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。
2026-09-18 - 2026-09-24
最新の日次レポート
Parts-of-Speech as Emergent Categories in SAE Latent Space
本論文は、LLaMA-3-8Bから抽出されたSparse AutoEncoder（SAE）の潜在活性化において品詞（PoS）情報がどのように表現されているかを調査しています。
Likelihood Ranking doesn't Scale Like Prompting in LLMs
本論文では、大規模言語モデルにおける多肢選択式質問応答の2つの評価プロトコルとして、直接的なプロンプトによる回答と、同一の質問・回答ペアから導出された平叙文の尤度ランキングを比較しています。
ExplorationBench: Measuring AI Systems' Exploration in Verifiable Alien Worlds
ExplorationBenchは、AIシステムが想起ではなく探索を通じて新たな知識を獲得できるかを評価するためのベンチマークです。
Hyperbolic Multimodal Continual Learning: A Closest-Admissible Solution
本論文では、双曲マルチモーダルモデルにおける継続学習を研究している。
OmniFabric: Coherent UV Space Texture Synthesis for 3D Garment Reconstruction
OmniFabricは、単一の野生環境下の衣服画像から、2Dの型紙UV空間内でテクスチャを直接合成することにより、シミュレーション可能な衣服テクスチャを生成する手法です。
Hunyuan-A13B Technical Report
Hunyuan-A13Bは、総パラメータ数800億に対し、トークンごとに130億パラメータのみを活性化するテンセントのオープンソースMixture-of-Experts（MoE）言語モデルです。
Invisible in Space, Visible in Time: Motion Vision CAPTCHA against GUI Agents
本論文では、動的に変化する背景から時間的に分離することによってのみ復元可能となる、運動によって定義された前景構造に対象の意味情報を隠蔽する階層型CAPTCHAフレームワークであるMotion Vision CAPTCHA（MVCAP）を提案しています。
Safety-Aware Zero Trust Enforcement for IoT and Cyber-Physical Systems
本論文は、疑わしいコンポーネントを制限することでサイバーリスクは低減できるものの、安全な運用に必要なセンシングや制御機能も失われかねないIoTおよびサイバーフィジカルシステム（CPS）に対して、ゼロトラストの適用をどのように適応させるべきかを検討しています。
InternW0: A Foundational Physical World Model for Efficient Real-World Interactions
InternW0は、物理世界での閉ループ相互作用に向けて将来の視覚予測と連続的なロボット制御を結びつけるよう設計された、InternW物理世界モデルシリーズの最初のモデルです。
Planned Test-Time Scaling with Coordinated Reasoning Paths
本論文は、複数の推論ブランチを独立してサンプリングする代わりに協調させる、推論時スケーリングのためのフレームワークであるPlanned Test-Time Scaling (PTTS)を提案しています。
Risk-Aware Online Conformal State Probing
本論文は、集中型エージェントが制御行動の選択と、ロボットやエッジデバイスからの真の状態の探索（プロービング）の要否の両方を決定しなければならない逐次的意思決定設定を研究しています。
Matryoshka attribution: Learning to attribute language model outputs to representations and weights
本論文では、言語モデルにおける帰属（アトリビューション）を、下流損失を最小化する内部コンポーネントの入れ子状サブセットの順序付けを学習する問題として定式化しています。
Ladders of Thought: A Self-Evolving Curriculum of Progressively Simplified Reasoning Traces
本論文では、段階的な問題の書き換えと適応型カリキュラムを組み合わせることで、小・中規模言語モデルの推論能力を向上させる学習フレームワークであるLadders-of-Thought（LoT）を提案しています。
From Experts to Sub-experts: Fine-grained Parameter-Efficient Fine-Tuning for MoE LLMs
本論文はMixture-of-Experts（MoE）言語モデルのパラメータ効率的なファインチューニングを研究し、活性化されたエキスパートが内部的にスパースであるため、エキスパートレベルの適応は依然として粗すぎると主張しています。
RoboTwin-Phys: Do WAMs and VLAs Understand the Physical World?
RoboTwin-Physは、タスクセット自体を変更することなく50タスクからなるRoboTwin-2.
