見出し・要約・本文から、情報のつながりを探します。
arXiv:2610.32107v1 発表タイプ：新規 要旨：会話に参加する際には、何を話すかを決めるだけでなく、そもそも話すべきかどうかを判断することも重要である。特に、参加者間の利害が対立するウルフゲームのような環境では、発話と沈黙の両方が他者によって解釈・評価されるため、この判断は一層重要な意味を持つ。したがって、ウルフゲームをプレイするLLMエージェントにとって、何を話すかだけでなく、いつ話すかを決定することは極めて重要である。本研究では、AIWolfDial共有タスクの「Anytime Utterance Track」向けに開発されたウルフゲーム用AIエージェントを紹介する。本システムは、会話中の発話タイミングを内面的思考の生成と各思考の価値評価に基づいて決定する既存のInner Thoughtsフレームワークを基盤として構築されている。
arXiv:2610.31726v1 発表タイプ：新規 要旨：効果的な人間と機械のチーム編成には、予測不可能な人間のパートナーと協調できるエージェントが必要である。実際の人間からのフィードバックや大規模な行動データセットを用いた強化学習はコストが高く、一方でシミュレーションのみによる訓練では人工的な慣例に過剰適合し、現実の人間とのゼロショット協調において失敗してしまう。我々は、認知的に制約されたパートナーに対してチーム編成エージェントを訓練するためのフレームワークを提案する。このフレームワークでは、報酬設計や過去の訓練チェックポイントではなく、人間の生理学的文献に基づく手続き上の制約（特に反応遅延や知覚限界）から生じる多様性を持つシミュレートされたパートナーを用いる。改良版のルナランダー環境において、これらのパートナーはより…のように振る舞うことを示す予備的な証拠を報告する。
arXiv:2610.32720v1 発表タイプ：新規 要旨：低軌道（LEO）衛星メガコンステレーションは、遅延が極めて重要な地球中心型アプリケーション向けに軌道上のエッジコンピューティングを実現するが、衛星の運動により視線通信の窓はわずか数分間にまで圧縮される。論理的な地理的近接性を維持するため、仮想的静止性（VS）と呼ばれるパラダイムでは、アプリケーションはコンステレーション内を通過する衛星間を継続的に移動しなければならない。従来のライブ移行メカニズムは、個別に開始されたリロケーションや複製を最適化するものだが、軌道運動によって必要とされる連続的なホスト間の引き継ぎには対応していない。我々は、ライブ移行を定常状態の実行モデルとして再定式化し、新たな仮想的静止性ランタイムパラダイムを提案する。さらに、連続的な移行の実現可能性を形式的に定式化し…
arXiv:2610.32027v1 発表タイプ：新規 要旨：HPCクラスターは多くのプロジェクト間で共有されており、各プロジェクトにはノード時間の割り当てが与えられていますが、その公平性を確保することはますます難しくなっています。ファウンデーションモデルによるワークフローや自動化パイプラインの登場により、ジョブの提出はバースト的かつ一部の利用者に集中するようになり、少数の頻繁な利用者が引き起こすキュー待ちを、他の利用者はその長さを知ることなく受け入れざるを得なくなっています。既存のスケジューラーは、過去の使用状況を無視したり、キュー先頭のジョブのみを優先保護したり、実行中のジョブはプリエンプト可能であると仮定したりしています。そこで私たちは、HyDRAを提案します。これはハイブリッドな締め切りとランキング意識型のスケジューラーであり、すべてのユーザー間の公平性を保ちつつ、各ジョブのキュー待ち時間を制限します。HyDRAは、ジョブのサイズや所属プロジェクトの優先度に基づいて、到着時に各ジョブに締め切りを設定します。
