EurekAgentがLLMエージェントの科学発見において環境設計の重要性を実証し21 upvotes。DyCo-RLの視覚推論クロスモーダル協調、構造的欠陥診断、オンポリシー蒸留改善など、エージェント応用と学習効率化の両面で堅実な進展が見られた。
注目論文
EurekAgent: Agent Environment Engineering is All You Need For Autonomous Scientific Discovery
著者: Amy Xin, Jiening Siow, Junjie Wang et al.
LLMエージェントによる自律的科学発見において、モデル能力の向上よりも環境設計が成果を左右することを実証した研究（21 upvotes）。
新規性: LLMエージェントによる科学発見の自動化が進む中、最適化指標と実行環境が与えられれば人間を超える解を生成できる事例が増えている。しかし、モデル能力の継続的向上に依存する現行の研究パラダイムには限界がある。本研究はモデル能力ではなく「エージェントが活動する環境の設計」こそが自律的科学発見の鍵であることを示し、研究コミュニティの注力ポイントの転換を提唱する。
手法: エージェントが科学的仮説の提案・検証・改善を行う実行環境を体系的に設計し、環境の構造がエージェントの発見能力に与える影響を定量的に評価する。環境設計の改善がモデルのスケールアップと同等以上の効果をもたらすことを複数のドメインで検証する。
DyCo-RL: Dynamic Cross-Modal Coordination for Visual Reasoning
著者: Hangui Lin, Yan Shu, Zhengyang Liang et al.
RLVRによる視覚推論の最適化において、推論結果だけでなく細粒度のクロスモーダル協調を動的に最適化するフレームワークを提案した研究（16 upvotes）。
新規性: 検証可能報酬による強化学習（RLVR）はマルチモーダルLLMの視覚推論強化で主要なパラダイムとなっているが、既存手法は推論の最終結果のみを最適化し、視覚入力とテキスト推論の間の細粒度な協調を見落としている。DyCo-RLはこのクロスモーダル協調を明示的に最適化する初のRLVRフレームワークである。
手法: 視覚特徴量とテキスト推論過程の間の動的な協調メカニズムを導入し、推論の各ステップで視覚情報の参照を最適化する。結果のみへの報酬ではなく、視覚-テキスト間の整合性に基づく中間的なフィードバックを組み込むことで、より精密な視覚推論を実現する。
Where, What, Why, and Importance: Structured Defect Grounding for Text-to-Image Feedback
著者: Huaisong Zhang, Hao Yu, Yuxuan Zhang et al.
Text-to-Imageモデルの欠陥を「どこで・何が・なぜ・どの程度重要か」の4軸で構造的に診断するインスタンスレベルのフィードバック手法を提案した研究（13 upvotes）。
新規性: T2Iモデルはますますフォトリアリスティックな画像を生成するが、局所的で微妙な構造的欠陥は依然として存在する。これらの欠陥の診断には、欠陥の位置・種類・理由・重要度を統合的に回答するインスタンスレベルのフィードバックが必要だが、従来手法はこの4次元を体系的に扱えていなかった。
手法: 生成画像の欠陥を検出し、各欠陥について位置（where）、種類（what）、原因（why）、重要度（importance）の4つの軸で構造化された診断を出力するフレームワークを構築する。この構造化フィードバックにより、T2Iモデルの改善サイクルをより効率的に回すことが可能になる。
Visual Para-Thinker++: A Single-Policy Multi-Agent Framework for Visual Reasoning
著者: Haoran Xu, Hongyu Wang, Yifei Gao et al.
単一のMLLMポリシーを複数のエージェントとしてインスタンス化し、視覚推論における早期確定と幻覚を抑制するフレームワークを提案した研究（7 upvotes）。
新規性: 視覚推論は画像の異なる領域・属性・関係にまたがる証拠の統合を必要とするが、単一の推論チェーンでは初期段階での知覚的確定やそれに起因する幻覚が生じやすい。本研究は同一のMLLMポリシーを複数エージェントとして並列実行し、多角的な視覚証拠の収集と統合を行う新たなアーキテクチャを提案する。
手法: 一つの共有MLLMポリシーを複数のエージェントインスタンスとして展開し、各エージェントが画像の異なる側面に注目して推論を行う。複数の推論経路を統合することで、単一チェーンの推論に比べてロバストで幻覚の少ない視覚的判断を実現する。
SG-OPD: Sign-Gated On-Policy Distillation via Sign-Consistency Gating and Phased Teacher Sampling
著者: Haoran Xu, Hongyu Wang, Yifei Gao et al.
