動画プロンプトの試行履歴を再利用ルールへ蒸留、TIDEが本番の繰返し生成を一回へ集約
- 反復生成と映像評価から得た改善経験を、意味の軸ごとの書換えルールへまとめる。
- 完成後は元の指示に該当するルールを使い、一回のLLM呼出しと一回の動画生成で動く。
- 百プロンプトで作ったルールを固定して別の動画生成器へ移し、品質指標を比較した。
RESEARCH BRIEFS
論文をさくっと読む
掲載済みの論文解説から、研究の要点を短く紹介します。
コードエージェントの費用はログの大きさよりターン数と関係、キャッシュを含めて委譲の採算を再評価
- 公開された六百の実行履歴で、ツール出力の中央値は118〜286トークンだった。
- ほぼ理想的なキャッシュ条件では入力の98.6％がキャッシュされ、平額計算は費用を約七倍に見積もる。
- ターン数は費用差と強く関係するが、成功率を保ってターンを削れることまでは実証していない。
固定ビット幅の制約を可変長符号で緩和、再学習データなしの画像モデル圧縮を検証
- VLCQは学習後の量子化に可変長符号を使い、表現の精度と保存量の選択を広げる。
- 元の訓練データやモデルの微調整を使わず、分類・分割・検出で評価した。
- 高精度寄りと高圧縮寄りでは結果が異なり、保存量の削減と実行速度は別に検証が必要。
議論の支持と反論をグラフで伝播、NARSが長いオンライン討論の意見変化を判定
- LLMが支持・反論の関係を抽出し、記号的な計算が議論の影響を伝播する。
- ChangeMyViewの長い討論を構造化し、意見変化を示すdeltaイベントを評価ラベルに使う。
- 最良設定でもF1は0.57、AUCは0.56で、長い連鎖や支持の偏りが課題となる。
ツールあり・なしの解答差で問題を作るMarvo、未注釈画像から視覚エージェントの道具使用を学習
- 問題作成役と解答役を交互に学習し、人手の質問回答集合を使わず教材を作る。
- 問題作成の報酬は、ツールが使える場合と使えない場合の成績差に基づく。
- 複数の視覚課題で改善し、学習済みモデルの段階やツール構成により効果が変わった。
波形になる前の音声表現へ透かしを注入、GAMWが合成音声の加工後の識別を改善
- TTSのメル周波数表現に情報を埋め込み、その後の波形生成で透かしを音声へ載せる。
- 難しい例と復元しづらいビットへ学習の重みを配分する復号目的を組み合わせる。
- 二つの音声合成基盤で十六ビットの透かしを検証し、単独・複合加工への耐性を評価した。
画像全体の平均を領域別の特徴へ置換、領域ごとに強調するチャネルを変えて分割を改善
- 画像全体で一つの重みを使うSEを、領域ごとのチャネル重みに拡張する。
- 固定格子、スーパーピクセル、外部の意味地図、学習する柔らかい領域の四方式を提示。
- 複数の分割・分類課題で評価し、精度と計算費用の異なる選択肢を比較した。
柔らかい脚の変形を姿勢計算と制御へ組込み、剛体と弾性体を持つ人型ロボットの平衡を調整
- 柔軟部の連続的な変形を区分一定ひずみモデルで表し、逆運動学へ組み込む。
- 受動的な弾性と能動的な関節制御を合わせ、力とトルクによる制御を最適化する。
- 立位・跳躍・歩行はシミュレーション、板ばね型脚の実機では立位平衡を検証した。
音声感情の言語適応は属性で必要量が異なる、覚醒度は少量でも快不快には多めの学習が必要
- 英語で学習したWavLMを中国語音声へ適応し、同言語だけの学習と比較した。
- 覚醒度と優位性は二時間の適応でも百時間の単言語モデルに近づくと報告する。
- 快不快の予測は難しく、百時間モデルに追いつくには二十時間程度の適応が必要だった。
音声認識の修正・保持・書換え抑制を別々に学習、正解候補の有無でLLMの後編集を調整
- 認識候補リストを正解と照合し、修正例・保持例・正解不在例の三群を学習に使う。
- 候補から選ぶか新しく書き直すかを学び、正しい認識の過剰修正を抑える。
- 非公開の業務会話では三十億規模から効果が明確だが、CommonVoiceでは結論が弱い。
VLMの場所予測を仮説として更新、確認済み経路から複数ロボットの協調探索を進める
- 画像と言語モデルは場所と接続の仮説を作り、動作選択はグラフ最適化に分ける。
- 未確認の接続と確認済み経路を区別し、観測で仮説を更新しながら一歩ずつ再計画する。
- Matterport3D由来の百事例で、探索の対象網羅と効率、担当量の均衡を検証した。
ユーザーの意図を保つ検索語と拡張検索を別に作成、検索成績の向上は会話満足度と一致せず
- 指示語だけを解決する検索語を作り、学習済みの書換えと元の発話も別に検索する。
- 順位統合では忠実な検索語を二倍重み付けし、意図と網羅性の両立を図る。
- iKAT SCAI 2026で検索成績は改善したが、会話の満足度が最高になる構成とは異なった。