FuguReport
最新の週次テーマと直近の日次レポートをまとめて確認できます。
2026-10-16 - 2026-10-22
最新の日次レポート
ThinkWorld: World Imagination Reinforces Chain-of-Dynamics Reasoning
ThinkWorldは、アクション推論を現在の状態から未来の状態へと世界がどのように遷移するかを捉える離散モーション・トークンの系列であるChain-of-Dynamics（CoD）として表現するVision-Language-Actionフレームワークです。
Visual Autoregressive Generation with Next Token Imagination
本論文は、複数の妥当な継続が存在し得るにもかかわらず、訓練時に各位置で正解の次トークンのみを教師データとしているため、標準的な視覚的自己回帰画像生成が過度に制約されていると主張しています。
WithinVAE: Compact Visual Autoencoding with Self-Distilled Semantics
本論文では、外部の事前学習済み認識エンコーダに依存することなく、視覚オートエンコーダの内部で直接意味構造を学習できるかを検証しています。
TaskBridge: Technical Report for SIGIR 2026 eCommerce Challenge
TaskBridgeは、SIGIR 2026 eCommerce Challenge向けに設計された、タスク指向型Eコマース検索のためのカタログ固定型クエリ言い換えフレームワークです。
Channel Selection for Mixture-of-Experts Decoding Needs No Calibration Data
本論文はMixture-of-Experts（MoE）デコーディングにおけるチャネル選択を調査し、計算すべきエキスパートチャネルを決定する際にキャリブレーションデータが不要であることを示しています。
EmbodiedLab: Benchmarking Embodied Agents That Act to Know
EmbodiedLabは、世界を単に事前定義された目標状態へと誘導するのではなく、必要な情報を発見するためにシステムと物理的に相互作用しなければならない身体性エージェントのためのベンチマークです。
Multi-Agent Relay Thinking
本論文では、並列的な集団思考を、生成中に推論の主導権をエージェント間で引き継ぐリレースタイルのプロセスに置き換えるマルチエージェント協調フレームワーク「Multi-Agent Confidence-guided Relay（Macr）」を提案している。
Towards Spatio-Temporal Intelligence Systems in Urban Space: A Twin-Agent Perspective
本サーベイ論文は、都市の時空間知能（STI）システムを「ツイン・エージェント」の結合という観点から捉え直しています。
Improving Instruction Hierarchy by Learning from Goal-Goal Conflicts
本論文は、従来の命令階層（IH）データセットで看過されていた対立タイプである「目標対目標の対立」に着目し、大規模言語モデルにおける命令階層の学習を研究しています。
MedVTok: A General-Purpose Medical Visual Tokenizer
MedVTokは、多様な画像モダリティにわたる2D画像と3Dボリュームの双方を統一されたトークン空間にマッピングするよう設計された、汎用の医療用視覚トークナイザーです。
Continual Learning Exam: Benchmarking Long-Horizon RSI and Experiential Learning in LLM Agents
本論文では、LLMエージェントが経験を獲得、保持、再利用することによって長期的なタスクシーケンスを通じて性能を向上させられるかを評価するために設計されたベンチマーク「Continual Learning Exam (CLE)」を提案します。
CropReward: A Human-Preference Benchmark and Reward Model for Aesthetic Image Cropping
本論文では、幾何学的な重複度や単体の美的スコアリングのみに依存するのではなく、人間の選好の観点から美的画像クロッピングを研究しています。
Performance of Neural Operator Baselines on 'The Well' Dataset
本論文は、16の物理シミュレーション領域と17の予測タスクにまたがる15TBのベンチマーク「The Well」向けに公開されたニューラルオペレータのベースラインを再検証したものである。
P2P-Former: Bridging the Supervision Gap Between Point and Proposal in Temporal Action Localization
本論文では、疎なポイントアノテーションとプロポーザルレベルの学習との間のギャップを埋めることを目的とした、ポイント教師あり時間的アクション検出のためのTransformerベースのフレームワークであるP2P-Formerを提案する。
Last-Iterate Stationarity of Muon with Finitely Many Newton-Schulz Iterations
本論文では、正確な極分解因子の計算ではなく固定回数の5次Newton–Schulz反復によって更新方向を生成する、実践的なMuonの最終反復（last-iterate）における収束挙動を解析しています。