オンポリシー蒸留の暗黙的な仮定が頻繁に破れることを発見し、符号一致性ゲーティングと段階的教師サンプリングで改善する手法を提案した研究（6 upvotes）。
新規性: オンポリシー蒸留（OPD）は学生モデル自身の軌跡上で教師からの密なトークンレベル監督を受ける手法で、オフポリシー蒸留や標準的なRLを上回ることが多い。しかし本研究はOPDの有効性が暗黙的に依存する2つの仮定が実際には頻繁に破れていることを明らかにし、この問題の直接的な解決策を提示する。
手法: 教師と学生の勾配方向の符号一致性に基づいてトークンレベルの監督をゲーティングする機構と、訓練の段階に応じて教師サンプリングの比率を調整する手法を組み合わせる。仮定が破れるケースを自動的に検出し、有害な監督信号を抑制する。
Rethinking Psychometric Evaluation of LLMs: When and Why Self-Reports Predict Behavior
著者: Rafal Kocielnik, Pengrui Han, Peiyang Song et al.
LLMの自己報告（SR）がいつ・なぜ行動を予測するかを体系的に調査し、安全デプロイのための低コスト心理測定プローブの有効条件を解明した研究（5 upvotes）。
新規性: LLMの行動傾向を低コストの心理測定プローブで予測することは安全なデプロイに不可欠だが、自己報告が行動を確実に予測するかは不明確だった。先行研究はBig 5のような広範な性格特性に依存し、SR-行動間の解離を報告していたが、特定行動に特化した尺度では異なる結果が得られる可能性があった。
手法: 広範な性格特性ではなく特定の行動に密接に関連する心理測定尺度を用いて、SR-行動間の相関を体系的に評価する。どのような条件下でSRが行動の信頼性の高い予測子となるかを特定し、LLMの安全性評価における心理測定プローブの適切な使用法を提示する。
EvoBrowseComp: Benchmarking Search Agents on Evolving Knowledge
著者: Yunhan Wang, Jiaan Wang, Lianzhe Huang et al.
静的知識ベンチマークの汚染問題を回避する進化型知識ベンチマークを提案し、検索エージェントの真の能力を評価する研究（4 upvotes）。
新規性: BrowseCompのような既存ベンチマークは静的知識に依存しており、テストセットの汚染やパラメトリック記憶による回答が可能で、検索能力の正確な評価が困難だった。EvoBrowseCompは時間とともに変化する知識を対象とすることで、モデルが実際に検索を行って最新情報を取得する能力を測定する。
手法: 時間経過とともに正解が変化する質問を設計し、検索エージェントがパラメトリック知識ではなく実際の検索結果に基づいて回答する必要がある評価環境を構築する。知識の進化に追従する能力を定量的に評価する。
ReVision: Scaling Computer-Use Agents via Temporal Visual Redundancy Reduction
著者: Amirhossein Abaskohi, Yuhang He, Peter West et al.
GUI操作エージェントのスクリーンショット間の視覚的冗長性を削減し、トークンコストを大幅に圧縮してスケーラビリティを向上させる研究（4 upvotes）。
新規性: コンピュータ操作エージェントはGUIのスクリーンショットに依存するが、各スクリーンショットは大量の視覚トークンにエンコードされ、インタラクション軌跡が長くなるほどトークンコストが急増する。本研究は連続するスクリーンショット間の時間的冗長性に着目し、差分のみを効率的にエンコードすることでこのボトルネックを解消する。
手法: 連続するスクリーンショット間の視覚的な差分を検出し、変化のない領域のトークンを削減する。固定コンテキスト長の制約下でより多くの操作履歴を保持可能にし、長期間タスクへの対応力を向上させる。
Getting Better at Working With You: Compiling User Corrections into Runtime Enforcement for Coding Agents
著者: Yujun Zhou, Kehan Guo, Haomin Zhuang et al.