Complex KDA: Understanding and Enhancing the Expressivity of Kimi Delta Attention
本論文は、Kimi Delta Attention（KDA）の表現能力の限界を分析し、ゲート範囲を[-1, 1]に、デルタルール係数を[0, 2]に拡張したバリアントであるComplex KDA（CKDA）を提案しています。
WorldCrafter: Consistent Video World Model with Implicit 3D-aware Memory
WorldCrafterは、長期的な生成や視点変化においてもシーンの内容を保持できるように設計された、カメラ制御可能な自己回帰型動画ワールドモデルです。
onPanda: Efficient Annotation of On-Policy Alignment Data for LLMs and Agents via Token-Level Correction
onPandaは、トークンレベルの修正を中心に構築された、LLMアライメントデータおよびエージェントの軌跡向けインタラクティブアノテーションツールです。
MobileCybench: Evaluating Agent Vulnerability Discovery via Executable Probes
本論文は、エージェントのエクスプロイトを再生し、アプリケーションのセキュリティ特性を実行可能チェックにかけることで脆弱性レポートを評価する、プローブベースのフレームワークを導入しています。
GAE: Learning a Geometry-Native Latent Space for 3D-Consistent World Generation
本論文では、3D知覚と生成的視覚モデリングの共通基盤として設計されたコンパクトな潜在空間であるGeometry-Native Autoencoder（GAE）を提案しています。
Accurate Motion Estimation with Bézier Control Point for Efficient Frame Interpolation
本論文では、訓練データにおける運動の曖昧さや推論時に一般的な等速直線運動の仮定に対処するために設計された、フォワードワーピングに基づく動画フレーム補間手法であるABC-Interを提案します。
Are Human-Aligned Models Models of Humans? A Turing-Test Gap in Preference Alignment
本論文は、人間の選好へのアライメントが人間の行動へのアライメントと同義ではないと主張し、その乖離を「チューリングテストギャップ」として定式化しています。
MinCU: A Fine-Grained Benchmark for Grounded Minimal-Change Understanding in Image Pairs
本論文では、ほぼ同一の画像ペアにおけるグラウンディングを伴う最小変化理解のためのベンチマークであるMinCUを導入する。
VibeMemBench: Evaluating Memory Systems for Coding Agents on Real Repository Coding Tasks
VibeMemBenchは、実行可能な検証を伴う実際のリポジトリタスクにおいて、コーディングエージェントの永続メモリシステムを評価するために設計されたベンチマークです。
MoSAT: Human Motion Generation from Spatial Audio and Textual Description
本論文では、空間オーディオと自然言語記述の双方を条件とする人体モーション生成を研究し、これら2つのモダリティが「どのような動作を行うか」および「それがいつ・どこで展開されるか」に関する相補的な情報を提供すると論じています。
Optimizers for Diffusion Models: A Controlled Benchmark
本論文では、text8でのmasked diffusion、QM9でのuniform diffusion、LM1BでのDUO、CelebA-64でのGaussian画像拡散という4つの定式化にわたり、拡散モデル学習における7種類のオプティマイザの制御されたベンチマークを提示しています。
PanoSeg3R: Feed-Forward 3D Semantic Segmentation for Panoramic Images with an Automatic Data Curation Pipeline
PanoSeg3Rは、マルチビューの正距円筒図法パノラマ画像から3Dセマンティックセグメンテーションを行うフィードフォワード型フレームワークです。
SomaNet: Weakly Supervised Learning for Instance Soma Segmentation in 3D Electron Microscopy with Partial Annotations
SomaNetは、部分的なインスタンスアノテーションが存在する設定向けに設計された、3次元電子顕微鏡における細胞体インスタンスセグメンテーションのための弱教師あり学習フレームワークです。
Visual Navigation Transformer with Pose Attention
本論文では、環境を時系列の観測履歴や明示的な地図としてではなく、カメラ姿勢によってインデックス付けされた深度キーフレームの集合として表現する視覚ナビゲーションTransformer「VNT-PA」を提案しています。