Qwen-Image-PE: Learning Visual Design for Text-to-Image Prompt Enhancement
本論文では、照明、構図、レイアウト、詳細などのきめ細かな視覚的デザインの選択肢を指定するように訓練された、テキストから画像生成向けのプロンプト拡張モデルであるQwen-Image-PEを提案します。
RoboWorM: Evaluating Movement Realism, Consistency and Acceleration Affects in Embodied Video World Models
RoboWorMは、一般的な映像品質だけでなく構造的および時空間的な忠実度を評価する、ロボティクスにおける身体性ビデオ世界モデル向けの実装を意識したベンチマークです。
RSI Arena: Towards Recursive Self-Improvement with Human Feedback
RSI Arenaは、現実的なリソース制約下でフロンティア言語モデルが共有ベースモデルを自律的に事後学習し、反復的に改善できるかを調査しています。
RoboReason: Boosting Robotics-Relevant VLM Reasoning Through Scalable Data Generation
本論文では、実ロボットのカメラデータから構築された3つの順序付けタスク（時系列フレーム順序付け、深度順序付け、物体の左右順序付け）を用いて、視覚言語モデル（VLM）におけるロボティクス関連の視覚的推論を調査しています。
H-GLow: Accelerating Graph Generation via Hazard-Guided Discrete Flow Matching
H-Glowは、連続時間マルコフ連鎖生成器をコンポーネントごとのハザードと条件付きジャンプ分布に分解することで、離散フローマッチングにおけるグラフ生成を高速化するハザード誘導型フレームワークです。
RynnUnify: Towards Unified Embodied Brain
RynnUnifyは、動画と言語の推論を交互に行うことで、身体性理解、長期的な視覚的計画、およびロボット制御を結びつけるように設計された16Bの統合身体性モデルです。
Can Test-Time Memory Evolution Outperform Test-Time Training for Scientific Discovery?
本論文は、LLMに基づく科学的発見ワークフローにおいて、テスト時メモリ進化（Test-Time Memory Evolution: TTME）がテスト時訓練（TTT）を代替できるかを検証しています。
Tempo-Zero: Recursive Self-Play in Executable Worlds for Video Reasoning
Tempo-Zeroは、実行可能な動画環境、実行検証に基づく自己対戦、および環境の進化を統合した動画推論向けの自己改善フレームワークです。
Internal Discrepancy for Contrastive Learning: Generalization Bounds and Downstream Behaviors
本論文では、アンカーの正例サンプルの条件付き平均表現と、対応する潜在クラス中心との差を定量化する指標である内部不一致（internal discrepancy）を導入しています。
Principia: Test-Time Hypotheses to Principle Construction for Scientific Discovery
Principiaは、静的な事前知識や外部ウェブ検索、非構造化された経験要約のみに依存するのではなく、テスト時に経験的な科学的原理を構築および更新するLLMベースの科学的発見フレームワークです。
Dual Exam: Controlled Evaluation of Multimodal Agents and World Models
本論文では、マルチモーダルエージェントと世界モデルを、結合されたエンドツーエンドの相互作用のみによって評価するのではなく、個別に評価する制御型評価フレームワーク「Dual Exam」を提案しています。
CODI: Improving Self-Supervised Vision Transformers with Cross Distillation
本論文では、自己教師ありVision Transformerが強力な画像レベルの表現を生成できる一方で、高密度予測タスクにおいてパッチレベルの特徴が弱くなる要因を検証しています。
BrickWright: Agentic Creation of Physically Feasible Brick Builds
BrickWrightは、テキストまたは画像のプロンプトから物理的に実現可能なレゴブロックの組み立てモデルを生成するフレームワークであり、計画・実行・検証のループ内でBrickLayerコードを記述するよう事前学習済みコーディングエージェントを誘導します。
Fine-Grained Analysis of Catastrophic Forgetting in Continual Learning via Algorithmic Stability
本論文は、SGD下でのアルゴリズムの安定性を通じて継続学習における破滅的忘却を分析するための理論的枠組みを構築しています。
F2G-Pose: Geometry-Aware Foundation Feature Lifting for Direct RGB-D Category-Level Object Pose Estimation
