LLMエージェントのスキルを種類・数・順番まで選ぶSkillComposer
- SkillComposerは、依頼に使うスキルの種類・個数・順番を一つの識別子列として予測する。
- 著者らはSkillsBenchの対象75タスクで、スキルなしの場合に対する合格率の上昇を２種類のエージェントで報告した。
- 社内で試すには、担当者が確認した正しいスキル列を用意し、選択精度と実際のテスト合格率を分けて測る。
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。
人の同期映像をPrimeUの60自由度の動作ラベルに変える
- 同期した一人称・外部視点の映像から、人の実演をPrimeU用の60自由度の関節動作列に変換する。
- 著者らの15 Hzでの代表的な収集分析では、生の実演収集量がモーションキャプチャを用いた遠隔操作の4.8～7.2倍だった。
- 著者らは対象作業のロボット実演なしで実機展開したと報告するが、確認できた本文には作業別の試行数と成功率がない。
文書から作る学習用QAは、どの記述を選び、文中の指示にどう反応するか
- 文書からのQA生成では、質問を作る時点で学習に使う根拠が選ばれ、選択は一部の箇所に集中した。
- 六つの生成モデルの平均では、質問ごとに対象文を指定すると、挿入したHTML風の残骸を選ぶ割合が三つの文書集合すべてで下がった。
- 著者らの評価では、回答前に指示めいた箇所を除くと、その指示に従った回答の割合の平均が88％から13％になった。
隠れ層の出力の膨張を抑え、算術課題の汎化開始を早める
- 隠れ層の出力の大きさを、層の幅に応じた目標値へ緩やかに近づける罰則を学習損失に加える。
- 97で割った余りを求めるMLP実験では、汎化開始が強い重み減衰の15,540±1,480から2,460±136エポックになったと著者らは報告する。
- 3桁加算のnanoGPTでも汎化開始までのステップ数が減ったが、より広い業務課題での効果は示されていない。
商品候補の表示順を決め直すGR2：意味IDと順位報酬を使った再ランキング
- GR2は、利用者の履歴と既存の推薦器が選んだ商品候補から、表示直前の候補順を生成する。
- 意味IDの学習、教師モデルからの推論移転、候補全体の順位と出力形式を評価する強化学習を組み合わせる。
- 著者らは産業規模のトラフィックで、既存の基準手法に対しR@1で18.7％、R@3で7.1％、N@3で9.6％の改善を報告する。
視覚で判断する複数のAIは、家庭内作業をどう分担できるか
- 96課題を並行・逐次の両条件に置き、計192件で視覚を使う複数エージェントの協力を評価した。
- 著者らは、通信を止めると成績が下がり、人数を増やし続けても成績は改善し続けないと報告した。
- 誤った位置候補を30％加えた並行作業で、Qwen3-32Bの成功率は単独54.17％から２人69.79％になった。
採掘空洞の飛行経路を探索後に短縮するRRT-Rope
- 改変したRRT-connectで通行可能な経路を得て、探索木の各枝に加えた中間節点を利用して短縮する。
- 著者らは、試した全シミュレーション環境で経路コストと計算時間が比較手法より良く、代表的な採掘空洞では次善の手法より最大70%速いと報告する。
- 環境や比較設定の詳細は確認できた本文の範囲では分からず、現場で使うには地図誤差と衝突判定の検証が必要になる。
標準型と混合型の画像Transformerを同じFPGA回路で処理するFlexViT
- 全結合層と畳み込み層を共通の行列積回路で処理し、層ごとに入力または重みの共有方式を切り替える。
- PYNQ-Z2上の五つのINT8モデルで、著者らはCPU単独実行比で移管層1.77～2.74倍、モデル全体で最大1.40倍の速度向上を報告した。
- 製造画像への適用には対象画像とラベルによる学習・精度確認に加え、CPU側の処理とデータ転送を含む遅延測定が必要になる。
RGB画像から物体の占有範囲を復元して探索するMVP-Nav
- MVP-NavはRGB画像と自己位置から物体の三次元的な占有範囲を推定し、探索優先度と合わせて中期目標を選ぶ。
- 著者らの表では、HM3Dで成功率65.4%、SPL 27.9%を報告している。
- 実用検証では、信頼できる自己位置推定に加え、動く物体への対応と処理時間の確認が必要になる。
道具を握り、向け、作動させる動作を実演なしで学ぶCoDex
- 作業文とRGB-D画像から操作点と道具の目標姿勢を求め、把持から作動までの動作を実演なしで学習する。
- 著者らの実機試験では、6作業を各5回行い、移動と機構の作動を両方満たす成功率を73%と報告した。
- 目標姿勢の三次元的なずれ、衝突、実物との物性差、細かな操作部への接触が報告された失敗要因である。
画像の情報を残し、層ごとに不要な演算を省く視覚トークン処理
- 視覚トークンを全件残し、層ごとに視覚側の注意機構、FFN、または両方の更新を省く。
- 画像と質問による調整では、通常モデルの出力との差を測り、正解ラベルなしで方針を決める。
- 著者らはQwen3-VL-8Bの20層設定で、TFLOPsを33.7％削減し、10件の平均スコア比99.5％を報告した。
MRIの断面間隔をそろえる前処理で、血管の形と分割精度を保てるか
- Consispaceは、三次元医用画像の断面間隔をそろえてから領域分割に渡す前処理手法。
- 隣接断面の双方向の変化と、同じ断面内で特徴が似た位置の情報を再構成に使う。
- 著者らは再構成と分割の改善を報告するが、確認できた本文の範囲ではConsispaceの比較指標値を確認できない。