CogGym: Towards Large-Scale Comparative Evaluation of Human and Machine Cognition
CogGymは、標準的な正解基準のベンチマークではなく、条件を揃えた認知科学実験においてAIモデルと人間を比較するためのスケーラブルなフレームワークです。
BrainWideBench: Benchmarking large-scale pretraining and across-animal transfer in multi-region neural recordings
BrainWideBenchは、International Brain Laboratory（IBL）のBrainwide Mapデータセットに基づいて構築された、多領域神経記録における個体間転移を評価するためのベンチマークです。
Beyond Exact Match: Task-Aware GRPO for Cross-Domain PCBA Visual Question Answering
本論文では、標準由来の画像と実際の製造画像の両方にわたり、微細な視覚的証拠、部品のセマンティクス、製造基準を考慮して推論を行う必要があるプリント基板実装（PCBA）向けのクロスドメイン視覚的質問応答（VQA）を調査しています。
Conformal Privacy Auditing: Calibrated Re-identification Attacks with Statistical Guarantees
本論文では、指定された攻撃者モデルの下で文書レベルの再識別リスクを定量化する、テキスト公開時のプライバシー監査フレームワーク「Conformal Privacy Auditing（CPA）」を提案しています。
ClashBench: Conflicts Leading Agents to Seize and Harm
本論文では、特権を持つエージェントシステムにおける安全性障害モードとして「破壊的リソースプリエンプション」を特定し形式化しています。
What Does Privileged Information Add to On-Policy Self-Distillation?
本論文は、クロスモード蒸留自体のベースラインの向上を超えて、特権情報（PI）がオンポリシー自己蒸留（OPSD）にどの程度寄与しているかを調査しています。
Video DeltaNet: A Video-Native Hybrid Attention for Livestream Video Generation
本論文では、局所的な時間的相互作用と境界アンカーフレームに対して正確なSoftmaxアテンションを維持しつつ、遠方のコンテキストには双方向線形メモリを使用する、長系列動画生成向けハイブリッドアテンションアーキテクチャ「Video DeltaNet（VDN）」を提案しています。
Local Sparsity Enables Unsupervised LLM Safety Detection
本論文は、安全でない訓練ラベルを用いずにモデルのアクティベーションに対する1クラス異常検知として課題を定式化することで、デプロイ時におけるLLMの安全性検出を研究しています。
Towards Active Cross-View Object Geo-Localization
本論文では、単一の固定クエリ画像に依存するのではなく、モバイルエージェントが追加の視点を逐次的に取得し、いつ探索を停止するかを決定するクロスビュー物体地理位置特定（geo-localization）の再定式化であるActiveGeoを提案しています。
From Models to Systems: A Comprehensive Survey of Efficient Multimodal Learning
本サーベイでは、効率的なマルチモーダル学習（EML）を、モデル設計、アルゴリズム圧縮、システム配備にまたがるフルスタックの問題として検証しています。
Rethinking Critic Learning in PPO: Understanding and Mitigating Value Flattening
本論文は、大規模言語モデルを用いた強化学習におけるPPOのCritic学習の失敗モードである「Value Flattening（価値平坦化）」を分析している。
Can MiniMax-H3 Reason About the Physical World? An Evaluation of Omni-Modal Generative Model
本論文は、重要な情報がテキストプロンプトで完全に指定されず複数の入力モダリティに分散して存在する場合に、オムニモーダル生成モデルであるMiniMax-H3が物理世界について推論できるかを評価しています。
Reinforcement Learning for Real-Time Vision-Language-Action Policies
本論文では、無視できない推論遅延下で動作し、古い観測による分布シフトが発生しやすい大規模視覚・言語・行動（VLA）ポリシーの強化学習ファインチューニングに取り組みます。
GYROval: A Robust Benchmark for Cultural Value Orientation in Large Language Models
本論文では、二者択一の対照的なビネットを用いて、イングルハート・ウェルツェルの2軸に沿った大規模言語モデルの文化的価値観の指向性を測定するベンチマーク「GYROval」を紹介します。
