企業システム向けワールドモデル論文が52 upvotesで最注目、World Action Modelsサーベイが47 upvotesで続く。Token Superpositionによる事前学習効率化とAlphaGRPOによるマルチモーダル生成強化がともに27 upvotesを獲得し、エージェントRL・MCP環境での実行適応も活発に議論された。
注目論文
Do Enterprise Systems Need Learned World Models? The Importance of Context to Infer Dynamics
著者: Jishnu Sethumadhavan Nair, Patrice Bechard, Rishabh Maheshwary et al.
企業システムにおけるワールドモデルの有効性を検証した研究。企業環境のダイナミクスはテナント固有のビジネスロジックにより定義され、デプロイごとに異なり時間とともに変化するため、過去データで学習したモデルの適用が根本的に困難であることを示した（52 upvotes）。
新規性: ワールドモデルの議論をゲームやロボティクスから企業システムへと拡張し、テナント固有ロジックという本質的な障壁を体系的に分析した点が独自である。汎用的なダイナミクス学習ではなく、コンテキスト依存の推論がなぜ必要かを実証的に示している。
手法: 複数のデプロイメント環境にまたがるエージェントタスクを設計し、学習済みワールドモデルがテナント固有のビジネスルール変化に対してどの程度頑健かを評価する。コンテキスト情報の有無による性能差を定量的に測定し、ダイナミクス推論におけるコンテキストの重要性を実証する。
World Action Models: The Next Frontier in Embodied AI
著者: Siyin Wang, Junhao Shi, Zhaoyang Fu et al.
Vision-Language-Action（VLA）モデルは強いセマンティック汎化を示すが、介入下で物理世界がどう変化するかを明示的にモデル化しない反応的な写像に留まる。本サーベイはこの限界を補う「ワールドアクションモデル」の研究を包括的に整理し、今後の方向性を提示した（47 upvotes）。
新規性: VLAモデルの「観測→行動」反応的パラダイムの限界を明確に定式化し、世界の変化を予測的にモデル化するアプローチ群を「ワールドアクションモデル」として初めて体系的に分類した点が貢献である。
手法: 政策学習、計画、シミュレーション、評価、データ生成といった多様な役割でワールドモデルがロボット学習にどう貢献するかを、基盤モデル時代の進展と合わせて整理する。各アプローチの長所・短所を比較し、未解決課題を特定している。
Efficient Pre-Training with Token Superposition
著者: Bowen Peng, Theo Gigant, Jeffrey Quesnelle
LLMの事前学習は大規模化に伴い極めて高コストとなっている。本研究はToken-Superposition Training（TST）を提案し、複雑な修正を要さないドロップイン手法として事前学習のデータスループットを大幅に改善した（27 upvotes）。
新規性: トークンを重ね合わせるという単純かつ汎用的なアイデアにより、既存の学習パイプラインへの最小限の変更で効率を向上させる点が実用的である。侵襲的なアーキテクチャ変更を必要としないため、既存のコードベースへの統合が容易である。
手法: 複数のトークンを重ね合わせて同時に処理することで、1回のフォワードパスあたりのデータスループットを向上させる。学習の安定性を損なわずに効率化を達成するための具体的な重ね合わせ戦略を設計している。
AlphaGRPO: Unlocking Self-Reflective Multimodal Generation in UMMs via Decompositional Verifiable Reward
著者: Runhui Huang, Jie Wu, Rui Yang et al.