F2G-Poseは、単一のセグメンテーション済み観測から1回の順伝播で6D姿勢、実スケールサイズ、およびカメラ座標系での完成形状を予測する、直接的なカテゴリレベルRGB-D物体姿勢推定フレームワークです。
Agentic World Action Models
本論文では、単一のmixture-of-transformersアーキテクチャ内で、コードベースの計画、将来の動画予測、低レベルのアクション生成を統合したエージェンティック・ワールド・アクションモデル「AW-0」を提案します。
Looking Ahead: Modeling Future Evolution in Autoregressive Video Generation
本論文は、隣接するチャンク間の強い時間的冗長性により、モデルが潜在的なシーンのダイナミクスを学習するのではなく局所的な連続性のショートカットに依存してしまうという、Teacher-forcingを用いた自己回帰型動画拡散モデルの限界に対処しています。
DONIC: Generalist Dexterous Bimanual Tracking Control from Human Demonstrations
本論文では、人間のデモンストレーションから学習された汎用的な高巧緻性両手協調参照トラッキングポリシーであるDONICと、新たなマルチビュー両手-物体インタラクションデータセットであるBiHOIを提案しています。
Generalized CycleGRPO for Fine-Grained Multimodal Understanding and Grounding
本論文では、空間、時間、および時空間の領域空間全体で機能する、きめ細かなマルチモーダル理解とグラウンディングのための統合強化学習フレームワークであるGeneralized CycleGRPOを提案します。
OmniSimulator: Aligning Small Language Models for Authentic Heterogeneous Behavior Modeling
OmniSimulatorは、ショート動画プラットフォーム環境において、小型言語モデルを現実的なユーザーシミュレータとして改善するための学習フレームワークです。
Learning the 4D World through Point Trajectory Forecasting
本論文では、任意の視点からの将来の動画と永続的な3D点軌道を同時に予測するマルチビュー世界モデル「Video-Point Model（VPM）」を提案する。
Slot-JEPA: Object-Structured Prediction Interfaces for Latent World Models
本論文は、事前学習済みJEPA表現の上に構築された潜在ワールドモデル向けのスロットベースのインターフェースであるSlot-JEPAを提案しています。
S-Agent 2.0: Spatial Reasoning with a General Coding Agent
S-Agent 2.
Object-Oriented Harness: Evolving Agent Harnesses through Object-Oriented Design
本論文では、オブジェクト指向設計を用いて実行可能クラスの階層を進化させることで、言語エージェントハーネスを最適化するフレームワークであるOO-Harnessを提案しています。
Recast the Past: Stable Long Video Generation with Full Context Memory
本論文では、増大し続けるトークン列を処理することなく過去の全コンテキストへのアクセスを維持するよう設計された、長時間動画生成手法ReCamを提案する。
Physical AI: Concepts, Techniques, and Challenges
本モノグラフは、物理的状態を知覚し、物理的関係や行動結果に関するタスク関連モデルを保持し、実世界の制約下で継続的なフィードバックを通じて行動する人工システムとして、フィジカルAIの統一的なフレームワークを提案しています。
ACE-Brain-0.6: Scaling Spatial Grounding for Physical Foundation Models
本論文は、視覚的グラウンディングデータのスケーリングが身体的物理基盤モデルに必要な空間認識能力を強化できるかを調査しています。
The Culture Within: Towards Mechanistic Understanding of Cultural Reasoning in LLMs
本論文では、大規模言語モデルが文化的情報をどのように利用しているかを研究するための、参照に基づくベンチマークおよびメカニズム解析フレームワークであるCultureLensを提案しています。
Truncate or Not? A Scaling Study of Looped Transformers with Truncated Backpropagation
本論文は、最後の数回の再帰ループのみを通じて逆伝播を切り詰め（トランケート）可能な状況において、ループ型Transformerをどのように訓練すべきかを調査しています。
On the Limits of Scale: Inverse Scaling in Vision-Language Models
本論文は、同一ファミリー内のより大規模なモデルが特定の質問カテゴリにおいて小型モデルよりも性能が低下する、サブタスクレベルでの逆スケーリング（Inverse Scaling）が視覚言語モデルに見られるかを調査しています。
When Weak Submodularity Meets Matroids: How Does Standard Greedy Behave?
