見出し・要約・本文から、情報のつながりを探します。
arXiv:2610.33005v1 発表タイプ：新規 要旨：エネルギー基盤モデルは、ドメイン固有のタスクにおいて有望な特性を示しているものの、汎用的なシナリオのモデリングには依然として課題が残っています。このギャップを埋めるため、私たちは基礎的な言語モデリング向けにエネルギー駆動型モデル（ESM）を設計しました。ESMは、エネルギーによる探索を活用してトークン生成を精緻化するため、エネルギー駆動とトークン生成を単一のアーキテクチャに統合しています。具体的には、まずエネルギー景観上での潜在状態を最適化し、次いでその精緻化された潜在状態を用いてトークン生成を行います。大規模コーパス上でこのようなエネルギー駆動型の事前学習を実施することで、ESMは一般的に有効なエネルギー景観を学習し、好ましいトークンが低いエネルギー値に対応することを確立します。ESMのスケーリング特性を検討するため、私たちはESMを事前学習させます
arXiv:2610.33063v1 発表タイプ：新規 要旨：展開された視覚モデルは、確信度の高い予測を自動的に受け入れるため、高確信度の誤りが静かに拡散してしまう。標準的な故障予測手法である最大ソフトマックス確率（MSP）には構造上の盲点がある。すなわち、分類器ヘッドから読み取られるスカラー値として、その確信度勾配に直交する特徴空間の変動に対して一階的に無力である。特徴空間上の検出器に関する要因分析を通じて、それらがMSPを補完できない理由を説明する条件付き冗長性原理を明らかにする。すなわち、それらが測定するクラス間分離の幾何学的特性は、既にMSPに符号化されており、融合によって崩壊してしまうのだ。そこで生き残る信号は、マンフォールド外の残差に対するクラス条件付き典型性であり、さらにこの残差の分布はバックボーンによって異なり、ほぼ正規分布から重い裾尾まで多様である。
arXiv:2610.33366v1 公表タイプ：新規 要旨：大規模言語モデル（LLMs）は、研究アイデアの生成や科学的発見を支援するためにますます活用されています。マルチエージェントによるディベートは、多様な視点を結集して研究アイデアを生み出す協調的な手法です。しかし、重要な課題は、各エージェントにそれぞれ独自で有意義な専門知識を持たせ、その貢献を適切に導く方法を見いだすことです。研究者が共同作業の過程で蓄積された研究成果を活用するように着想を得て、私たちはInsightAgentsというフレームワークを提案します。これは、関連論文のグラフからインサイトを蒸留することで、文献に基づいたエージェントの専門知識を構築するものです。研究の一貫性を追跡し、背後にある仮定を明らかにし、未解決の課題を特定するといったインサイトに導かれながら、ある研究分野において
arXiv:2610.33044v1 発表タイプ：新規 要旨：身体を備えた視覚言語モデルは、部分的で変化する観測情報から質問に答える必要があります。その成功は、選択される推論能力と、それに利用可能な証拠の両方に依存します。専門家ルーターは内部計算を適応させ、ツール拡張型システムは外部証拠を獲得しますが、これらを独立に選択すると、適切な専門家が必要な証拠を持たない状況が生じる可能性があります。私たちは、能力専門家、オプションの知識、および知覚ツールを共同で選択する制限付きフレームワークであるEKT-Routerを提案します。結果に基づくシグネチャは、一般推論、空間推論、時空間推論の各専門家の重なり合う強みを表現します。共同ユーティリティは、呼び出し予算の下で完全な専門家–証拠経路のスコアリングを行います。取得後、パケット検証器が有効なものを承認します
arXiv:2610.32103v1 発表タイプ：新規 要旨：創薬において、リード最適化では、透過性の向上や毒性の低減といった相反する特性を改善しつつ、リードの活性を損なう可能性のあるスケルトン変更を抑制しなければなりません。C-MORAL などの強化学習ベースのポストトレーニング手法は、分子言語モデルを微調整することで、関心のある目的に対して分子リードを直接最適化するというアプローチを採用していますが、これには高価なタスク固有のデータセットが必要であり、多目的最適化（MOO）の実現にも課題が伴います。我々は、事前学習済みモデルには、ゼロショット生成では効率的に到達できない有用な分子編集がすでに含まれている可能性があると主張します。ゼロショット生成の探索能力の限界に着目し、我々は効率的なメトロポリス・ハスティングス探索戦略を開発し、ベット
