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。
2026-10-09 - 2026-10-15
最新の日次レポート
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。
Transformers Learn Two Competing Sorting Algorithms, and Only One Length-Generalizes
本論文では、ソートタスクで訓練された2層Transformerを調査し、損失がほぼゼロになるまで訓練されたモデルが初期化に依存して機構的に異なる2つの解のクラスへと収束することを発見しています。
The Bottleneck Is Retrieval, Not Reading: Diagnosing Evidence-Based Generation with RAG for Long Context Question Answering
本論文は長文脈質問応答における根拠に基づいた生成（evidence-based generation）を調査し、従来の回答のみを対象とする評価では、パイプラインの失敗が検索、読解、根拠付けのいずれに起因するかが不明瞭になると主張しています。
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。
Controllable Multi-Object Insertion for Detection Data Augmentation
本論文では、厳密なカテゴリ・個数の忠実度、アノテーション整合性、および元コンテンツの保持を伴う物体検出データセット拡張に向けた、制御可能な複数物体挿入を研究しています。
DiPLO: Self-distilled Diffusion Planning for Loco-manipulation
DiPLOは、拡散ベースのモーションプランナーと低レベル強化学習追従ポリシーを組み合わせたヒューマノイドの移動マニピュレーションフレームワークです。
PCHMR: Empowering and Benchmarking Human Mesh Recovery in Privacy-Constrained Real-World Settings
本論文では、生の学習画像がクライアントデバイス上に厳格に保持され、連合学習を介して協調的にモデルを学習するプライバシー制約下において、Human Mesh Recovery（HMR）モデルを評価するためのベンチマークであるPCHMRを導入しています。
Learning to Program Retrievals: Composing Search Primitives via Reinforcement Learning
本論文では、言語モデルポリシーが固定された検索パイプラインにクエリを発行するのではなく、実行可能な検索プログラムを記述するフレームワークである「Retrieval Program Learning（RPL）」を紹介します。
ToPA: Block-wise Toeplitz Adaptation for Expressive and Efficient Fine-Tuning
本論文では、ブロック単位のテプリッツ行列の積と恒等残差接続を組み合わせて重み更新を再パラメータ化するパラメータ効率的微調整（PEFT）フレームワークであるToPAを提案しています。
Momentum: Persistent Dynamics for Video World Models
本論文では、対象物が現在のカメラ視野から外れて後から再出現する場合でも、動画ワールドモデルが一貫したシーンダイナミクスを維持する方法を研究しています。
Learning Personalized Memory Gating from Delayed One-Sided Feedback
本論文は、LLMメモリシステムにおける事実レベルでのパーソナライズされたメモリゲーティングを調査し、有限のメモリバジェットの下で抽出されたどの事実を保存すべきかという課題に取り組みます。
PONDER: Learning to Generate in the Right Order
PONDERは、次に生成すべきパッチと、削除して後から再生成すべき過去の予測を学習する、マスク画像生成向けの方策学習フレームワークです。
On the Position Bias of Large Language Models: A Comprehensive Study
本論文は、多肢選択式質問応答および複数文書質問応答タスクにおける大規模言語モデルの位置バイアスに関する包括的な調査を提示しています。
SCOPE: Semantic Bounded Credit Optimization for Prompt Engineering in Text-to-image Generation
本論文では、画像生成モデルを固定した状態でのText-to-Image生成におけるプロンプト書き換えのための強化学習を研究しています。
CarryOn: A Dual-Loop Harness for Personalized and Reliable Robot Assistance
CarryOnは、パーソナライズされ信頼性の高いロボット支援を実現するために、凍結されたVision-Language-Action（VLA）ポリシーの周囲に構築されたデュアルループのハーネスです。
Speculative Forcing for Efficient Autoregressive Video Generation
本論文では、中間的なクリーントークン推定値をドラフトとして扱い、収束したと見なされたトークンを早期に確定する、少数ステップ自己回帰型動画生成モデル向け推論フレームワーク「Speculative Forcing」を提案しています。
Reinforcement Learning-driven Diffusion Models: Language, Vision, and Beyond
本論文は、強化学習（RL）駆動型拡散モデルに関する包括的なサーベイを提供し、RLによる事後学習が拡散プロセスのノイズ除去を報酬誘導型の軌道最適化へとどのように変換するかを検証しています。
BridgeAfford: Bridging Query-Target Gap for Generalizable 3D Affordance Grounding
本論文では、未知の物体への汎化に焦点を当て、自然言語指示から3D物体上の機能的インタラクション領域を特定する言語誘導型3Dアフォーダンスグラウンディングを扱っています。
Seeing, Maintaining, and Learning: The Evolution of Multimodal Agent Memory
本論文は、特定のタスク向けアルゴリズムではなく、マルチモーダルエージェントのメモリに関するサーベイおよび分析フレームワークを提示するものです。
Doc2Harness: Benchmarking LLMs on Long-Horizon Harness Engineering of Coding Agents
Doc2Harnessは、大規模言語モデル（LLM）が固定されたハーネス内で動作するだけでなく、コーディングエージェントのハーネス自体をどれだけ適切に構築できるかを評価するために設計された2段階のベンチマークです。
PrismaCoder: Pushing the Boundaries of Open Multimodal Code Intelligence through Decomposed Rubric Synthesis
本論文では、マルチモーダルコードのデータキュレーションおよび強化学習のためのルーブリックベースのパイプラインであるPrismaForgeを提案し、これを用いてマルチモーダルコード知能向けの200万サンプルのオープンデータセットPrismaCoder-2Mを構築しています。
Intern Lumina U2: A Multi-Codebook Diffusion Large Language Model for Omni-Visual Understanding and Image Generation
