再帰的にマルチエージェント協調をスケールするRecursive Multi-Agent Systemsが123票で首位。テスト駆動データエンジニアリングでLLMを自己改善させるProgramming with Dataが70票、実世界データ可視化エージェントベンチマークDV-Worldが37票を記録し、エージェントのスケーリングと学習基盤の革新に注目が集まった。
注目論文
Recursive Multi-Agent Systems
著者: Xiyuan Yang, Jiaru Zou, Rui Pan et al.
再帰的・ループ型言語モデルが同一モデルの計算を潜在状態上で反復的に洗練することで推論を深化させる「新しいスケーリング軸」として注目されている。本研究はこのスケーリング原理を単一モデルからマルチエージェントシステムへと拡張し、エージェント協調自体を再帰的にスケールできるかを問うた（123 upvotes）。
新規性: ループ型モデルにおける反復的洗練の原理をマルチエージェント協調に一般化した初の試み。単一エージェントの能力向上ではなく、エージェント間の協調プロセス自体を再帰的に深化させることで、パラメータ増加なしに推論性能を向上させる新たなスケーリング次元を開拓した。
手法: 複数のエージェントが同一の推論タスクに対して反復的に協調し、各ラウンドで互いの出力を参照して自身の推論を洗練する。この再帰的協調プロセスにより、個々のエージェントの能力を超えた推論深度を達成する。従来の固定回数のエージェント間対話とは異なり、協調の深さ自体がスケーリング可能な変数として機能する。
Programming with Data: Test-Driven Data Engineering for Self-Improving LLMs from Raw Corpora
著者: Chenkai Pan, Xinglong Xu, Yuhang Xu et al.
テキストから専門的な人間知識をLLMに移転することはAIの根本的な課題である。ドメインコーパスでのファインチューニングは能力向上をもたらすが、モデルがドメインタスクで失敗した際にどのデータが不足しているかのフィードバックなしに動作している。本研究はテスト駆動データエンジニアリングにより生コーパスからLLMを自己改善させる手法を提案した（70 upvotes）。
新規性: ソフトウェア工学のテスト駆動開発をLLMの学習データキュレーションに応用した概念的革新。モデルの失敗パターンをテストケースとして活用し、失敗を修正するデータを生コーパスから自動的に選択・構造化するフィードバックループを構築した。
手法: モデルの能力をドメインタスクのテストスイートで継続的に評価し、失敗したテストケースに基づいて生コーパスから関連する訓練データを自動抽出・整形する。このサイクルを反復することで、手動のデータキュレーションなしにドメイン特化の知識獲得を自動化する。データの品質と関連性がテスト結果によって客観的に検証される点が従来のデータ選択手法との本質的な差異である。
DV-World: Benchmarking Data Visualization Agents in Real-World Scenarios
著者: Jinxiang Meng, Shaoping Huang, Fangyu Lei et al.
実世界のデータ可視化（DV）にはネイティブ環境でのグラウンディング、クロスプラットフォーム対応、プロアクティブな意図推定が必要である。しかし既存ベンチマークはコードサンドボックスに閉じ、単一言語の作成タスクのみで、完全な意図を前提としている。本研究はこれらのギャップを埋めるDV-Worldを導入した（37 upvotes）。
新規性: データ可視化タスクを実世界のネイティブ環境（Excel、Jupyter、Webダッシュボードなど）で評価する初の包括的ベンチマーク。作成だけでなく編集・デバッグを含むクロスプラットフォームタスクと、不完全な指示からの意図推定を評価対象に含めた。
手法: 多様なプラットフォーム上での可視化タスクを実環境で実行・評価するフレームワークを構築。意図の曖昧性に対するプロアクティブな質問生成、既存可視化の理解と修正、マルチステップのデバッグなど、実務で求められるスキルを体系的に評価する。エージェントは実際のアプリケーション環境と対話しながらタスクを遂行する。
AutoResearchBench: Benchmarking AI Agents on Complex Scientific Literature Discovery
著者: Lei Xiong, Kun Luo, Ziyi Xia et al.