arXiv:2610.32055v1 発表タイプ：新規 要旨：大規模言語モデル（LLMs）は、客観的な事実や推論に関するタスクにおいてさえ、ユーザーの提案に合わせて回答を変更する「迎合性」をしばしば示す。しかし、この影響の定量的形態や、それが情報源の信頼性に適切に校正されているのかどうかについては、依然として十分に解明されていない。本研究では、MMLUの質問に対するヒントによる回答の変化を通じてこの行動を検証し、「[情報源]は答えが(X)だと思っている」という形式のプロンプトを評価した。さらに、ヒントの帰属先である情報源（教授、友人、あるいは犬）をQwen、Gemma、SmolLMという3つのオープンソースモデルファミリー間で系統的に変化させた。その結果、ヒントによって引き起こされる変化には、指数関数的な傾きによってよく特徴付けられる予測可能な構造が存在することを示した。すなわち、ヒントは
arXiv:2610.31863v1 公告タイプ：新規 要旨：農業機械がインテリジェントなオフライン支援を実現するには、システムが技術文書に動的にアクセスできる必要があります。本論文では、ISO 11783ベースのCANバス上での操作マニュアルのセマンティック同期について分析を行いました。これは、トラクター側のアシスタントのローカル知識ベースと、接続された作業機の操作マニュアルとの間で整合性を図るプロセスとして定義されます。データ転送性能はMarkdown、JSON、XMLを用いてベンチマークされ、また、複数のオープンウェイトの大規模言語モデル（LLM）を用いた多言語クエリタスクについても評価を行いました。回答の自動評価は、4名の人間評価者による検証によって裏付けられました。完全なマニュアルは、物理的なISO 11783ネットワーク上で、状況に応じて31秒から89秒の間に転送されました。
arXiv:2610.31721v1 発表タイプ：新規 要旨：評価コストが高く、複雑な制約条件下で高次元の物理系を最適化することは、科学および工学における中心的な課題である。オフラインのモデルベース最適化（MBO）では、テスト時に真の目的関数にアクセスできない状況下で、固定されたデータセットのみを用いて設計を改善しなければならない。しかし、既存の手法は一般的に保守的すぎる、代理モデルの無制限な活用、あるいは精密な物理的目標に対して候補を精緻に修正できない静的な推論時サンプリングとして機能するといった問題を抱えている。本稿では、確定的サンプリングにより逆ノイズ除去チェーンが条件付信号に関して微分可能となるという事実を活用した、オフラインMBO向けの微分可能な拡散条件付け（D2C）を提案する。D2Cは…
arXiv:2610.31966v1 発表タイプ：新規 要旨：文脈内学習におけるデモンストレーションは、しばしば意味的類似性によって取得されるが、これは構造化予測における関連性を十分に反映しない場合がある。本研究では、POSシグネチャーに基づくポリシーを用いて、Universal Dependenciesの構文解析におけるデモンストレーション選択を検討した。このポリシーは文を重み付けされた品詞統計で表現し、ラベル付き訓練分割から長さが一致するゴールド解析済みの例を3つ取得する。我々は、微調整を行わないオープンウェイト言語モデル2種をUD English Web Treebankテストセットの全2,077文に対して評価し、ショット数やフォーマットが一致する固定および意味的3ショットベースライン、さらにゼロショット、チェーンオブソート、クリティック・リファインメントシステムと比較した。POSシグネチャーによる検索は、最も高いラベル付きアタ
arXiv:2610.31701v1 発表タイプ：新規 要旨：企業顧客の購買体験は、製品体験やマーケティングだけでなく、繰り返し行われるリソース配分の意思決定によっても形成されます。B2Bの市場参入（GTM）組織においては、テリトリーデザインが、どのアカウントにセラーのカバレッジを提供するか、どのセラー–アカウント関係を維持するか、そして限られたフィールドキャパシティをどのように配分するかを決定します。しかし、このプロセスは多くの場合手作業で行われるため、機会の比較や価値の継続性の評価、さらには成長・バランス・キャパシティ・実現可能性といった要素間のトレードオフの検討が困難です。本稿では、企業向けGTM計画におけるトレードオフ意識型の顧客–セラー割り当てを支援する運用意思決定システムを提案します。本システムは、予測信号を統合してスコアリングを行う多次元アカウント価値層を含む三つの主要コンポーネントを組み合わせています。