arXiv:2610.34521v1 発表タイプ：新規 要旨：主流のランタイム上のアクターフレームワークは、Erlang/OTPスタイルの監督を謳っていますが、OTPの整合性契約は同期的でシングルスレッドの監督者を前提としており、ポートもその前提の欠如を未検証のリスクとして引き継いでいます。私たちは、固定されたリビジョンにおけるさらに3つのRust製アクターフレームワークのソースと、文言通りに読んだOTPのドキュメントおよびソースコードを基に、各監督保証を評価し、それぞれの設計決定の裏付けとなる証拠を記録しました。盲目的な対抗審査とフレームワーク間の比較研究により、24種類の不具合クラスが浮き彫りになり、そのうち8つは単一の根本原因に帰着します。すなわち、同期的な監督者が暗黙的に得ているアトミック性を、明示的なメカニズムによって再構築している点です。私たちは、監督実行時環境を導入します…
arXiv:2610.32429v1 発表タイプ：新規 要旨：大規模言語モデル（LLM）エージェントは、サブエージェントが実行中にメインエージェントが作業を継続し、その結果が到着する前にタスク状態が変化することもあり、ますます非同期的にタスクを実行するようになっています。メインエージェントは、禁止された変更を避ける一方で、どの処理を更新または保持し、どのチェックを再実行すべきかを判断しなければなりません。タスクの最終的な成功だけでは、これらの結果が正しく処理されたかどうかを示すものではなく、自然な非同期的な到着パターンは再現が困難です。私たちは、LLMエージェントにおける非同期タスク実行のベンチマークであるAsync-RBenchを提案します。このベンチマークには、8つのシナリオを網羅する200の実行可能なタスクが含まれています。シナリオコントローラーは、事前に定義されたタスク状態条件に基づいて結果の配信を制御し、イベント応答契約（ERC）は各応答が何を意味するかを明示します
arXiv:2610.33279v1 発表タイプ：新規 要旨：はじめに：増加する個別症例安全性報告書（ICSR）の膨大な量は、薬剤監視における専門家主導の因果関係評価に大きな課題をもたらしています。私たちは、Naranjo法に基づく評価を行うための四つのエージェントから構成されるフレームワークであるMARCA（マルチエージェント検索強化因果関係評価）を開発し、人間の専門家との一致度およびRAGラベル付きスコアと非RAGラベル付きスコアの探索的差異を評価しました。方法：MARCAでは、Gemini 2.5 ProおよびDeepSeek-V3.2を用いて、科学文献の検索、医薬品ラベルの評価、客観的証拠の分類、臨床的因果関係の推論を統合しました。各エージェントが生成した根拠は、人間による補助的なスコアリングに反映されました。FAERS（2025年第1四半期～第2四半期）から収集された215件のICSRおよび1,562件の薬剤-事象組み合わせ（DEC）を対象とした、合意に基づく専門家基準が設定されました。Ag
arXiv:2610.33006v1 発表タイプ：新規 要旨：Transformerベースの大型言語モデル（LLMs）は、コンテキストサイズが増加するにつれて計算負荷とメモリ消費が大幅に増大するため、推論前にコンテキストをより短い表現に圧縮する手法が求められています。既存のソフトプロンプト圧縮手法は、通常、対象モデルと同じTransformerバックボーンを用いており、圧縮表現の生成には大きなレイテンシオーバーヘッドが生じます。このため、これらの手法は、コンテキストを一度圧縮して多数のクエリで再利用するオフライン環境に限定されています。私たちは、Mamba状態空間モデル（SSM）に基づくプラグアンドプレイ型のオンラインコンテキスト圧縮器「Boa Compressor」を提案します。これは任意長のコンテキストを単一の線形時間のパスで符号化し、その結果得られた表現を基に…
arXiv:2610.33012v1 発表タイプ：新規 要旨：ツール利用を備えた大規模言語モデル（LLM）エージェントは、同一の状態から独立した実行を行った際、異なるツールを呼び出したり、矛盾する出力を生成したり、互いに異なる戦略を採用したりと、一貫性のない挙動を示します。この変動性は時間の経過とともに累積し、デプロイメントの信頼性を損ないます。既存の評価指標は主に完了ベースのスコアによってタスクの正しさを測定しており、実行間におけるエージェントの振る舞いの一致性を捉えられていません。一方で、エージェントの振る舞いは、確率分布を用いたトークンレベルでの分析や、意味クラスタリングによる単一応答レベルでの分析が行われていますが、いずれも軌跡上の将来のターンにわたって不一致がどのように伝播していくかを捉えることはできません。そこで私たちは、Recursive Semantic Divergence（RSD）という手法を提案します。これは未使用の…
