診断モデルのプロンプト選択を正答率から順位性能へ変えるRanking-PE
- 陽性と陰性の組を正しい順に並べられるかでプロンプトを評価する。
- 評価表、反省用のフィードバック、最終選択の三箇所をAUROCへ対応させる。
- 三疾患のMIMIC評価で改善を報告する一方、医療向けの視覚基盤は必要とされる。
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。
答えを変えない表現差への敏感さを使い、推論学習の報酬を細かく配る
- 問題と正解を保つプロンプト変更で、各トークンの確率のずれを測る。
- 不安定なトークンの学習上の利益を初期段階で弱め、安定性だけには追加報酬を与えない。
- 二規模のQwen3で、GRPOよりAIMEの精度が5.63、4.17ポイント改善した。
物理現象を説明する言葉を改善し、動画世界モデルの整合性を高める
- 物体、原因、相互作用、原理、時間変化、結果を言語で表す。
- 説明の小さい主張を評価し、誤り分析から生成指示を繰り返し改善する。
- 不足する現象の説明を検索にも用い、四つの物理動画評価で改善を報告する。
動画の看板文字を正しく置き換え、動きと周囲を保てるか測るViTeX-Bench
- 文字の正確さ、映像と時間の品質、編集範囲の局所性を三軸で評価する。
- 387本の実動画から230本を学習用、157本を固定の評価用にする。
- 参照エディタは文字精度0.688を達成するが、文字、安定性、場面維持の両立には課題が残る。
2Dの見え方から3D部品を組む、汎用エージェントの精密さを評価
- 部品の頂点情報を直接渡さず、描画された見え方から部品を操作させる。
- 家具、工業組立、破断物の再組立を含む80物体・100課題で八つのシステムを評価する。
- 最良システムの部品精度は80.9%、組立全体の成功は59.4%だった。
ロボット学習に使う人の一人称動画は、時間の長さだけでは価値が決まらない
- 同じモデルで、人とロボットの対応、データ時間、課題の多様性、教師情報を切り分ける。
- 対応のよい人の実演は未知条件への一般化とロボットデータ削減に寄与した。
- 動作ラベルのない動画にも有効性があり、実機とRoboDojoで閉ループ評価する。
解候補の改善と検索語の改善を一緒に進めるEvoDuet
- 解候補と検索語を二段の最適化で更新し、モデルの重みは固定する。
- 検索するか、保存済み文書を使うか、文書なしで進むかを段階ごとに選ぶ。
- 21課題で改善を報告するが、使うモデルによって効果が異なる。
最適化の経験を再利用し、課題ごとにエージェントの実行枠組みを調整
- 全体最適化で得た試行の成果を、構造化した手引きへまとめる。
- 学習した編集モデルが課題と手引きから、個別の実行枠組みの修正を作る。
- 対話、ソフトウェア開発、長時間の端末作業など七つの評価で既存方式を上回ったと報告する。
3D空間の異常を歩いて確かめるエージェントを評価するWorldAuditBench
- 13環境、213課題、五種類の異常で3D世界の監査能力を測る。
- 探索後の判定方式と、視覚推論が直接行動を決める方式を比較する。
- モデルの成功率は6.6〜42.3%で、人の83.4%を下回った。
推論と実行をつなぎ、失敗を検証済みの能力修正へ変えるDynaHarness
- 遅い意味推論と速い物理実行を、共通の実行契約で結ぶ。
- コマンドを監視し、未解決の行動の拒否、代替、再計画を行う。
- LIBERO-Proの新規800初期状態で75.2%を達成し、固定方策の17.5%と比較する。
同じ場所の重複観測を除き、探索ロボットの候補経路評価をGPUで高速化
- 経路の先で新しく見える領域を、深度バッファで過去の予測観測と照合する。
- 階層ごとの候補と光線をGPUで並列処理し、経路上の依存関係も維持する。
- 厳密計算との差は5〜10%、最大118倍の高速化と実環境での探索時間短縮を報告する。
AI生成のウェブ文章は、追加する量によって事前学習に逆効果も生む
- 800の言語モデルで、人が書いた文章とAI生成文章の配合を変えて事前学習する。
- 人の文章での損失はAI文章の追加で最初に下がる場合があるが、飽和後に悪化する。
- 利益と害を分ける新しい規模則を提案し、WildAIの830億トークンのコーパスを公開する。