arXiv:2610.32045v1 発表タイプ：新規 要旨：AI-for-Scienceエージェントは、科学的仮説の立案、自律型実験の実行、および証拠の解釈にますます活用されています。これらのエージェントは、大規模言語モデル（LLM）をドメイン固有のエージェントハーネスに統合することで構築され、その結果、LLMの科学的能力が向上し、モデルが科学ツールを調整・運用できるようになります。本研究では、LLMをAI-for-Scienceエージェントハーネスに統合した際、モデルの安全性が維持されるかどうかを検討します。5つのエージェントハーネスを対象に、50件の有害な化学関連リクエストについて評価を行いました。具体的には、直接的なプロンプト入力、2種類の単純な敵対的プロンプト戦略、および適応型攻撃の条件下で、安全性の挙動がどのように変化するかを調べました。最近のGPT系モデル4種類において、我々の結果は示しています
arXiv:2610.31846v1 発表タイプ：新規 要旨：知的エージェントは自らのミスから学び、経験を通じて継続的な改善を図るべきである。しかし、今日のエージェントはミスから回復しても、その効果は一時的でしかない。文脈内での振り返りはセッション間で容易に忘れられ、限られた文脈資源と競合する一方で、パラメータ全体の微調整はコストが高く、既存の能力に干渉するおそれがある。そこで私たちは、一時的な文脈内再試行とポリシー更新の利点を組み合わせた、エージェントがミスから学ぶための仕組み「Self-Direction」を提案する。エージェントがタスクに失敗した際、自身の行動経路を振り返って教訓を抽出し、それを即座に軽量な低ランクアダプターへと凝縮する。元の重みを固定することで、Self-Directionはアダプターの学習による上書きを防ぎ
arXiv:2610.32128v1 発表タイプ：新規 要旨：RAGやリトリーバル増強型少人数ショットICLは、意思決定に重要な証拠が長くノイズの多い文脈の中に埋もれている場合、性能が低下することがあります。取得されたパッセージやデモンストレーションには、冗長な情報や注意を逸らす要素が含まれる可能性があります。専門家によってラベル付けされた開発例は、各決定を支えるテキストを特定できるものの、これらのアノテーションは通常、回答側の根拠としてのみ利用され、ノイズの多い検索結果をフィルタリングするための監督信号としては用いられていません。そこで私たちは、生の取得パッセージを生成された目標条件付き証拠要約に置き換えるシルバーエビデンス・デモンストレーションを提案します。各ラベル付き開発例について、LLMは専門家のラベルやゴールドエビデンスにアクセスせずにシルバーエビデンスを生成し、これを専門家のラベルと組み合わせます。
2026年10月26日付のarXivに掲載された最新の研究（arXiv:2610.31821v1）によれば、古典アラビア詩の検索タスクにおいては、ユーザーの詩句の記憶残存度（例えば半行を覚えているかどうか）が、モデルの性能よりも検索精度を決定する上でより重要な要因であることが示されています。BM25は、「舌尖効果」系のクエリでは、8Bパラメータの最先端モデルを含むすべての稠密符号化器を上回る一方で、抽象的なクエリでは大きく劣後することが明らかになりました。
注目する理由：本研究は、二重コーパス、三重インデックス方式、および二重評価プロトコルによる体系的なベンチマークテストを通じて、クエリの抽象度が異なる検索パラダイム（形態素ベース対稠密ベクトル）に与える支配的な影響を初めて定量的に明らかにし、人間のアノテーターとオープンソースの重み付けモデルによる二重検証を経て、その結論は方法論的普遍性と実証的堅牢性を備えている。