arXiv:2610.33258v1 発表タイプ：新規 要旨：コンテンツモデレーションは、何十億ものアイテムに対して、最先端のLLMを個々の投稿に適用するのは経済的に非現実的である規模で、段階的かつ議論の多い人間の判断をバイナリ的な行為（掲示のまま／削除）へと圧縮します。新たな種類の凍結型「System One」モデルは、1回あたり約0.000025米ドル、処理時間約100ミリ秒で、テキストではなくタイプ付き・校正済みの意思決定を返します。私たちは、そのようなモデルの一つについて、人間がラベル付けした142,658件のコメントを対象とした初の独立審査を実施し、共有プローブセット上で14の最先端推論モデル（GPT-5.x、Claude、Gemini 3、およびGrokファミリー）と比較評価を行いました。二つの重要な発見が際立ちます。第一に、この安価なモデルは精度面で競争力があり、ゼロショット分類のAUROC値（0.83）は統計的に有意な差異が認められず（ペアドブートストラップ、n=56；等価性を棄却できない結果、つまり
arXiv:2610.33007v1 発表タイプ：新規 要旨：統合された地上系および非地上系（TN/NTN）6Gネットワークにおける自然言語によるサービスインテントは、不完全であったり曖昧だったり、一貫性を欠いていたりするため、信頼性の高いネットワーク向けオーケストレーションを実現するには、制約のないLLMによる生成が困難です。本論文では、文法に基づく制約付き意味解析と知識グラフ（KG）駆動型の明確化ループを組み合わせた、知識主導型LLMフレームワークを提案し、代表的な4つのサービスクラスにわたって検証済みでオーケストレーションに適したサービスプロファイルを生成します。200サンプルからなるインテントデータセットにおいて、このフレームワークは89％の分類精度と95％のポリシー妥当性を達成し、リクエストあたり平均0.66回の明確化ターンを実現しました。純粋なLLMベースラインと比較すると、提案するフレームワークはポリシーの妥当性を向上させ、共…
arXiv:2610.33038v1 公告タイプ：新規 要旨：大規模言語モデル（LLMs）によって生成された胸部コンピュータ断層撮影（CT）レポートには、スキャンに局所的な証拠が存在しないにもかかわらず陽性所見を記載するものがある。我々は、レポート生成後にこれらの所見を検証するためのEviGround-CTを提案する。決定論的抽出器が陽性所見の文を特定し、3Dグラウンディングモデルが各文に対応する証拠マスクを予測する。全文を使用することで、解剖学的位置、側方性および記述的修飾語をグラウンディングクエリに保持できる。我々はCT-RATE上でレポート生成を評価し、さらにホールドアウトした100症例からなるReXGroundingCTサブセットにおいてグラウンディングと検証を行った。利用可能なアノテーションを用いることで、文単位でグラウンディングを行う検証手法により、証拠に基づく精度（ESP）は、抽出された137件の対象範囲内において0.263から0.365へと向上した。
arXiv:2610.33371v1 発表タイプ：新規 要旨：事後学習の過程で、大規模言語モデル（LLMs）は、異なる人口統計グループに関連する意見が不均衡な割合で含まれるコーパスから価値観の好みを学習します。こうした不均衡が増幅されることで、一部のグループの意見がさらに過小評価される可能性があります。しかし、意見の混合状態が事後学習の各経路において価値観の好みにどのような影響を及ぼすのかは依然として不明です。この疑問に答えるため、私たちは、異なる意見の混合状態を持つ事後学習用コーパスと、SFT、DPO、GRPOに基づく5つの事後学習経路を用いた制御実験を行いました。その結果、事後学習によって意見の不均衡が各経路ごとに異なる形で増幅されることが明らかになりました。一度価値観の好みが増幅されると、さらなる事後学習によってそれを除去できるかどうかは、事後学習の
arXiv:2610.33014v1 発表タイプ：新規 要旨：交渉支援システムは、相手の反応を正確に予測しなくても良好な取引を成立させることができる。そこで、社会的世界モデルに対する評価がその予測を直接検証しているのかという疑問を提起する。1999年から2026年にかけて発表された113件の研究を調査したところ、9件の主要な評価では、システムまたは実験者が選択した行動に対する実際の人の反応が測定されていた。そのうち、明示的な反応予測と実際の反応を比較しているのはわずか2件であり、しかもそれらの予測手法は行動選択時に利用可能な情報を用いており、評価対象の反応は適合過程から除外されていた上、介入手法もランダム化されていた。さらに、言語モデルに関する25件の研究について全文を個別に確認した結果、これらの条件を満たす実験は見当たらなかった。他の評価は、現状推論やタスク成功、あるいは予測機能の評価を行っているにすぎない。
