品質が下がらない一方通行の設計になっている
• 6日間の運用シミュレーションで、クリエイティブ生成タスクが相対88%向上するなど、使うほど全員のAIが賢くなることが確認された

キーワード

• スキル（Skill）: AIが特定のタスクをこなすための「手順書」のこと。APIの呼び方やツールの使い方がまとめられている
• Agentic Evolver（自律進化エンジン）: ユーザーの使用記録を分析して、スキルの改善案を自分で考えて作るAI。人間の指示なしで動く
• セッション軌跡: ユーザーとAIのやりとりの全記録。何を指示して、何が返ってきて、最終的にどうなったかの流れ
• 集合的進化: 個々のユーザーの経験を集めて、全員で共有するスキルを継続的に良くしていくこと
• バリデーション: 改善したスキルを実環境でテストして、本当に良くなったか確認するプロセス。合格したものだけ配信される

論文リンク

• 論文URL: https://arxiv.org/abs/2604.08377v1

• タイトル: Gym-Anything: Turn any Software into an Agent Environment
• 著者: Pranjal Aggarwal, Graham Neubig, Sean Welleck（カーネギーメロン大学）
• 発表: 2026年4月（arXiv プレプリント）

このエピソードのポイント

• AIがソフトウェアのテスト環境を自動で作り、別のAIがスクリーンショットで監査する「作成・監査ループ」がすごい
• 200種類のソフト・1万件超のタスクという桁違いのベンチマークが誕生し、AIの実力がリアルに測れるようになった
• 最強モデルでも達成率27.5%——AIに仕事を丸投げできる時代はまだ先だけど、小型モデルの急成長にも注目

キーワード

• Computer-Use Agent（CUA）: 人間のようにマウスやキーボードでパソコンを操作するAIのこと。画面を見てクリックやタイプを行い、ソフトウェアを使いこなすことを目指します
• 作成・監査ループ: AIが環境を作り、別のAIがスクリーンショットなどの証拠でチェックして不備を指摘する品質管理の仕組み。施工者と検査員のような関係です
• 提案→増幅（Propose-and-Amplify）: 高性能なAIが少数のお手本タスクを作り、安価なAIがそれを参考に大量のタスクを生成する二段階のデータ作成手法
• 蒸留（Distillation）: 大きく高性能なAIの「解き方」を小さなモデルに学習させて性能を移す技術。大型モデルの知恵を圧縮して持ち運べるようにするイメージです
• GDP基盤のソフト選定: テスト対象のソフトを「その職業がどれだけ経済価値を生んでいるか」から逆算して選ぶ方法。経済的に重要なソフトを優先的にカバーします

論文リンク

• 論文URL: https://arxiv.org/abs/2604.06126v1

• タイトル: The Illusion of Stochasticity in LLMs
• 著者: Xiangming Gu et al.（Google DeepMind / シンガポール国立大学）
• 発表: 2026年4月（プレプリント）

このエピソードのポイント

• LLMに「ランダムな数を出して」と頼むと、どのモデルでもめちゃくちゃ偏る（7や42ばかり出てくる！）
• 外部から乱数を渡して「これを変換して」と頼むと、ちゃんと正確にできる。問題は乱数を"生み出す"こと自体にある
• AIエージェントを実用化するなら「ランダム性は外から注入する」という設計がカギになりそう

キーワード

• サンプリング: 決められた確率のルールに従って、サイコロを振るようにランダムに値を選ぶこと
• 一様分布: どの値も同じ確率で出る分布。公平なサイコロのイメージ
• 適合度検定: 実際のデータが理論上の分布にどれくらい合っているかを数学的に判定する方法
• knowing-doingギャップ: 正しい答えを「知っている」のに、行動として「実行できない」ズレのこと。人間にもある現象
• 疑似乱数生成器（PRNG）: 計算式で「ランダムっぽい」数列を作る仕組み。完全なランダムではないが実用上は十分使える

論文リンク

• 論文URL: https://arxiv.org/abs/2604.06543v1

• タイトル: Neural Computers
• 著者: Mingchen Zhuge et al.（Meta AI / KAUST）
• 発表: 2026年4月

このエピソードのポイント

• AIモデルの内部状態だけでCPU・メモリ・画面表示をすべてまかなう「ニューラルコンピュータ」という新概念が提案された
• ターミナル版とデスクトップ版の2つのプロトタイプを構築し、操作に応じた画面変化の動画生成に成功した
• 算数の正答率が自力4%→ヒントあり83%と、「自分で考える」のではなく「教えてもらった答えを映す」段階であることも正直に示された

キーワード

• ニューラルコンピュータ（NC）: AIモデルの内部だけで計算・記憶・入出力をすべてまかなう、新しいコンピュータの考え方。OSやソフトウェアに頼らない
• 完全ニューラルコンピュータ（CNC）: ニューラルコンピュータの理想の完成形。どんな計算もでき、自由にプログラムでき、動作が安定する状態を指す
• 拡散モデル: ノイズから画像や動画を少しずつきれいにして生成するAI技術。最近の画像・動画生成AIの主流になっている
• リプロンプティング: AIへの指示文をより詳しく書き直すことで、出力の質を上げるテクニック。この研究では算数の正答率が4%から83%に跳ね上がった
• チューリング完全: 理論上どんな計算でもこなせる能力のこと。今のパソコンはこの性質を持っているが、ニューラルコンピュータはまだ到達していない

論文リンク

• 論文URL: https://arxiv.org/abs/2604.06425

• タイトル: PaperOrchestra: A Multi-Agent Framework for Automated AI Research Paper Writing
• 著者: Yiwen Song et al.（Google）
• 発表: 2026年4月

このエピソードのポイント

• 実験メモを渡すだけで、5つの専門AIがチームを組んで約40分で学会レベルの論文原稿を自動生成する
• トップ学会の採択論文200本で評価した結果、文献レビューの質で既存手法に50〜68%の勝率差をつけて圧勝した
• 論文執筆だけでなく、企画書や技術レポートなど「複雑な文書をAIチームで作る」という考え方がビジネスにも応用できる

キーワード

• マルチエージェント: 複数のAIがそれぞれ違う役割を持ち、チームとして連携して一つの仕事をこなす仕組み
• RAG（検索拡張生成）: AIが文章を作るときに外部の情報を検索して取り込むことで、でたらめな内容を減らす技術
• ベンチマーク: 手法の性能を公平に比べるための、共通のテスト問題集とルールのセット
• コンテンツリファインメント: AI査読者のフィードバックをもとに原稿を繰り返し修正して品質を高めていく推敲プロセス
• SxS評価: 2つの成果物を横に並べて「どちらが良いか」を直接比較する評価方法

論文リンク

• 論文URL: https://arxiv.org/abs/2604.05018