Intern Lumina U2は、視覚コンテンツを完全離散のマルチコードブックトークンとして表現し、単一のバックボーン内で視覚理解と画像生成を処理する統合型拡散言語モデルです。
Any Time, Any Space: A World-State-Centric Framework for Agentic Video Generation
本論文では、永続的な世界状態を中心に構築されたエージェント型マルチショット動画生成のためのフレームワークであるAny Time, Any Space（ATAS）を提案します。
Tev: Scaling Long-Horizon Agentic Environments with Dense Progress Rewards
本論文では、正確な検証と密な漸進的報酬を提供するために構築された、長期タスク向けエージェントの合成トレーニングコーパスであるTev-Gymを提案しています。
WorkRover: Scaling Long-Horizon Cowork Agent Training Via Recursive Environment Evolution
WorkRoverは、環境構築、反復的な修復、強化学習におけるクレジット割り当てに統合的に対処することで、長期にわたる協調作業エージェントを訓練するためのフレームワークです。
SWE-MISBEHAVIOR: Benchmarking and Mitigating Boundary Violations in Software Coding Agents
本論文では、自律型ソフトウェアコーディングエージェントにおける境界逸脱動作を診断するために設計されたベンチマークおよび評価フレームワークであるSWE-Misbehaviorを導入しています。
Jeva: System One Models from First Principles
本論文では、低レイテンシな「システム1」意思決定タスク向けに、null認識、順列不変性、可変サイズの候補セット、キャッシュ可能な選択肢計算という4つの構造的要件に基づいて設計された意思決定ネイティブなアーキテクチャであるJevaを提案する。
QK-Edit: Revisiting Attention-based Injection in MM-DiT for Image and Video Editing
本論文では、マルチモーダル拡散トランスフォーマー（MM-DiT）におけるテキスト指示型の画像および動画編集のための学習不要（training-free）フレームワークであるQK-Editを提案する。
D2: High-Capability Full-Duplex Spoken Language Models from Half-Duplex Backbones
本論文では、事前学習済みの半二重（half-duplex）音声言語モデルを、細かい時間粒度で同時に対話の聞き取りと発話が可能な全二重（full-duplex）モデルへと変換するフレームワーク「Dialogue-to-Duplex（D2）」を提案しています。
Compositional RL: Evaluating and Training LLMs for Collaborative Reasoning
本論文は、言語モデルを単体での性能だけでなく、協調的なマルチモデルシステムをどれだけ向上させられるかによって評価すべきであると主張しています。
Monarch-Muon: Structure-Aware Muon for Fast and Memory-Efficient Pretraining
本論文では、Monarch構造化行列パラメータ化と、学習可能なMonarchブロックに直接適用されるMuon形式の行列認識型最適化を組み合わせたMonarch–Muonを提案しています。
IsoVRBench: Video Reward Modeling Without Human Feedback
本論文では、生成された動画の他の要素を固定したまま単一の属性のみを変更する制御された介入によって構築された、動画リワードモデリングのためのベンチマークであるIsoVRBenchを提案します。
Avoiding What Your Teacher Already Knows: Entity Familiarity for Deep-Search Distillation
本論文は、ディープサーチ蒸留における教師モデル相対的な難易度を研究し、構造的に複雑な質問であっても教師モデルが主要なエンティティをすでに知っていれば容易に解けてしまうと論じています。
Attention Sinks in VLMs Are Borrowed, Not Seen
本論文は、クエリの内容に関わらず特定の画像トークンが過剰にアテンションを吸収し、アテンションマップを歪めてしまうビジョン言語モデル（VLM）における視覚的アテンションシンク（visual attention sink）を調査しています。
Across Viewpoints and Time: Trajectory-Generalizable Physical Attacks on World Models and Video Understanding Models
本稿では、単一の印刷可能な敵対的テクスチャが、異種動画や制御されていない物体・カメラ軌跡全体にわたって有効性を維持しなければならない実践的な物理攻撃設定を調査しています。
Reference-Efficient Multimodal Bitstream-Corrupted Video Recovery via Depth-Conditioned Adaptation
本論文では、破損したRGBと時間的に整合し保護されていると仮定される補助深度ストリームをRGB動画とともに使用した、マルチモーダルなビットストリーム破損動画復元を研究しています。
LeHami: Symplectic Latent Dynamics for World Models
LeHamiは、標準的な制約のない自己回帰型予測器を、位置様成分と運動量様成分に分割された構造化潜在状態に対する行動条件付きハミルトンフローに置き換えたJEPAベースのワールドモデルです。
Small but Mighty: Test Suites as Improvement Signals for Self-Evolving Agents
本論文では、自ら記述したコードの書き換えを採用するかどうかを判断する必要がある自己進化型エージェントに向けて、改善シグナルとして機能するコンパクトかつ効果的なテストスイートを生成する方法を研究しています。
Co-adaptive Rule Routing and Constraining for Structured Knowledge Retrieval
本論文では、クエリとそれを裏付ける証拠を結びつける推論ルールが訓練データでラベル付けされていない状況における構造化知識検索を研究しています。
Probabilistic Multi-Source Data Selection via Learnable Categorical Priors: Variance Reduction and Guaranteed Derandomization
本論文では、ソースごとの予算制約の下で複数の不均一なデータソースから限られたサブセットを選択する、マルチソースのバイレベルデータ選択を研究しています。
Last Secure Code Benchmark: Is the Code You Vibe Secure?
本論文では、現実的な「バイブコーディング」ワークフローにおいて、コーディングエージェントが機能的かつ安全なコードを生成できるかを評価するために設計されたフレームワークであるLast Secure Code Benchmark（LSCBench）を提案しています。
アーカイブ
週次アーカイブ
15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。
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。