arXiv:2610.33237v1 発表タイプ：新規 要旨：言語モデルは、十分な証拠があるかどうかをどのように判断できるのでしょうか。多くの場合、言語モデルは与えられた証拠が不十分であっても回答してしまいます。回答するべきか、あるいはさらに証拠を集めるべきかを決めるには、利用可能な証拠のもとで回答が正しい確率を正確に推定することが必要です。しかし、これまでの校正研究の多くは入力を固定したまま扱い、証拠の変化に応じてこの推定値がどう変わるべきかについては議論していませんでした。そこで私たちは「証拠状態校正」を提案します。これは、回答前のモデルの信頼度が、その回答が正しい確率と一致し、証拠がその確率を変えるたびにそれに応じて調整されるように求められる手法です。さらに、私たちは\ours{}（Suffi**ci**ency **C**onfidence **E**stimation）を提案し、これを微調整することで
arXiv:2610.33440v1 公告タイプ：新規 要旨：既存の質問応答データベースから医療用言語モデルを適応させる際、コンパクトな学習サブセットを選択することは重要なステップである。本研究では、最終層表現に対するガウス分布による摂動から導かれる二つの指標—予測変化頻度と非フリッピングマージン収縮—を用いた摂動ベースのデータ選択手法を検討する。共通のエントロピーによる事前フィルタリングを経た後、表現感度優先順位付け（RSP）は自動的な平方平均スケーリングによりこれらの指標を組み合わせる一方、RSP-Dropは収縮のみに基づいて候補をランク付けする。両手法とも、選択時には質問と回答選択肢のみを用いる。我々は、MedGemma-4Bを用い、保持セットのサンプル数が64、128、256の各条件下で、5つの医療質問応答データセットに対して評価を行った。主なサンプル数128の条件下では、
arXiv:2610.33442v1 公開タイプ：新規 要旨：大規模言語モデル（LLMs）は、ハルシネーションや推論エラーを含む信頼性に関する問題に脆弱であると報告されています。既存の品質検出器は、内部表現に基づいて信頼性の低い出力をある程度の精度で予測できます。しかし、これらの検出器を訓練するには、多くの場合、特定分野に特化した大量のラベル付きデータが必要であり、そのため新たな分野への適用が制限されます。私たちは、この課題に対処するために、関連する複数の分野間で表現シグネチャーを転送することを提案します。具体的には、まず各分野ごとに低次元のシグネチャーを抽出し、次にクロスフィッティングを用いて、分野固有の予測器の組み合わせ重みを学習する統計的枠組みを構築します。この重みは、各ソース分野における予測の重要性に応じて適応していきます。
arXiv:2610.32322v1 発表タイプ：新規 要旨：LLMエージェントは、最大約10万件のエントリーを保持し、多数のモデルにサービスを提供する公開ハブからスキルを取得します。モデルが進化するにつれて、ハブは特定のモデルが既に内蔵しているスキルを見出し、そのモデルにとってそれらが不要になったことを示すためにそれらのスキルを廃止しなければなりません。しかし、内蔵の度合いはこれまで知られている信頼性で測定されていません。既存のルールでは、スキルを有する場合と無する場合の実行結果を比較し、その差分のみを基準としてスキルの廃止を判断しています。ところが、内蔵されたスキルの場合も、モデルもスキルもその能力を発揮しない状態（我々はこれを「未解明」と呼んでいます）でも、得られる効果はほぼゼロです。そこで、私たちはむしろそのスキルを保留し、それに基づいて合成されたタスクにおいてモデルを評価し、別のモデルがそのスキルによって得点を上げる場合にのみ、補助なしでの高得点を信頼することにしています。なぜなら、高得点のほぼ半数は、何らかのタスクに基づくものであり、
arXiv:2610.33475v1 発表タイプ：新規 要旨：クラウドデータセンターにおける基盤となる大規模言語モデル（LLM）の広範な導入は、ステートレスなディープラーニングから分散型でメモリ集約的な生成ワークロードへと、根本的なパラダイムシフトを示しています。しかし、厳しいサービスレベル目標（SLO）の下で巨大な基盤モデルを運用するには、重要な物理的およびシステム上のボトルネックが露呈します。これらの課題には、依然として克服されていない高帯域幅メモリ（HBM）の壁、計算負荷に依存するプリフィル処理とメモリ帯域幅に制約されるデコードとの間の運用上の非対称性、急増するキー・バリュー（KV）キャッシュの膨張、コスト面で非常に負担の大きいサーバーレス環境でのコールドスタート、さらにはハードウェアの信頼性に関する脆弱性などが含まれます。既存の文献レビューは依然として層ごとの分断状態にあり、低レベルのアクセラレーター仮想化とクラスター間の連携が切り離されたままです。
