EvoArenaが102 upvotesで最注目、LLMエージェントの動的環境適応を記憶進化の観点から評価。SpatialClawの空間推論インターフェース再設計、MiniMax Sparse Attentionの100万トークン超スパース注意、InterleaveThinkerのRL交互生成が続き、エージェント評価とアーキテクチャ基盤の両面で活発な進展が見られた。
注目論文
EvoArena: Tracking Memory Evolution for Robust LLM Agents in Dynamic Environments
著者: Jundong Xu, Qingchuan Li, Jiaying Wu et al.
LLMエージェントの動的環境における記憶進化を体系的に追跡・評価するベンチマークを提案した研究（102 upvotes）。
新規性: 既存のLLMエージェント評価は静的環境を前提としているが、現実のデプロイでは環境が絶えず変化し、エージェントは知識・スキル・行動を継続的に更新する必要がある。EvoArenaは動的環境下でのエージェントの記憶進化を体系的に評価する初のベンチマークであり、環境変化に対する適応能力の測定という新たな評価軸を確立する。
手法: 時間経過とともに変化する環境を設計し、エージェントが保持する記憶がどのように進化し、変化する状況に適応するかを追跡する。知識の更新、過去情報の忘却、新規情報の統合といった記憶進化の各側面を個別に評価可能な構造化されたベンチマーク環境を提供する。
SpatialClaw: Rethinking Action Interface for Agentic Spatial Reasoning
著者: Seokju Cho, Ryo Hachiuma, Abhishek Badki et al.
VLMの空間推論を改善するため、ツール拡張エージェントの行動インターフェースそのものを再設計した研究（79 upvotes）。
新規性: 空間推論は物体の位置・関係・3D空間での動きを把握する能力であり、VLMにとって根本的な課題である。ツール拡張エージェントは専門的な知覚モジュールでVLMを補強するが、その効果はエージェントのインターフェース設計に大きく依存する。本研究はこの行動インターフェースの設計問題を正面から扱い、空間推論に最適化されたインターフェースを提案する。
手法: VLMと専門知覚モジュールの間のインターフェースを再設計し、空間的な情報の受け渡しを最適化する。従来の汎用的なインターフェースでは失われていた空間的文脈を保持しつつ、エージェントが3D空間での推論を効果的に実行できる行動空間を定義する。
MiniMax Sparse Attention
著者: Xunhao Lai, Weiqi Xu, Yufeng Yang et al.
100万トークン超の超長文脈を効率的に処理するスパース注意機構を提案した研究（78 upvotes）。
新規性: エージェントワークフロー、リポジトリ規模のコード推論、永続的記憶などの用途では数十万〜数百万トークンへの同時注意が不可欠だが、ソフトマックス注意の二次コストがこれを阻んでいた。本研究は超長文脈LLMの実用化に向けた二次コスト問題の直接的な解決策を提示する。
手法: ソフトマックス注意の二次的計算コストを回避するスパース注意機構を設計し、100万トークン以上の文脈を単一モデルで効率的に処理可能にする。注意パターンの疎性を活用しつつ、長距離依存関係の捕捉能力を維持する。
InterleaveThinker: Reinforcing Agentic Interleaved Generation
著者: Dian Zheng, Harry Lee, Manyuan Zhang et al.
強化学習によりテキストと画像の交互生成（インターリーブ生成）を改善するフレームワークを提案した研究（72 upvotes）。
新規性: 近年の画像生成モデルは単一画像の生成・編集で優れた性能を示すが、アーキテクチャの制約からテキスト・画像の交互生成を実現できていない。インターリーブ生成はビジュアルナラティブや教育資料作成など重要な応用を持つ。本研究はRLを用いてこのエージェント的な交互生成能力を強化する初のアプローチを提案する。
手法: 画像生成モデルにエージェント的な制御を導入し、テキストと画像のシーケンスを一貫性を持って生成する。RLによる最適化でテキスト・画像間の整合性と生成品質を同時に改善する。
Robust-U1: Can MLLMs Self-Recover Corrupted Visual Content for Robust Understanding?
著者: Jiaqi Tang, Jianmin Chen, Youyang Zhai et al.
