TASTE(53 upvotes)がエージェントベンチマークの飽和問題を自動タスク生成で解決。Harness-1が検索エージェントの状態外部化、Dominoが投機的デコーディングの因果分離を提案し、LLM透かしの根本的脆弱性も報告された。
注目論文
A Matter of TASTE: Improving Coverage and Difficulty of Agent Benchmarks
著者: Tomer Keren, Nitay Calderon, Asaf Yehudai et al.
エージェントベンチマーク（τ²-Benchなど）の飽和問題に対し、タスク生成の自動化によりカバレッジと難易度を体系的に改善する手法を提案した研究（53 upvotes、HF Daily Papers最多）。
新規性: エージェント能力の向上に伴い既存ベンチマークが飽和しつつあるが、新タスクの構築は複雑でコストが高い。従来のシナリオ記述→実装のパイプラインの非効率性を指摘し、カバレッジと難易度を同時に制御可能なタスク生成フレームワークを初めて体系化した。
手法: 自然言語で記述されたシナリオを構造化された評価タスクに自動変換するパイプラインを設計。既存ベンチマークの未カバー領域を特定し、難易度の段階的制御を可能にすることで、エージェント評価の信頼性と持続性を向上させる。
Harness-1: Reinforcement Learning for Search Agents with State-Externalizing Harnesses
著者: Pengcheng Jiang, Zhiyi Shi, Kelly Hong et al.
検索エージェントの状態管理をモデル外部に委譲する「ハーネス」アーキテクチャを提案し、RLによる効率的な訓練を実現した研究（30 upvotes）。
新規性: 従来の検索エージェントは増大するトランスクリプト上のポリシーとして訓練されるため、モデルが検索行動の決定と同時に、過去の証拠・未解決の制約・検証済み主張の記憶を担う必要があった。Harness-1はこの状態管理負担を外部化することで、モデルが検索戦略の学習に集中できる構造を初めて提案した。
手法: 状態を外部化するハーネスがエビデンスの追跡・制約管理・検証状態の維持を担当し、モデルは純粋な検索方策の学習に専念する。この分離によりRL訓練の安定性と効率が大幅に向上する。
Domino: Decoupling Causal Modeling from Autoregressive Drafting in Speculative Decoding
著者: Jianuo Huang, Yaojie Zhang, Qituan Zhang et al.
投機的デコーディングにおいて、ドラフトトークン間の因果依存性モデリングを自己回帰的ドラフト生成から分離する手法を提案した研究（26 upvotes）。
新規性: 投機的デコーディングはドラフト品質とドラフトコストのトレードオフに制約されている。自己回帰ドラフターは因果依存性のモデリングとトークン生成を同時に行うため、一方を改善すると他方が劣化する。Dominoはこの2つの役割を分離することで、両立を可能にした。
手法: 因果依存性のモデリングを専用モジュールに委譲し、ドラフト生成を軽量化する。これにより、ドラフト品質を維持しつつドラフトコストを削減し、LLM推論の実用的な高速化を実現する。
Linear Ensembles Wash Away Watermarks: On the Fragility of Distributional Perturbations in LLMs
著者: Zhihao Wu, Gracia Gong, Qinglin Zhu et al.
複数のLLMにアクセスできる現実的な状況下で、線形アンサンブルによりLLMの電子透かしが容易に除去できる根本的脆弱性を発見した研究（24 upvotes）。
新規性: 電子透かしは出力分布を元の分布から摂動させることで統計的署名を埋め込むが、競争市場では複数モデルへのアクセスが当然となっている。本研究は、複数モデルの出力を線形結合するだけで摂動が相殺され透かしが無効化されるという、透かし技術の構造的限界を初めて理論的に示した。
手法: 透かしが出力分布への摂動であることを形式化し、複数の透かし付きモデルの線形アンサンブルが元の分布に収束することを証明。現実的な攻撃シナリオでの実験により、既存の主要な透かし手法が広く脆弱であることを実証した。
VLMs are Good Teachers for Video Reasoning via Adaptive Test-Time Optimization
著者: Junhao Cheng, Liang Hou, Tianxiong Zhong et al.