arXiv論文（2610.31678v1）は、対話型の大規模言語モデルの評価において、自動スコアラーの全体的な正答率やF1スコアだけに依存すると、プロンプト固有の誤りが隠れてしまい、プロンプト効果の誤った判断につながると指摘している。実証結果では、同一のスコアラーでも異なるプロンプト条件下で偽陽性率に大きな差（2.6%～33.3%）が生じ、表面的には有意と見られる9.3ポイントの効果も、二重のLLMによるレビュー下では2.3ポイントに縮小し、統計的に有意ではなくなった。
注目する理由：本研究は、実際の実験データ（6つのモデル、180個の架空のエンティティに関する質問、6種類のプロンプト条件）に基づき、現在のLLM評価において広く見られる方法論上の欠陥——すなわち、スコアラーの全体的な性能を重要な比較タスクにおける信頼性と同一視する——を明らかにしています。その核心的な主張（各プロンプトを個別に検証し、不確実性を考慮に入れる必要がある）は、明確な実証的根拠と実践的な提言に裏打ちされており、発表日（2026年10月26日）も新鮮で、出典も信頼できるarXivプレプリントプラットフォームです。
arXivで2026年10月26日に公開された論文「MisconceptDialogue: Evaluation Criteria Shape Measured Success in LLM Math Tutoring」は、MISCONCEPTDIALOGUEという自動評価フレームワークを提案し、5,000回超の対話に基づいて、数学チューターとしての性能を評価するため、7B～14B規模のオープンソース小パラメータLLM 5種類をテストしました。研究結果によると、主流の正確一致（exact-match）評価手法では救済成功率が42.1%にとどまる一方で、人間による校正を経たLLM審判による同一対話の評価では81.3%に達し、その差は39.2ポイントに上りました。しかもこの偏差は偶然によるものではなく、4種類のLLM審判と200件の人工ラベル付け結果との間で高い一致性が確認され（kappa値は最大0.91）、さらにモデルは診断情報（正しい／誤った概念）に対する応答にほとんど差がないことから、診断入力を有効に活用できないことが示されました。
注目する理由：本研究は、現在のLLM教育応用における評価手法の根本的な欠陥を明確に指摘している。すなわち、単一で硬直的な自動採点に依存することは、実際の能力評価を大きく歪めてしまうおそれがあることである。さらに、大規模なシミュレーション実験の設計、複数の評価者による収束検証、ならびに診断と指導の連携の不備に関する実証を通じて、AI教育評価の標準化に向けて重要な警鐘と再現可能な方法論的基準を提示している。
2026年10月24日、研究者はarXivに論文arXiv:2610.30841v1を公開し、テキスト・画像・音声の三モーダルな協調による曖昧さ解消能力を評価するための新たな評価フレームワークであるTRIADベンチマークを正式に発表しました。このベンチマークは、手作業で構築された327件の三モーダルサンプルを含み、86のシナリオグループと18種類の跨モーダルな曖昧さのタイプを網羅しています。
注目する理由：この成果は、現在の多モーダル大規模モデル評価における核心的な盲点を直接突いています。すなわち、既存のベンチマークでは、多焦点かつ確定的な入力条件下での知覚や推論にのみ注目しているのに対し、TRIADは初めて「モーダル補完による曖昧さ解消」を評価目標として体系的に設定しました。厳密に設計された留一モーダル反事実テストを通じて、モデルが特に音声に対して十分に活用されていないことや、シーンレベルでのロバスト性が脆弱であるといった重要な欠陥を明らかにし、次世代の全モーダルモデル評価に向けて再現可能な診断プロトコルと分類法を提供しています。
2026年10月24日、arXivは論文arXiv:2610.30705v1を公開し、因果推論型デコーダーに基づく大規模言語モデル向けの後訓練フレームワークであるULMEを提案しました。この手法は、予測的結合（predictive coupling）メカニズムを用いることで、テキスト埋め込みと言語生成能力を相互に強化しつつ統合することを初めて実現しました。本手法はQwen2.5/Qwen3シリーズ（0.5B～8Bパラメータ）において有効性が確認されており、MTEBスコアで3.3～4.1ポイントの向上を達成するとともに、生成タスク（MMLUなど）の性能も低下させませんでした。