マルチモーダルLLMが現実世界の視覚的破損から自己回復する能力を評価・強化する研究（71 upvotes）。
新規性: MLLMは視覚理解で優れた性能を示すが、現実世界の視覚的破損（ノイズ、ぼけ、圧縮劣化等）で性能が大幅に低下する。既存のロバスト性向上手法は限定的であり、ブラックボックスの特徴量アラインメントは解釈性に欠け、ホワイトボックス手法は汎用性が不足していた。本研究はMLLM自身による視覚破損の自己回復という新たなアプローチを提案する。
手法: MLLMの内部表現を活用して破損した視覚入力を自己修復する機構を設計する。外部の前処理に依存せず、モデル自体が破損を認識し補正する能力を獲得させることで、多様な破損パターンに対するロバスト性を実現する。
FORT-Searcher: Synthesizing Shortcut-Resistant Search Tasks for Training Deep Search Agents
著者: Jia Deng, Yimeng Chen, Xiaoqing Xiang et al.
ディープサーチエージェントの訓練に必要なショートカット耐性のある検索タスクを合成する手法を提案した研究（70 upvotes）。
新規性: ディープサーチエージェントの訓練には、十分な検索証拠を収集するまで回答が得られない検証可能な質問が必要である。既存の合成手法はグラフ構造を複雑化することで見かけの難易度を上げるが、構造的複雑さだけでは真のショートカット耐性を保証できなかった。本研究は構造的複雑さではなく情報アクセスの困難さに焦点を当てた合成手法を提案する。
手法: 回答に必要な情報が検索を通じてのみ段階的に取得可能となるよう設計されたタスク合成パイプラインを構築する。表面的なパターンマッチングやショートカットでは解決できず、深い検索と証拠の統合を要求するタスクを自動生成する。
MaxProof: Scaling Mathematical Proof with Generative-Verifier RL and Population-Level Test-Time Scaling
著者: Jiacheng Chen, Xinyu Zhang, Shunkai Zhang et al.
証明生成・検証・修復の3能力を統合した競技数学レベルの証明に対する集団レベルのテスト時スケーリングフレームワークを提案した研究（68 upvotes）。
新規性: 競技レベルの数学証明は個別の証明生成だけでは不十分であり、生成・検証・修復の3つの能力を協調させる必要がある。本研究はこれら3能力を「defense-in-depth」戦略で訓練し、集団レベルでのテスト時スケーリングにより高難度問題への対応力を飛躍的に向上させる。
手法: 証明生成モデル、証明検証モデル、批判に基づく証明修復モデルの3つを生成的検証RLで訓練する。テスト時には複数の証明候補を集団的に生成・検証・修復し、MiniF2F-Testで93.0%、PutnamBenchで93問を解決するオープンソース最高性能を達成する。
WeaveBench: A Long-Horizon, Real-World Benchmark for Computer-Use Agents with Hybrid Interfaces
著者: Wanli Li, Bowen Zhou, Yunyao Yu et al.
デスクトップ制御・CLI・コードエディタ・ブラウザを横断する長期間コンピュータ操作エージェントのベンチマークを提案した研究（54 upvotes）。
新規性: コンピュータ操作エージェントは視覚的デスクトップ制御、コマンドライン実行、コード編集、ブラウザ操作など複数のインターフェースを組み合わせて動作するが、既存ベンチマークはこれらを個別の能力として評価し、長期間にわたるクロスインターフェースの連携を測定できていなかった。WeaveBenchはこのギャップを埋める初のベンチマークである。
手法: 複数インターフェースを横断する長期間タスクを設計し、エージェントがデスクトップ・CLI・ブラウザ・外部ツール間を適切に切り替えながら目標を達成する能力を評価する。現実のワークフローに近い複合的な操作シナリオを提供する。
LabVLA: Grounding Vision-Language-Action Models in Scientific Laboratories
著者: Baochang Ren, Xinjie Liu, Xi Chen et al.
科学実験室での物理的な実験操作を行うVision-Language-Actionモデルを提案した研究（49 upvotes）。
新規性: AIは文献読解、仮説生成、プロトコル設計で科学を支援しているが、実験室でのプロトコルの物理的実行はまだ人間に依存している。本研究はVLAモデルを科学実験室環境にグラウンディングし、実験操作の自動化に向けた基盤を提供する初の試みである。
手法: 科学実験室の環境に特化したVLAモデルを構築し、視覚観測からの実験状態理解、言語指示の解釈、物理的操作の実行を統合する。実験プロトコルに沿った一連の操作を自律的に実行する能力を評価する。
HYDRA-X: Native Unified Multimodal Models with Holistic Visual Tokenizers
著者: Guozhen Zhang, Xuerui Qiu, Yutao Cui et al.