VLM（Vision-Language Model）をテスト時に適応的に最適化することで、ビデオ生成モデルのタスク固有ルール理解を改善する手法を提案した研究（22 upvotes）。
新規性: ビデオ生成モデル（VGM）による推論は視覚的に一貫した軌跡を生成できるが、タスク固有のルールを理解・遵守する能力に欠ける。本研究はVLMをテスト時の教師として活用し、VGMの推論品質を動的に改善する初のアプローチを提案した。
手法: VLMがVGMの生成結果をタスクルールに照らして評価し、そのフィードバックに基づきVGMのテスト時パラメータを適応的に最適化する。訓練済みモデルの再学習なしに推論品質を向上させる。
When Does Multi-Agent RL Improve LLM Workflows?
著者: Yifan Zeng, Yiran Wu, Yaolun Zhang et al.
マルチエージェントLLMワークフローのエンドツーエンドRL訓練が有効となる条件を、ワークフロー構造・スケール・ポリシー共有の3軸で体系的に分析した研究（13 upvotes）。
新規性: マルチエージェントLLMワークフローは専門化された役割に推論を分散させてタスク精度を向上させるが、複数役割の同時RL訓練は不安定になりやすく、その条件は理解されていなかった。本研究はRL訓練が改善をもたらす条件とそうでない条件を初めて体系的にマッピングした。
手法: ワークフローの構造（直列/並列）、モデルスケール、ポリシー共有の有無を変数として、ベースモデルに対するエンドツーエンドRL訓練の効果を複数のタスクで定量評価。改善が見られるケースと見られないケースのパターンを同定した。
MCP-Persona: Benchmarking LLM Agents on Real-World Personal Applications via Environment Simulation
著者: Wenhao Wang, Peizhi Niu, Gongyi Zou et al.
Model Context Protocol（MCP）を用いたLLMエージェントの実世界パーソナルアプリケーション評価ベンチマークを構築した研究（12 upvotes）。
新規性: MCPはLLMと外部データソース・ツールを接続する標準として急速に普及しているが、既存ベンチマークは汎用的なツール使用に焦点を当てており、パーソナルアプリケーションでの実用的な評価が欠けていた。MCP-Personaは環境シミュレーションを通じてこのギャップを埋める初のベンチマークである。
手法: パーソナルアプリケーション（カレンダー、メール、ファイル管理等）の環境をシミュレートし、MCPを介したLLMエージェントのタスク遂行能力を多角的に評価する。現実的なユーザーシナリオに基づくタスク設計により、実用性の高い評価を実現する。
Quantized Reasoning Models Think They Need to Think Longer, but They Do Not
著者: Sanae Lotfi, Polina Kirichenko, Steven Li et al.
量子化されたLLM推論モデルがChain-of-Thoughtを不必要に長くする現象を発見し、logitペナルティにより12〜23%の短縮を達成した研究。
新規性: ポスト訓練量子化（PTQ）が推論モデルに与える影響は十分に理解されていなかった。本研究は、積極的な量子化が精度低下だけでなくCoT長の増加を引き起こし、最大52%のケースで中間ステップで正解に到達しているにもかかわらず最終回答として出力しない「過剰思考」エラーを初めて同定した。
手法: 量子化モデルと全精度モデルの出力分布間のトークンレベルKLダイバージェンスを測定し、高KLダイバージェンス位置で量子化モデルが”wait”、“but”、“alternatively”等の過剰思考マーカーを偏って出力することを発見。これらのマーカーに対する訓練不要のlogitペナルティを導入し、精度を維持しつつCoT長を削減した。
OpenWebRL: Demystifying Online Multi-turn Reinforcement Learning for Visual Web Agents
著者: Rui Yang, Qianhui Wu, Yuxi Chen et al.