自律的科学研究はAIエージェントの発展により大きく進歩しているが、適切な科学文献を発見する能力の評価は体系化されていなかった。本研究は複雑な科学文献探索におけるAIエージェントの能力を評価するAutoResearchBenchを導入した（25 upvotes）。
新規性: 科学文献探索を「既存知識の調査」と「仮説検証のための証拠収集」の両面から評価する初の体系的ベンチマーク。単純なキーワード検索ではなく、研究問題の理解・検索戦略の立案・結果の統合という多段階プロセスを評価対象とした。
手法: 研究問題に対して関連文献を探索・抽出・統合するパイプライン全体をエンドツーエンドで評価する。探索の網羅性、抽出された情報の正確性、仮説検証への適合性を多角的に測定し、現行のAIエージェントが科学文献探索のどの段階でボトルネックを抱えているかを特定する。
Meta-CoT: Enhancing Granularity and Generalization in Image Editing
著者: Shiyi Zhang, Yiji Cheng, Tiankai Hang et al.
統合マルチモーダル理解・生成モデルはChain-of-Thought（CoT）プロセスに細粒度の理解を組み込むことで画像編集性能を向上させている。しかし、どのような形式のCoTと訓練戦略が編集の粒度と汎化性の両方を向上させるかは未解明であった。本研究はこの問題に取り組むMeta-CoTを提案した（23 upvotes）。
新規性: 画像編集におけるCoTの最適な形式を体系的に探索し、メタレベルのCoT設計原則を導出。単にCoTを導入するだけでなく、CoTの構造（何をどの順序で推論するか）と訓練戦略の組み合わせが編集品質に与える影響を定量的に分析した初の研究。
手法: 複数のCoT形式（空間的分解、属性列挙、変更計画など）を体系的に比較し、編集対象の特定→変更内容の推論→生成という段階的CoTが粒度と汎化性の両面で優れることを示す。この知見に基づく訓練戦略により、統合マルチモーダルモデルの画像編集精度を大幅に改善した。
Refinement via Regeneration: Enlarging Modification Space Boosts Image Refinement in Unified Multimodal Models
著者: Jiayi Guo, Linqing Wang, Jiangshan Wang et al.
統合マルチモーダルモデル（UMM）はテキストから画像生成後に出力を洗練できるが、現行の洗練手法は修正空間が限定的で、初期生成の誤りを十分に修正できない。本研究は修正空間を拡大する「再生成による洗練」アプローチを提案した（22 upvotes）。
新規性: 従来の画像洗練が局所的な修正に限定されていたのに対し、再生成プロセスを通じて修正空間を大幅に拡大する発想。部分的なパッチ修正ではなく、理解に基づく全体的な再生成により、構造的な誤りも含めた幅広い修正を可能にした。
手法: UMMの視覚理解能力を活用して初期生成画像の問題点を特定し、その分析結果を条件として画像全体を再生成する。局所修正と全体再生成のハイブリッドにより、テクスチャレベルの微調整から構図レベルの大幅な変更まで対応できる広い修正空間を実現した。
Why Does Reinforcement Learning Generalize? A Feature-Level Mechanistic Study of Post-Training in Large Language Models
著者: Dan Shi, Zhuowen Han, Simon Ostermann et al.
RLベースのポストトレーニングはLLMの推論性能を訓練ドメインを超えて向上させることが多い一方、SFTは汎用能力の忘却を引き起こしやすい。しかしこの対照の背後にあるメカニズムは不明であった。本研究は特徴レベルの機械論的分析を通じてRLの汎化メカニズムを解明した。
新規性: RLとSFTで訓練されたモデルの内部活性化を共有特徴空間に整列させ、ポストトレーニング中の特徴変化を追跡する解釈可能性フレームワークを導入。SFTが高度に特殊化された特徴を急速に導入するのに対し、RLが抑制的かつ継続的に特徴を変化させることを発見した。
手法: 同一データでRL・SFTそれぞれ訓練されたモデルの内部活性化を共通特徴空間に射影し、特徴の進化を比較分析。RLが成功しベースモデルが失敗するサンプルに焦点を当て、汎化を媒介するコンパクトなタスク非依存の特徴セットを特定。特徴レベルの介入実験により、これらの特徴の因果的役割を確認した。
For-Value: Efficient Forward-Only Data Valuation for finetuning LLMs and VLMs
著者: Wenlong Deng, Qi Zeng, Jiaming Zhang et al.