AR-Diffusion型の統合マルチモーダルモデル（UMM）にGroup Relative Policy Optimization（GRPO）を適用し、追加のコールドスタート段階なしでマルチモーダル生成能力を強化するフレームワークを提案した（27 upvotes）。
新規性: GRPOをUMMに初めて適用し、分解可能な検証可能報酬を設計することでコールドスタート不要のマルチモーダル生成強化を実現した点が独自である。モデルの内在的な自己反省能力を引き出すアプローチを示している。
手法: 生成品質を複数の検証可能な次元に分解した報酬関数を設計し、GRPOによるグループ相対最適化を通じてマルチモーダル生成の各側面を個別に改善する。コールドスタート段階を省略しつつ、自己反省的な生成品質向上を達成する。
MCP-Cosmos: World Model-Augmented Agents for Complex Task Execution in MCP Environments
著者: Giridhar Ganapavarapu, Dhaval Patel
Model Context Protocol（MCP）がLLMと外部ツールのインターフェースを統一した一方、エージェントが動作環境をどう概念化するかには根本的なギャップが残る。本研究はMCP環境でワールドモデルを活用し、実行時の適応能力を向上させるフレームワークを提案した（24 upvotes）。
新規性: MCPプロトコル環境にワールドモデルを統合するという新しい接点を開拓した点が注目に値する。タスクレベルの計画と実行時の制約を分離する既存パラダイムの限界を指摘し、環境ダイナミクスの内部表現による統合的解決を提示している。
手法: エージェントが操作するMCP環境のダイナミクスをワールドモデルとして内部表現し、計画と実行の両段階で活用する。実行時の環境変化に対してワールドモデルの予測に基づく適応的な行動修正を行う。
ToolCUA: Towards Optimal GUI-Tool Path Orchestration for Computer Use Agents
著者: Xuhao Hu, Xi Zhang, Haiyang Xu et al.
Computer Use Agents（CUA）はクリック・タイプなどのGUIアクションとAPI呼び出しなどのツールコールの両方を使用できるが、いつGUI操作を続けツールに切り替えるべきかの判断が不十分で、非最適な実行パスに陥りやすい。本研究はこのハイブリッド行動空間での最適な経路選択を実現するフレームワークを提案した（23 upvotes）。
新規性: GUIアクションとツール呼び出しの最適な切り替えタイミングをオーケストレーション問題として定式化した点が独自である。両方の行動モダリティを統合的に扱い、タスク完遂までの最適経路を学習するアプローチを示している。
手法: GUIアクションとツールコールの実行コスト・成功確率を考慮した経路最適化を行い、各状態で最適な行動モダリティを選択する。タスクの構造に応じてGUI操作とツール利用を適応的に切り替える判断機構を学習する。
On-Policy Self-Evolution via Failure Trajectories for Agentic Safety Alignment
著者: Bo Yin, Qi Li, Xinchao Wang
ツール使用LLMエージェントは最終応答だけでなく軌跡全体を通じて失敗しうるが、既存の安全性アライメントシグナルは最終応答レベルに留まっている。本研究は失敗軌跡を活用したオンポリシー自己進化により、エージェントの安全性アライメントを軌跡レベルで実現する手法を提案した（13 upvotes）。
新規性: 安全性アライメントを最終応答から軌跡全体へと拡張し、不安全なツール呼び出し・インジェクション指示への追従・有害要求への応答といった多様な失敗モードを包括的に扱う点が重要である。失敗軌跡を学習シグナルとして活用する自己進化的アプローチも独自である。
手法: エージェントの実行軌跡から安全性違反パターンを検出し、失敗軌跡と成功軌跡の対比からオンポリシーな自己進化学習を行う。軌跡レベルの報酬シグナルにより、最終応答だけでなく中間ステップの安全性も最適化する。
Multi-Stream LLMs: Unblocking Language Models with Parallel Streams of Thoughts, Inputs and Outputs
著者: Guinan Su, Yanwu Yang, Xueyan Li et al.
LLMの能力向上によりエージェント用途が拡大しているが、システムの根幹は初期の指示チューニングモデルからほとんど変わっていない。本研究は複数の思考・入力・出力ストリームを並列処理するマルチストリームアーキテクチャを提案し、LLMのエージェント能力を構造的に拡張した（13 upvotes）。
新規性: 単一シーケンシャルなトークン生成という既存LLMの根本的制約を、並列ストリームにより解消するアーキテクチャ提案である。思考・入力・出力を独立したストリームとして並列処理することで、エージェント的タスクのスループットと応答性を同時に改善している。
手法: LLMの内部処理を複数の並列ストリームに分割し、各ストリームが独立して思考・入力処理・出力生成を行う。ストリーム間の情報共有メカニズムにより一貫性を維持しつつ、並列性によるスループット向上を実現する。
Missing Old Logits in Asynchronous Agentic RL: Semantic Mismatch and Repair Methods for Off-Policy Correction
著者: Zhong Guan, Yongjian Guo, Haoran Sun et al.
