休ませた画像トークンを後段で補正して戻すCatchUp、削減量と実時間の効果を分けて評価
- 重要でない画像トークンを捨てずに保留し、後の層で選び直す。
- 復帰時には近い画像トークンの変化を使い、飛ばした層での表現変化を近似する。
- 64トークン予算で一般6評価の性能を平均92.17%保持し、全体の待ち時間は8.0%減った。
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。
ロボットの記憶を保持範囲と持続性で整理、VLAサーベイが長期運用の設計課題を比較
- VLAの記憶方式を、記憶の範囲と持続性という二つの観点で分類する調査論文だ。
- 五つの代表的方式と一つの新しい方向性を整理し、構造の複雑さと公開資源の成熟度も比較する。
- 確認できたのは要旨で、方式別の名称や採録範囲、定量比較の詳細は確認できない。
業務の定義とDB項目を結ぶAgentOnto、分析計画から知識の修正まで検査を接続
- データベース、業務文書、分析例を、出典付きの概念と対応関係へ整理する。
- 知識を分析計画・検査・実行に使い、確認済みの指摘は修正と既存動作の保持を検証して反映する。
- 606要求の二分野評価では分野平均87.5%で、要求への判断と実行結果を合わせて採点した。
会話記憶の検索先と回答用証拠を別に組むMemCompile、重複を減らし補完関係を保持
- 複数経路の検索結果を元の会話単位へ正規化してから証拠予算を配分する。
- 選んだ会話から質問に必要な主張をまとめ、回答側へ渡す。
- LoCoMoの判定正答率は80.52%で、低コスト最優先ではなく品質との両立を狙う。
英作文の母語背景をラベル生成より確率比較で推定、候補別の前置きがLLMの分類を改善
- 母語候補を示す前置きの下で、同じ英文のトークン確率を比較する。
- Llama 3.1の8B・70Bで、直接ラベルを答える方法を全評価長で上回った。
- 対象は限定した母語と英語学習者の文章で、実行時間や未知の母語は未検証だ。
画像内の置き場所候補を同じ小型網で反復修正、Spatial-TRMが領域予測を改善
- 固定した画像・言語特徴から、指定物体に対する空き領域の候補を予測する。
- 同じ学習パラメータ数の一段モデルに比べ、正答率は20.49%から29.51%になった。
- 代表点の正答と領域全体の物理的な有効性は異なり、障害物検査は別に必要だ。
写真の鮮明化は一度だけ、FlashReFocusがピント位置の繰り返し編集を約0.5秒に短縮
- 拡散モデルによる全焦点画像の復元と、軽量なぼけ描画を分離する。
- 深度と指定焦点からぼけの地図を作り、同程度にぼける領域を結び付ける。
- 初回の高速化と追加編集の高速化を分けて評価し、未知カメラの89組でも描画を検証した。
見間違いを記憶から取り消し飛行目標も解除、SkyAgentの候補管理が無駄な再接近を削減
- 反証された候補が計画に残る問題を、状態と行動の両方で測定する。
- 候補と経由点を結び、棄却時に未実行の目標を取り消す。
- 4分割の評価で成功率が2.90〜6.31ポイント改善し、誤棄却や遮蔽後の復帰も確認した。
二体の運搬ロボットの役割と動きをコードで修正、CoEvolveが物理検証で協調を更新
- 固定した運動スキルを組み合わせ、二体の協調を実行可能なコードで表す。
- 失敗した遷移は受理済みのシミュレータ状態へ戻して修正し、成功経験を再利用する。
- 基本課題は15実行中8件成功したが、実機復旧や将来の接触安定性は未解決だ。
推論文のもっともらしさだけで判定しないVERITAS、内部状態の変化から説明の忠実性を検出
- モデル内部の状態を語彙に対応する空間へ写し、層と推論の進行を追う。
- 証拠の位置、語ごとの強さ、変化の方向を組み合わせて忠実性を分類する。
- 二つのモデルで平均検出精度は改善したが、内部へのアクセスとラベル付き学習を要する。
音の方向を学ぶ過程を三つに分解、視覚フィードバックによる聴覚の変化をモデル化
- 音の方向回答と正解の視覚提示を使い、試行ごとの知覚学習を記述する。
- 左右方向の精度、極方向の精度、前後の取り違えを別々の量として更新する。
- 5人の行動データに当てはめた研究で、頭を動かして探索する行動は含まない。
実装手順を横断検索するCode Skill Server、993スキルの選別でコード生成を支援
- 複数の公開元からスキルを集め、統一形式と能力別の索引で検索する。
- BigCodeBenchの合格率は53.42%から60.88%、CoderEvalでは最良構成で33.04%から46.96%になった。
- 検索法ごとに得意な課題が違い、スキル追加で成功から失敗へ転じた例もある。