データ評価はLLM・VLMの透明性と説明責任の向上に不可欠だが、既存手法は勾配計算に依存するため数十億パラメータモデルでは計算コストが禁止的であった。本研究は勾配計算不要のフォワードオンリーデータ評価手法For-Valueを提案した（16 upvotes）。
新規性: 勾配ベースのデータ評価をフォワードパスのみで置き換え、大規模モデルへのスケーラビリティを実現した。バッチ処理との互換性を維持しつつ、個々の訓練サンプルの貢献度を効率的に推定する。
手法: フォワードパスで得られる中間表現と出力の統計量からデータポイントの影響度を推定する。勾配の逆伝播を一切必要とせず、標準的な推論パイプラインに組み込み可能な軽量な手法であり、LLMとVLMの両方でファインチューニングデータの品質評価に適用できる。
Mutual Forcing: Dual-Mode Self-Evolution for Fast Autoregressive Audio-Video Character Generation
著者: Yupeng Zhou, Lianghua Huang, Zhifan Wu et al.
音声と映像を同時に生成する自己回帰モデルでは、長時間にわたる音声・映像の同期が重要な課題である。本研究は高速な自己回帰音声映像生成と長期的な同期を両立するMutual Forcingフレームワークを提案した（13 upvotes）。
新規性: 音声と映像の相互制約を活用するデュアルモード自己進化機構を導入。音声モダリティが映像モダリティを、映像モダリティが音声モダリティをそれぞれ制約することで、外部の同期モジュールなしに長期的な音声映像整合性を実現した。
手法: 音声・映像の共同モデリングと高速自己回帰生成という2つの課題に対し、両モダリティが互いを「強制」する学習フレームワークを構築。一方のモダリティの生成が他方の生成を条件付けるデュアルモード構造により、音声映像の同期を内在的に保証しつつ、生成速度も維持する。
分野別の動向
マルチエージェント・自律システム
Recursive Multi-Agent Systems（123 upvotes）がエージェント協調の再帰的スケーリングという新たな次元を提示し、前日のFrom Skills to Talent（112 upvotes）による組織設計アプローチと合わせて、マルチエージェント研究が「個の能力向上」から「協調のアーキテクチャ設計」へと本格的に移行している。AutoResearchBench（25 upvotes）は科学文献探索、DV-World（37 upvotes）はデータ可視化という具体的応用領域でのエージェントベンチマークを導入し、汎用的なエージェント能力評価から領域特化の実用的評価へと研究の焦点が深化している。arXivではBenchGuard（cs.CL）がベンチマーク自体の品質をLLMで監査するフレームワークを提案し、評価インフラの信頼性向上にも取り組みが広がっている。
学習基盤・データエンジニアリング
Programming with Data（70 upvotes）がテスト駆動開発の原理をLLMの学習データキュレーションに応用し、モデルの失敗を起点としたデータ選択の自動化を実現した。For-Value（16 upvotes）は勾配計算不要のデータ評価手法で大規模モデルへのスケーラビリティを確保し、Why Does RL Generalize（arXiv cs.CL）はRLポストトレーニングの汎化メカニズムを特徴レベルで解明した。Compute Aligned Training（arXiv cs.LG）はテスト時推論戦略と訓練目的関数の整合性を改善する手法を提案している。学習データの質的管理と訓練プロセスの理論的理解が並行して進展しており、「何を学ぶか」だけでなく「なぜ学べるか」への関心が高まっている。
マルチモーダル生成・編集
Meta-CoT（23 upvotes）が画像編集におけるCoTの最適設計を体系的に探索し、Refinement via Regeneration（22 upvotes）が統合マルチモーダルモデルの修正空間を拡大する再生成アプローチを提案した。Mutual Forcing（13 upvotes）は音声映像の同時生成における長期同期を相互制約で実現し、Co-Director（10 upvotes）はエージェント型の動画ストーリーテリングシステムを提案している。Step-Audio-R1.5（12 upvotes）はChain-of-Thought推論を音声ドメインに拡張した。マルチモーダル生成研究では、単一モダリティの品質向上から、モダリティ間の整合性・制御性・推論統合へと課題が高度化している。
評価・ベンチマーク
DV-World（37 upvotes）とAutoResearchBench（25 upvotes）に加え、arXivではBenchGuard（cs.CL）がフロンティアLLMをベンチマーク監査者として活用するフレームワークを提案し、Incompressible Knowledge Probes（cs.LG）がブラックボックスLLMのパラメータ数を事実的知識量から推定する手法を導入した。GAIA-v2-LILT（cs.CL）は英語中心のエージェントベンチマークの多言語適応における翻訳品質の問題を指摘し、機能的整合性を重視した適応ワークフローを提案している。評価研究は「何を測るか」の設計と「測定の信頼性」の保証の両面で厚みを増している。