オンラインマルチターンRLによるオープンソースのビジュアルWebエージェント訓練手法を提案し、プロプライエタリシステムに匹敵する性能を達成した研究（9 upvotes）。
新規性: 高性能なWebエージェントは主にプロプライエタリモデルに依存しており、オープンエージェントは大規模な教師あり後訓練データに頼っていた。OpenWebRLは実際のWebサイトとのオンラインマルチターンRLにより、教師データへの依存を大幅に削減しつつ競争力のある性能を実現する。
手法: 動的な実世界Webサイトとの相互作用を通じたオンラインRLにより、長期推論、精密なグラウンディング、堅牢なインタラクションを同時に学習する。教師あり後訓練の代替として、実環境からの直接的なフィードバックによる方策改善を実現した。
Policy and World Modeling Co-Training for Language Agents
著者: Ning Lu, Baijiong Lin, Shengcai Liu et al.
方策学習（RL）と世界モデルを同時訓練することで、LLMエージェントの環境理解と行動選択を統合的に改善する手法を提案した研究（7 upvotes）。
新規性: RLはLLMエージェントにどの行動が高報酬をもたらすかを教えるが、その行動が環境に何をもたらすかの監督は提供しない。世界モデルはこのギャップを埋め得るが、既存手法は別個のシミュレータや追加データを要した。本研究は方策と世界モデルの同時訓練により、追加リソースなしで両者の相乗効果を実現した。
手法: 方策学習の報酬信号と世界モデルの環境予測を統一的な訓練目的で同時最適化する。方策が行動の結果を予測する能力を獲得することで、より情報に基づいた行動選択が可能になる。
分野別の動向
エージェント評価・ベンチマーク
TASTE（53 upvotes）がエージェントベンチマークの飽和問題に対する自動タスク生成を、MCP-Persona（12 upvotes）がMCPベースのパーソナルアプリケーション評価を提案した。前日のτ²-Benchの飽和指摘に直接応答する形でTASTEが登場しており、エージェント評価の持続可能性が分野全体の関心事となっている。
エージェント訓練・探索制御
Harness-1（30 upvotes）が状態外部化、OpenWebRL（9 upvotes）がオンラインマルチターンRL、Policy and World Modeling Co-Training（7 upvotes）が方策と世界モデルの同時訓練をそれぞれ提案した。前日のGrepSeek（コーパス直接操作）やSAAS（過剰検索緩和）と合わせ、エージェントの探索戦略を構造的に改善する研究が集中している。When Does Multi-Agent RL Improve LLM Workflows?（13 upvotes）はマルチエージェントRLの有効条件を初めて体系化し、盲目的なマルチエージェント化への警鐘を鳴らした。
LLM推論効率化
Domino（26 upvotes）が投機的デコーディングの因果分離、Quantized Reasoning Modelsが量子化モデルの過剰思考問題をそれぞれ発見・解決した。arXivからはART（Attention Run-time Termination）がKVキャッシュアクセスの動的打ち切り、SENSE（Semantic Embedding Navigation）が意味ベースの投機的デコーディングを提案しており、推論効率化が複数の切り口から同時に進展している。
AI安全性・透かし
Linear Ensembles Wash Away Watermarks（24 upvotes）が透かし技術の根本的脆弱性を理論的に証明した。複数モデルへのアクセスが容易な現実環境では、分布摂動ベースの透かしが原理的に無効化されるという結果は、コンテンツ認証の技術的前提を根底から揺るがすものであり、代替的な来歴証明手法の必要性を示唆している。
ビデオ・マルチモーダル推論
VLMs are Good Teachers for Video Reasoning（22 upvotes）がテスト時適応最適化によるビデオ推論改善を提案した。arXivからはLVSA（長尺ビデオ拡散の疎アテンション、12 upvotes）やLongLive-RAG（長尺ビデオ生成のRAG、11 upvotes）も登場しており、長時間ビデオの生成・理解の両面で効率化が進んでいる。