非同期強化学習はLLMエージェントのロールアウトスループットを向上させるが、PPOスタイルのオフポリシー補正に対して深刻な失敗モードを導入する。異種学習システムにおいて総重要度比率が破綻する問題を特定し、修正手法を提案した（12 upvotes）。
新規性: 非同期エージェントRLにおけるPPO重要度比率の破綻を「古いロジットの喪失」として初めて体系的に分析し、セマンティックミスマッチという根本原因を特定した点が貢献である。
手法: サンプル生成とポリシー最適化を分離した非同期設定で、古いポリシーのロジットが利用不可能な場合のオフポリシー補正手法を設計する。重要度比率の近似・修復メカニズムにより、非同期学習の効率性を維持しつつ学習の安定性を回復させる。
Learning, Fast and Slow: Towards LLMs That Adapt Continually
著者: Rishabh Tiwari, Kusha Sareen, Lakshya A Agrawal et al.
LLMはパラメータ更新（RL等）により下流タスクに適応するが、タスク固有情報の吸収は壊滅的忘却と可塑性の喪失を引き起こしうる。本研究はパラメータ更新とインコンテキスト学習を組み合わせた継続的適応手法を提案した（9 upvotes）。
新規性: ダニエル・カーネマンの「速い思考と遅い思考」の枠組みをLLMの適応に適用し、パラメータ更新（遅い適応）とインコンテキスト学習（速い適応）の相補的な役割を体系的に分析した点が独自である。
手法: インコンテキスト学習による即座の適応とパラメータ更新による長期的な知識定着を組み合わせる。固定LLMパラメータでのインコンテキスト学習を活用することで、壊滅的忘却を回避しつつタスク固有の適応を実現する。
分野別の動向
ワールドモデルとエージェント環境理解
本日最も注目を集めたテーマはワールドモデルである。企業システム向けワールドモデル論文（52 upvotes）がテナント固有ロジックへの適応課題を提起し、World Action Modelsサーベイ（47 upvotes）がVLAモデルの反応的パラダイムを超える方向性を整理した。MCP-Cosmos（24 upvotes）はMCPプロトコル環境にワールドモデルを統合する実践的なフレームワークを示しており、ワールドモデル研究がゲーム・ロボティクスから企業システム・ツール利用エージェントへと適用範囲を急速に拡大していることが明確である。
エージェントの安全性・最適化
エージェントの安全性と学習効率に関する論文が複数登場した。On-Policy Self-Evolution（13 upvotes）は安全性アライメントを最終応答から軌跡全体へ拡張し、Missing Old Logits（12 upvotes）は非同期RLの根本的な失敗モードを修正した。ToolCUA（23 upvotes）はGUIとツールの最適切り替えを定式化しており、エージェントの行動最適化が単純なツール呼び出しから、マルチモーダルな行動空間でのオーケストレーション問題へと進化している。前日のDynamic Skill Lifecycle Managementとの連続性も見られる。
LLMアーキテクチャ・学習効率化
Token Superposition（27 upvotes）が事前学習効率を大幅に改善するドロップイン手法を提案し、Multi-Stream LLMs（13 upvotes）が並列ストリームによるLLMの構造的拡張を示した。arXivではBitLMがバイナリコード表現による複数トークン並列生成、Bicameral Modelが2つの凍結LLMの連続的結合による協調推論を提案しており、標準的な自己回帰・単一ストリームという既存パラダイムに対する多角的な挑戦が続いている。前日のKey-Value MeansやMemory-Efficient Looped Transformerと合わせ、Transformerの計算・メモリ効率改善の研究が活発化している。
マルチモーダル生成・強化学習
AlphaGRPO（27 upvotes）がUMMにGRPOを初適用しコールドスタート不要のマルチモーダル生成強化を実現した。Learning, Fast and Slow（9 upvotes）は継続的適応の枠組みを提示している。arXivではCovariance-Aware GRPOがGRPOの探索・搾取バランスを改善し、ξ-DPOがSimPOのハイパーパラメータ問題を解決する手法を提案しており、強化学習ベースのアライメント・最適化手法の改良が精力的に進められている。