CollectionLoRAが50 upvotesでマルチティーチャー蒸留による50種エフェクトの単一LoRA集約を実現し、GenClawがコード駆動エージェント画像生成で30 upvotesを獲得。LoMoがローカルモダリティ代替によるVLM融合深化を提案した。
注目論文
CollectionLoRA: Collecting 50 Effects in 1 LoRA via Multi-Teacher On-Policy Distillation
著者: Fangtai Wu, Hailong Guo, Shijie Huang et al.
50種類のカスタム画像編集エフェクトを単一のLoRAアダプタに集約するマルチティーチャーオンポリシー蒸留手法を提案した研究（50 upvotes）。エフェクト数の増加に伴うLoRA管理・動的ロードのコスト問題を根本的に解決する。
新規性: カスタム画像編集では限られたペアデータからLoRAを個別に訓練するのが標準的だが、所望エフェクト数の増大に伴い、多数のLoRAの保存・動的ロードがデプロイコストを大幅に増加させる。CollectionLoRAは複数のエフェクト専用LoRA（ティーチャー）の知識を単一のLoRA（スチューデント）にオンポリシー蒸留で集約する初の手法であり、50種という大規模な統合を実現している。
手法: 各エフェクトに特化した複数のLoRAティーチャーからオンポリシー蒸留を行い、生成時のサンプル分布上で知識を転移する。オンポリシー蒸留により、オフライン蒸留で生じる分布シフト問題を回避しつつ、50種のエフェクトを単一LoRAの容量内に効率的にパッキングする。
GenClaw: Code-Driven Agentic Image Generation
著者: Junyan Ye, Jun He, Zilong Huang et al.
コード駆動のエージェントパイプラインにより、ブラックボックス画像生成モデルの制約を超える画像生成手法を提案した研究（30 upvotes）。従来の「プロンプト→生成→確認→再プロンプト」という反復サイクルから脱却する。
新規性: 画像生成モデルはテキスト条件付きピクセル合成からマルチモーダルエージェントへと進化しているが、既存エージェントは依然として基盤のブラックボックスモデルに依存し、プロンプト調整の反復サイクルに囚われている。GenClawはコードによる明示的な生成制御を導入し、ブラックボックスモデルの限界を構造的に超える新しいパラダイムを提示する。
手法: エージェントがコードを生成・実行することで画像生成パイプラインを制御する。プロンプトによる間接的な指示ではなく、コードによる直接的なパイプライン操作により、生成プロセスの各段階を明示的に制御し、複雑な画像生成要件への対応を可能にする。
LoMo: Local Modality Substitution for Deeper Vision-Language Fusion
著者: Feng Han, Zhixiong Zhang, Zheming Liang et al.
テキスト質問をレンダリング画像に置換するローカルモダリティ代替により、VLMのマルチモーダル融合の深さを検証・改善する手法を提案した研究（18 upvotes）。
新規性: VLMはマルチモーダル融合を目指した大規模画像テキスト訓練により理解・推論タスクで大きな進展を遂げているが、テキスト質問をそのレンダリング画像に置換した場合に性能が低下するという現象があり、真のモダリティ融合が実現されているか疑問が残る。LoMoはこの問題をローカルレベルでのモダリティ代替により分析・解決する。
手法: テキスト入力の一部をレンダリング画像として視覚モダリティに変換し、局所的なモダリティ代替がモデル性能に与える影響を系統的に分析する。この分析に基づき、視覚・言語モダリティ間のより深い融合を促進する訓練・推論手法を設計している。
分野別の動向
画像・動画生成
CollectionLoRA（50 upvotes）がマルチエフェクトLoRA集約、GenClaw（30 upvotes）がコード駆動エージェント生成、Colored Noise Diffusion Sampling（14 upvotes）が拡散モデルのスペクトルバイアスを考慮したSDE解法を提案した。minWM（46 upvotes、前日に続き注目）がリアルタイム世界モデル、AdaState（5 upvotes）がストリーミング動画生成のアンカー進化を提案した。生成モデル研究が「単一モデルの品質向上」から「運用効率の最適化」（LoRA集約、コード制御）へと軸足を移しつつある傾向が顕著である。
マルチモーダル理解・VLM
LoMo（18 upvotes）がモダリティ融合の深化、Why Far Looks Up（33 upvotes）がVLMの空間表現を表現レベルで分析し、統計的ショートカットへの依存を検証した。YoCausal（37 upvotes）が動画生成モデルの因果理解を因果性の観点から評価するベンチマークを提案し、EarlyTom（24 upvotes、前日に続き注目）が動画LLMのトークン圧縮を推進した。VLMの「理解しているように見えるが本当に理解しているか」を検証する研究（LoMo, Why Far Looks Up, YoCausal）が複数同時に登場しており、能力評価の精緻化が加速している。
エージェント・ツール活用
AgentDoG 1.5（107 upvotes、前日から上昇継続）が引き続き高い注目を集め、PANDO（2 upvotes）がマルチモーダルエージェントのオンラインスキル蒸留による効率化を提案した。When Cloud Agents Meet Device Agents（8 upvotes）がクラウドLLMとデバイスSLMのハイブリッドマルチエージェント設計を分析し、UI-KOBE（7 upvotes）が軽量グラフガイドGUIエージェントを提案した。PhoneWorld（0 upvotes）がモバイルエージェント環境のスケーラブルな構築を提案した。エージェント研究が安全性（AgentDoG）と効率的デプロイ（ハイブリッド、軽量化）の両面で実用化を指向している。
検索・情報検索
OmniRetrieval（61 upvotes、前日から上昇）が異種知識ソース統一検索で引き続き注目され、CoHyDE（2 upvotes）がLLMリライターとエンコーダの反復共訓練によるツール検索を提案した。Is Position Bias in Dense Retrievers（11 upvotes）が密検索の位置バイアスの起源をアーキテクチャではなくデータに帰属した。検索分野ではOmniRetrievalの「何を検索できるか」の拡張と、位置バイアスの「なぜそうなるか」の理解が並行して進展している。
LLM制御・アライメント
UniSteer（19 upvotes、前日に続き注目）がフローマッチングによる汎用ステアリング、Reducing Political Manipulation（0 upvotes）が一貫性訓練による政治的バイアス軽減、Alignment Tampering（1 upvote）がRLHFの選好データへのLLM自身の影響という構造的脆弱性を指摘した。Thinking Before Constraining（4 upvotes）が自由生成と制約付きデコーディングの統合フレームワークを提案した。LLM制御研究が、推論時の柔軟な行動制御（UniSteer）と訓練時の構造的脆弱性の発見（Alignment Tampering）という対照的な方向で同時に深化している。
評価・ベンチマーク
PRISM（8 upvotes）がLLM査読者の多次元評価ベンチマーク、CausaLab（9 upvotes）がインタラクティブ因果発見の評価環境、WorldMemArena（4 upvotes）がマルチモーダルエージェントの記憶評価、OmniInteract（1 upvote）がリアルタイムオムニモーダルアシスタントのストリーミング評価を提案した。評価研究がタスク単位の静的評価から、インタラクティブ・ストリーミング・長期的な動的評価へと移行する傾向が明確である。