単一のVision Transformerで画像と動画のトークン化を統一するネイティブ統合マルチモーダルモデルを提案した研究（23 upvotes）。
新規性: 統合マルチモーダルモデル（UMM）の基盤となるホリスティック視覚トークナイザは、多様な視覚入力を統一表現空間にマッピングする役割を担う。HYDRA-Xは画像と動画のトークン化を単一のViT内で統一する初のUMMであり、モダリティごとに別々のエンコーダを用意する従来アプローチを根本的に簡素化する。
手法: 単一のViTアーキテクチャ内で画像と動画の両方を効率的にトークン化する設計を採用し、共有表現空間での統一的な処理を実現する。これにより画像・動画の理解と生成を一つのモデルで一貫して行える。
分野別の動向
エージェント評価・動的環境
本日最大の注目を集めたEvoArena（102 upvotes）は、LLMエージェント評価を静的環境から動的環境へと拡張する重要な一歩である。前日のClaw-SWE-Benchが汎用エージェントのコーディング評価を標準化したのに対し、本日はより根本的な問題として「変化する環境への適応」が焦点となった。WeaveBench（54 upvotes）もデスクトップ・CLI・ブラウザを横断する長期間タスクの評価を提供し、エージェント評価の多軸化が急速に進んでいる。FORT-Searcher（70 upvotes）はディープサーチエージェントの訓練タスク合成においてショートカット耐性という質的基準を導入しており、「難しい」タスクの定義自体が精緻化されている。arXivからもSENTINELがツール使用エージェントの失敗駆動型RLを提案し、HarnessBridgeがエージェント・環境間のハーネス自体を学習可能にするなど、エージェントの訓練・評価インフラの整備が多角的に進行している。
アーキテクチャ・長文脈処理
MiniMax Sparse Attention（78 upvotes）は100万トークン超の超長文脈処理という実用上の重要課題に直接取り組んでおり、前日のMoEルーター再設計とは異なる軸でアーキテクチャ基盤の改善が進んでいる。arXivからもRoVEがRotary Position Embeddingsを値経路に拡張してattentive convolutionとして再解釈する研究や、Demystifying Hidden-State Recurrence（15 upvotes）が潜在思考の連鎖を切替可能な隠れ状態再帰として再定式化する研究が発表されており、Transformerの注意機構と位置符号化の両面で改良が続いている。VIA-SD（11 upvotes）はSpeculative Decodingの検証段階をモデル内部ルーティングで効率化し、推論コスト削減の新たなアプローチを提示している。
マルチモーダル・視覚理解
Robust-U1（71 upvotes）のMLLM自己回復、InterleaveThinker（72 upvotes）のRL交互生成、HYDRA-X（23 upvotes）の統一視覚トークナイザと、マルチモーダルモデルの異なる側面での改善が同時に進んでいる。SpatialClaw（79 upvotes）は空間推論のためのインターフェース設計という実用的な問題に取り組み、前日のReason, Then Re-reasonが二段階推論で幾何学的曖昧性を解消したのに対し、本日はツール拡張による解決策が提示された。LabVLA（49 upvotes）は科学実験室という新たな応用領域へのVLAモデルの展開を示し、物理世界での行動生成の研究フロンティアが拡大している。
数学推論・形式証明
MaxProof（68 upvotes）は競技数学証明において生成・検証・修復の3能力を統合し、集団レベルのテスト時スケーリングで大幅な性能向上を達成した。arXivからもPythagoras-Proverが4Bパラメータで671Bモデルを上回るLean定理証明性能を達成し（MiniF2F-Test pass@32で86.1% vs 82.4%）、N-GRPO（20 upvotes）が埋め込みレベルの近傍混合でRLロールアウトの多様性を改善するなど、数学推論とRL最適化の両面で効率的なスケーリング手法の開発が活発である。TreeSeeker（9 upvotes）もディープサーチにおける木構造探索を提案しており、探索戦略の構造化が共通テーマとなっている。
LLM安全性・信頼性
arXivからThe Cold-Start Safety Gap（1 upvote）がLLMエージェントのセッション開始時の脆弱性を発見し、Risk Under Pressure（7 upvotes）が敵対的ロバスト性評価における計算コストの考慮を提唱するなど、安全性評価の精緻化が進んでいる。Prefill Awarenessの研究はフロンティアモデルがプリフィルされた応答を検知し行動を変える能力を示し、アライメント評価手法への含意を指摘した。The Containment Gapは主要エージェントフレームワーク（LangChain、AutoGPT、OpenAI Agents SDK）のいずれも構造的安全性保証を提供していないことを実証し、エージェントの安全なデプロイに向けたアーキテクチャレベルの課題を浮き彫りにしている。