注目する理由：本論文は、現在の多モーダルLLMにおける能力の断片化という核心的な問題を正面から指摘している。すなわち、埋め込みと生成は長らく独立したモデル、あるいはパラメータのみを共有する“疑似統一”モデルによって担われてきた。ULMEは、学習可能なスロットと三目標による共同学習（ストップグレード付き予測損失を含む）により、生成プロセスが埋め込み表現を能動的に形成する仕組みを実現しており、アーキテクチャレベルでの実質的な飛躍である。実験の範囲は広く、ベースラインも強力で、評価指標も網羅的であり、さらに権威あるプレプリントプラットフォームに公開されているため、タイムリーさと技術的厳密性の両面を備えている。
2026年10月24日、研究者はarXiv（ID 2610.30828v1）にTutorCaseBenchを公開しました。これは、教育学・教育心理学・特別支援教育の実際の事例に基づいて構築された、LLMによる家庭教師評価のベンチマークであり、学習や行動に困難を抱える学生を支援する能力に焦点を当てています。このベンチマークは923件の対話から構成され、5種類の問題行動をカバーしています。評価は、オープンエンド生成（1,560問）と多肢選択式（2,537問）の二軌道で行われます。最先端の11の大規模言語モデルのうち、最も優れたモデルであっても、オープンエンド問題のわずか55.8％においてのみ評価基準を満たしました。
注目する理由：本研究は、既存のAIによる教育評価が特殊なニーズを有する学生の行動の複雑性を軽視しているという重要な空白を埋めています。方法論としては、エビデンスの追跡を重視し（定性的事例研究＋出典に基づく評価基準）、データはすべてオープンソースで公開されており、再現性と教育実践への関連性を備えています。結果は、現在のLLMが文脈に応じた応答生成において顕著な課題を抱えていることを明確に示しており、教育分野におけるAIの実装に対して警鐘を鳴らすとともに、指針としての価値を有しています。
2026年10月24日、arXivは論文arXiv:2610.30504v1を公開し、新しい日本語ベンチマークであるJSFactCheckBenchを紹介した。このベンチマークは、事実検証評価における三大設計要素（質問の関連性、判断基準、証拠の出所）を初めて明確に定義しており、LLMが日本のソーシャルメディア上の誤情報に対して生成した回答に基づく1,913件の声明を網羅している。さらに、参照時点において事実性と重要性の両面で事前選定されたウェブ情報源に対する二重ラベル付けを実施している。
注目する理由：本研究は、既存のLLM事実検証評価ベンチマークが評価条件を明示的に規定していないという空白を埋めました。構造化されたアノテーションを通じて、主流モデルにおける直接回答型の声明検証、長文・多ソースの位置特定、文脈依存性などの面での体系的な弱点を明らかにし、さらにすべての発見はベンチマークによるアノテーション条件の透明な記録に依拠しているため、方法論的な革新性と実証的価値を有しています。
本研究では、Arena-Hard v2.0のプロンプト500件を用い、2つのモデルによる回答を固定したうえで、GPT-4.1を審判として8種類の指示組み合わせ下で繰り返し評価を行った。その結果、集約スコアの変動がわずか（例えば±1ポイント）であっても、個々のプロンプトごとの判定結果（勝/引き分け/敗）が最大21.2%で変化することが明らかになった。さらに、指示の調整により不安定性は一層拡大し、最大で28.2ポイントもの追加の判定変動が生じる一方で、集約スコア自体はほとんど変化しない場合もあることが示された。
注目する理由：本研究は、現在のLLM評価実践における核心的な盲点——集約スコアへの過度な依存と、個々の判定の再現性および指示依存性の無視——に鋭く切り込み、嗜好モデリングやヒューマン・フィードバック強化学習（RLHF）など、細粒度の判定を必要とするタスクに対して重要な方法論上の警鐘を提示する。
