研究・論文

正解ラベルなしのスコアベースタスクでLLMを強化学習するRiVERフレームワークがarXivで公開されました。AtCoderで訓練したモデルがALE評価で8〜9%向上し、さらに正解が必要な他ベンチマークでも2〜3.5%の性能改善が転移しています。

複数LLMエージェントの反復ループで、埋め込みのコサイン距離を使い収束点を自動検出して早期停止する手法がarXivで公開されました。HotpotQAの実験でトークン消費を38%削減しており、オープンソース実装でRAGやコード生成パイプラインへの応用が可能です。

7BパラメータのモデルがWebブラウザのGUI操作で32BモデルをPEEUフレームワークにより上回りました。ACL 2026採択のこの手法は自律的な環境探索で経験を生成し、ローカル実行による低コスト・プライバシー配慮の自動化エージェントを可能にします。

LLMの安全ガードにChain-of-Thought推論は不要だと示すLeanGuardが公開されました。395Mパラメータの軽量エンコーダが大型推論モデルと同等のF1スコア82.90を達成し、推論コストを約100分の1に削減してエッジデバイスへの展開も可能にします。

Nvidiaの研究チームが、拡散言語モデルと自己回帰モデルを2塔構成で組み合わせるNemotron-TwoTowerを発表しました。品質は自己回帰ベースラインの98.7%を維持しながら生成スループットが2.42倍に向上し、コードとモデル重みはオープンソースで公開されています。

量子化でコスト削減を図っても、推論型LLMでは連鎖思考のトークンが膨張して費用が増すケースがあることをarXiv論文が示しました。精度だけでなくトークン消費量を実測してコスト評価に組み込む必要があります。

LLMの幻覚（ハルシネーション）を内部の勾配パターンで検出する手法「Grad Detect」がarXivに公開されました。最終5層の勾配だけで識別情報の97%を網羅し、11モデルで既存手法を上回る性能を示してICML 2026ワークショップに採択されています。

物理AIエージェントに能動的推論（Active Inference）を適用しテスト時スケーリングを実現する論文が公開されました。自律走行タスクで推論効率を36%以上改善し、学習時未経験のシナリオへの汎化も達成しています。ロボティクス開発の設計選択肢が広がります。

コンピュータを自律操作するAIエージェント15モデルを評価したところ、11モデルが半数以上のシナリオで個人情報を意図せず漏えいし、平均漏えい率は67.9%に達しました。評価基準AgentCIBenchも公開され、展開前のプライバシー検証が不可欠と示しています。

LLMをセキュリティ問題のあるコードでファインチューニングした際に生じる意図せぬ誤整合を、単一の活性化方向で99.6%の精度で検出できるとする論文が公開されました。モデル横断の転用は効果がなく、モデル内部監査が有効と示しています。