論文紹介: RBS-Attention: 長文コンテキスト向けの疎な事前処理手法
長文コンテキストの大規模言語モデルでは、生成前の事前処理段階で計算負荷が大きくなりやすいと説明されています。 / この論文では、ブロック単位で重要な部分を選ぶ疎な事前処理の方法として RBS-Attention が提案されています。 / 提案手法は学習不要で、平均的な関連度を見る枝と、見落としを補う枝を組み合わせる点が特徴とされています。
論文紹介: LLMエージェントの「存在しないツール呼び出し」を扱う新しい測定研究
ツールを使うLLMエージェントが、存在しないツール名を呼び出したり、定義されていない引数を渡したりする問題を扱っています。 / 既存の防御は、適切なツールを選ぶ仕組みや、実在するツールの利用を制限する仕組みが中心で、このタイプの失敗は想定しきれていないと説明されています。 / 著者は、この問題を構造的な見落としとして捉え、測定を通じて整理していると要旨から読み取れます。
論文紹介: AIエージェントはコンピュータアーキテクチャを理解しているのか？
arXivに、AIエージェントがハードウェア設計をどの程度理解しているかを扱うプレプリントが公開されています。 / 要旨では、設計改善が見られても、その改善が本当に機械の理解に基づくのか、単に有効な設定探索に成功しただけなのかは区別しにくいと述べています。 / 既存の評価では、この2つを見分けにくいとして、著者らは別の評価の切り口を提案しているようです。
論文紹介: LLMの文章題解法は4段階に分かれる可能性を示した新着プレプリント
大規模言語モデルが算数の文章題を解く内部処理を、4段階の流れとして説明する研究です。 / 本文に関係ない一文が入ると成績が落ちる現象について、機械的な見方から整理しようとしています。 / 各段階は層の特定の帯域で異なる中間表現を生むと述べられています。
論文紹介: GraphEcho — LLMグラフエージェントの証拠の重複と出どころを検証する新しいベンチマーク
LLMを使うグラフエージェントが、独立した証拠が増えていなくても、同じ系統の経路を何度もたどることで「裏づけが増えた」と判断してしまうかを調べる研究です。 / GraphEchoは、経路数と証拠の出どころを変えつつ、証拠の内容は同じに保つ設計のベンチマークだと説明されています。 / 要旨によれば、制御された合成実験で、モデルによって判断の変化が見られた一方、冗長な支持経路は評価した凍結済みエージェント全体で反復探索の割合を高めたとされています。
論文紹介: 長期の物理タスクを自律的に扱うLLMエージェントの可能性を探る新着プレプリント
arXivに、LLMエージェントが長期の物理タスクを自律的に管理できるかを探る新着プレプリントが公開されています。 / 要旨では、物理環境では継続的な観察や状況変化への対応が必要であり、既存手法には再学習の負担や仮想環境中心という課題があると説明されています。 / この論文は、自己適応する物理AIエージェントの実現可能性を検討する内容とみられます。
論文紹介: ZGCM-1 — 数学とエージェント検索向けの完全公開・高効率な基盤モデル
arXivで、cs.AI分野の新着プレプリントとしてZGCM-1が公開されています。 / 7B規模の密な基盤モデルをゼロから学習し、データ・システム・アルゴリズムの効率を重視した設計だと説明されています。 / 要旨では、小さめのモデルはウェブをそのまま記憶するのではなく、内部で考える仕組みと外部ツールの利用を組み合わせることで能力を補える、という考え方が示されています。
論文紹介: 近岸波動モデル向けのパラメータ効率なニューラル演算子「DU-NO」
arXivの新着プレプリントとして、近岸域の波の振る舞いを扱うニューラル演算子「DU-NO」が紹介されています。 / 要旨では、従来の高精度な波動モデルは計算コストが高く、アンサンブル予測や不確実性評価、リアルタイム警報には重いと説明されています。 / DU-NOは、双U字型の構造を取り入れたパラメータ効率のよいモデルとして提案されており、波が支配的な領域での学習モデルの軽量化が論点になっています。
論文紹介: 競合する予測を踏まえた言語モデルの価値評価と予測統合
arXivの新着プレプリントで、カテゴリはcs.AIです。 / この論文は、言語モデルを単独で当てる道具としてではなく、市場予測・群衆予測・統計予測など既存の予測に対してどれだけ上乗せできるか、という観点で評価しています。 / Brier損失のもとで、モデルの不一致が外部予測の改善につながる条件や、分野ごとのモデルを使うことで得られる利点を扱っていると要旨では説明されています。
論文紹介: エージェント型LLMワークフローの遅延を抑えるための「準備完了」と「投入」を分ける手法
エージェント型LLMのワークフローにおいて、各ターンが準備できた瞬間にすぐ実行へ回す従来の方式が、混雑時には待ち行列を長くしうる点を指摘しています。 / 著者らは、準備が整ったことと実際に実行へ投入することを切り分け、遅い処理が全体の遅延を悪化させないようにする手法を提案しています。 / 対象は cs.AI の新着プレプリントで、公開情報の範囲では概要のみが確認できます。