本論文では、一般的なマトロイド制約下において単調な劣モジュラ類似（weakly submodular）関数を最大化する標準的な前方貪欲法の最悪ケース近似保証を調査しています。
Transformers Learn Two Competing Sorting Algorithms, and Only One Length-Generalizes
本論文では、理論的には単一のアテンション層のみで解くことが可能な整数ソートタスクにおいて、訓練された2層の因果的Transformerを調査しています。
The Bottleneck Is Retrieval, Not Reading: Diagnosing Evidence-Based Generation with RAG for Long Context Question Answering
本論文では、モデルが回答と根拠となる証拠への行レベルの引用の両方を生成しなければならない、長文脈質問応答における証拠に基づく生成（EBG）を研究しています。
VLA-Rolling: Fewer Denoising Steps, Better Control via Adaptive Action Reuse
本論文は、フロー・マッチングを用いたVision-Language-Action（VLA）モデルにおいて、後退ホライズン再計画時に未実行のアクション末尾を破棄せず再利用できるかを検証しています。
Muse Glimmer 30B: An On-Device Agentic Model
Muse Glimmerは、コンシューマー向けハードウェア上でローカルに動作する自律型エージェントワークフロー向けに設計された、専用の知覚エンコーダーを備えるオープンソースの30Bパラメータ高密度因果言語モデルです。
アーカイブ
週次アーカイブ
15効率的で信頼性の高いLLMエージェントの評価
今週の成果は、LLMエージェントを個々の回答精度にとどまらず、推論効率、頑健なツール使用、持続的なマルチモーダル推論まで含めて評価することを重視している。
制御可能で一貫性のある動画生成
本テーマは、視覚的品質のみならず、物体の同一性の保持、複数物体の動きの制御、空間的一貫性の評価を中心としている。
グローバル–ローカル視覚表現学習
今週のテーマは、自己教師あり視覚モデルが事前学習のオーバーヘッドを抑えつつ、グローバルな意味情報とローカルな詳細をどのように結びつけるかである。
エージェントの記憶表現と管理
今週のエビデンスは、エージェントの記憶を単なるコンテキストウィンドウの拡張ではなく、有用な経験を選択・表現・維持する問題として扱っている。
AIエージェントにおける検索と検証の評価
代表的な研究は、検索をエージェント推論の一構成要素として評価し、生成されたクエリ、検索器の能力、エビデンス利用の間にある、最終回答スコアだけでは明らかにならない不整合を浮き彫りにしている。
効率的・多言語言語モデルの評価
今週のテーマは、言語モデルの評価をデータ効率、多言語カバレッジ、圧縮、指示追従と結びつけるものである。
適応的で信頼性の高いLLMの評価
代表的な研究は、LLMの評価を単一ターンの正答性から、マルチタスクの対話、反復試行を通じた学習、推論計算量を増やした際の報酬品質へと広げている。
社会的・身体性AIインタラクションの評価
今週のテーマは、社会的に適切なAIの参加、人間パートナーへの協力的影響、そして物理的に実行可能な身体的振る舞いを結びつけ、評価を応答品質以上のものとして位置づけている。
言語誘導型身体性ナビゲーションの評価
本テーマの中心は、言語モデルによる指示・推論・コミュニケーションが、単にもっともらしいテキストにとどまらず、実際に有効な身体性ナビゲーションにつながるかを評価することである。
継続的視覚表現学習
本テーマは、新しいクラスを学習しながら有用な視覚表現を保持することを中心とする。
物理に基づくロボット学習とRLファインチューニング
今週のテーマは、物理的に裏付けられたデモンストレーション生成と強化学習によるファインチューニングを結び付け、ロボットデータの不足とデモンストレーションの限られたカバレッジという課題に取り組むものである。
編集と拡散モデルの評価
今週の知見は、集計的な生成品質を超えた評価の重要性を強調している。
自己回帰型動画のためのメモリと表現
自己回帰型動画モデルの研究は、互いに関連する二つの課題を中心に展開している。
オープンLLMのポストトレーニングと評価
本テーマは、評価と検証がデータ選択、選好チューニング、強化学習を導く、オープンで多段階のLLMポストトレーニングを中心とする。
適応的マルチモーダル表現学習
本テーマは、一様な処理に頼るのではなく、異種の視覚・言語入力に合わせて表現を適応させることを中心とする。