PhysStream: Streaming Physics-Grounded Video Generation with Structured Scene Memory and Fine-Grained Motion Control
PhysStreamは、複数の物体が存在する卓上シーンにおいて、物理に基づいたインタラクティブな制御を行うための自己回帰型image-to-video生成手法です。
World Models for Embodied Intelligence: From Plausible to Controllable to Actionable
本論文は身体知能に向けたワールドモデルに関するサーベイであり、ワールドモデルは視覚的なリアリズム単体ではなく行動をいかに向上させるかによって評価されるべきであると主張しています。
Not Another Text Benchmark: Putting the "Visual" Back in Visual Question Answering for Large Video Models
本論文は、既存の動画質問応答ベンチマークが主にテキストの選択肢を介して推論を評価しているため、大規模動画モデルにおける真の視覚的推論の失敗が見えにくくなっていると主張しています。
From Transient Prompts to Persistent Control: Scientific Poster Generation via Recursive Semantic-Geometric Contracts
本論文では、コンテンツ作成、レイアウト構築、レンダリングの各段階において、局所的なプロンプトを一貫した制御へと置き換える科学ポスター生成フレームワーク「PosterVisor」を提案しています。
ECHO: Early-layer Collaborative Hierarchical Orchestration with Bonus Logits in Speculative Decoding
ECHOは、Transformer層間の機能的非対称性を利用し、推論を高頻度な初期層の内部ループと低頻度なモデル全体の外部ループに分離する、ドラフトモデル不要の投機的デコーディングフレームワークです。
Pick Your Poison: Learning to Select Poison Sets for Stronger LLM Backdoor Attacks
本論文では、トリガー、ターゲット動作、クリーンデータ、およびポイズン数を固定したまま、どのポイズン事例を選択するかのみを変化させる、LLMバックドア攻撃におけるポイズンセット選択を調査しています。
HazardAuditor: From Executable Threats to Safer Computer-Use Agents
HazardAuditorは、静的なプロンプトや応答ではなく実行時の振る舞いに着目した、コンピュータ利用エージェント向けの実行基盤型安全性フレームワークです。
アーカイブ
週次アーカイブ
15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。
LLM KVキャッシュ圧縮
本テーマは、急速に増大するKVキャッシュのメモリフットプリントを削減し、長コンテキストLLM推論を実用化することを中心に据えている。
複雑系のための基盤型ワールドモデル
本テーマは、直接的な回答生成を超えて、意思決定や予測の前にシステムの基盤的なダイナミクスをシミュレートするモデルへの移行を中心としている。
全二重対話の評価
本テーマは、聞きながら同時に話す音声言語システムの評価に焦点を当て、従来のターンベース評価を超える方向へ進んでいる。
統合マルチモーダル表現学習
今週のテーマは、単一のシステムで画像の理解・生成・編集を行うマルチモーダルモデルにおいて、視覚情報をどのように表現すべきかに焦点を当てている。
頑健な音声認識システム
本テーマは、クリーンな単一話者条件を超えて動作する音声認識システムを扱い、騒音環境・遮音環境、話者重複、チャネル不一致への対応を対象とする。
リスク制御された自己改善
本テーマは、学習システムが自身を改善したり推論を修正したりする際に、有害な変更を暗黙的に蓄積しない方法に焦点を当てている。
翻訳・エージェント向け評価ベンチマーク
今週のテーマは、簡易的なテスト設定ではなく、より現実的で高制約のベンチマークへと評価が移行している点に焦点を当てている。
3D再構成と動的ガウシアンモデリング
本テーマは、純粋な光度フィッティングを超え、スパースビューや単眼条件下での3D/4D再構成・レンダリングの実用化を目指すものである。
強化学習における目的関数設計
本テーマは、標準的な期待リターン訓練を超えて、強化学習が何を最適化すべきかを再考することに焦点を当てている。
マルチモーダル推論の評価
本テーマは、言語モデルやマルチモーダルシステムが視覚・言語・空間の各表現にまたがる真の推論を行えているか、それとも表面的なベンチマーク信号に依存しているかを評価することに焦点を当てている。
オムニモーダル表現と評価
本テーマは、複数のモダリティを統合しつつ、その表現の制御性と評価の実質性を高めるモデルに焦点を当てている。
エージェント環境とハーネスのスケーリング
本テーマは、固定的な設定でエージェントを評価する段階から、エージェントの振る舞いを形作る環境・インタラクションループ・ランタイムスキャフォールドをスケーリングする段階への移行を中心に据えている。