コーディングエージェントへのユーザー修正をランタイム強制にコンパイルし、セッション間での一貫した選好遵守を実現する研究（2 upvotes）。
新規性: インタラクティブなLLMエージェントは日常業務に浸透しつつあるが、あるセッションで記憶された修正が次のセッションでは依然として違反されるという、選好アクセスと選好遵守のギャップが存在する。本研究はこのギャップを、ユーザー修正を実行時に強制可能な形式にコンパイルすることで埋める。
手法: ユーザーからの修正フィードバックを収集・構造化し、将来のセッションで自動的に適用されるランタイム制約として変換する。エージェントのパラメータを更新するのではなく、実行時の制約として外部から強制することで、一貫した選好遵守を実現する。
ToolSense: A Diagnostic Framework for Auditing Parametric Tool Knowledge in LLMs
著者: Ashutosh Hathidara, Sai Shruthi Sistla, Sebastian Schreiber et al.
LLMのパラメトリックツール知識を体系的に監査し、大規模ツールカタログにおけるツール検索ボトルネックを分析するフレームワークを提案した研究（2 upvotes）。
新規性: エージェントとしてデプロイされるLLMは大規模ツールカタログからの適切なツール選択が性能のボトルネックとなる。埋め込みベースの検索は専門的なツールのセマンティクスを十分に捉えられず、パラメトリック検索（各ツールを仮想トークンとしてエンコード）が代替手段として注目されるが、その能力を体系的に監査する枠組みがなかった。
手法: LLMが内部パラメータに保持するツール知識を多角的に診断するフレームワークを構築する。ツールの機能理解、類似ツールの識別、文脈に応じたツール選択など、パラメトリックツール知識の各側面を個別に評価し、ボトルネックの所在を特定する。
分野別の動向
エージェント応用・科学発見
EurekAgent（21 upvotes）の「モデルより環境設計」という主張は、前日のEvoArenaやWeaveBenchが確立したエージェント評価の流れと補完的である。EvoArenaが「何を測るか」を定義したのに対し、EurekAgentは「何を設計すべきか」に焦点を当てており、エージェント研究がモデル能力のスケーリングからインフラ・環境設計へとシフトしつつある傾向が鮮明になっている。Getting Better at Working With Youはコーディングエージェントの実用上の痛点であるセッション間の選好遵守を扱い、ToolSenseはツール検索という基盤的課題に切り込んでおり、エージェントの実運用品質向上に向けた多角的な研究が進行している。
視覚推論・マルチモーダル
DyCo-RL（16 upvotes）とVisual Para-Thinker++（7 upvotes）は視覚推論の異なる側面を攻めている。DyCo-RLはRLVRの最適化対象を推論結果からクロスモーダル協調プロセスへと拡張し、Visual Para-Thinker++は単一ポリシーの複数エージェント化で推論の多角性を確保する。前日のSpatialClawがインターフェース設計で空間推論を改善したのに対し、本日は学習アルゴリズムとアーキテクチャの両面から視覚推論の精度向上が追求された。Where, What, Why, and Importance（13 upvotes）はT2Iモデルの欠陥診断を4軸で構造化し、生成品質の改善サイクルを効率化する実用的な貢献である。
学習効率化・蒸留
SG-OPD（6 upvotes）はオンポリシー蒸留の暗黙的仮定の破綻を実証的に示した点で示唆に富む。前日のN-GRPO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したのと合わせ、強化学習ベースの学習手法の詳細な分析と改善が進んでいる。これらの研究は大規模なスケーリングではなく、既存手法の仮定の検証と精緻な修正による効率的な性能向上という方向性を共有している。
LLM評価・安全性
Rethinking Psychometric Evaluation（5 upvotes）はLLMの自己報告と行動の関係を精緻に分析し、安全性評価における心理測定手法の適切な使用条件を明確化した。EvoBrowseComp（4 upvotes）は検索エージェント評価における静的ベンチマークの汚染問題を進化型知識で解決し、ReVision（4 upvotes）はコンピュータ操作エージェントのスケーラビリティという実装上の課題に取り組んだ。前日のEvoArenaが動的環境でのエージェント評価を確立したのに続き、評価手法の精緻化が複数の軸で同時に進行している。