Moebius（118 upvotes）が0.2Bの軽量モデルで10B級の画像インペイント性能を実現。DragMesh-2・Playful Agentic Robot Learning・S-Agent・ImageWAMがロボット操作と具現エージェントを多角的に攻め、MemSlidesとGateMemがエージェントの長期・共有メモリ統治を、Multi-LCBとBeyond Static Leaderboardsが評価の信頼性を問い直した。
注目論文
Moebius: 0.2B Lightweight Image Inpainting Framework with 10B-Level Performance
著者: Kangsheng Duan, Ziyang Xu, Wenyu Liu et al.
わずか0.2Bパラメータで10B級の産業用基盤モデルに匹敵する画像インペイント性能を実現する軽量フレームワーク（118 upvotes）。10Bクラスのモデルは性能の限界を押し上げる一方、その莫大な計算コストが実運用を著しく阻害している。
新規性: 高度に最適化されたタスク特化型のスペシャリストを構築する道を採りつつ、極端な構造圧縮が招きやすい性能劣化を克服した点が貢献である。汎用大規模モデルに頼らずとも、タスクを絞り込めば50分の1規模のモデルで実用十分な品質に到達できることを示した。
手法: インペイントというタスクに特化した設計と最適化により、モデル規模を大幅に削減しながら品質を維持する。構造圧縮に伴う劣化を抑える工夫を組み込み、軽量モデルでの高品質生成と実用的なデプロイを両立させる。
DragMesh-2: Physically Plausible Dexterous Hand-Object Interaction with Articulated Objects
著者: Tianshan Zhang, Yijia Duan, Yanjun Li et al.
多指ハンドによる関節物体（articulated object）の物理的に妥当な巧緻操作を扱う研究（69 upvotes）。家庭・支援・ヒューマノイド操作において、多指ハンドは平行二指グリッパを超える柔軟な接触パターンを提供できる。
新規性: 関節物体の操作は静的物体の操作と本質的に異なり、操作対象自体が可動部を持って状態変化する点が難しい。本研究はこの動的・関節的な対象に対し、物理的に妥当な接触と操作を成立させる枠組みを提示する。
手法: 多指ハンドの柔軟な接触パターンを活かし、関節物体の可動構造を考慮した巧緻操作を生成する。物理的整合性を保ちながら、家庭・支援・ヒューマノイド領域での実用的なマニピュレーションを目指す。
Multi-LCB: Extending LiveCodeBench to Multiple Programming Languages
著者: Maria Ivanova, Pavel Zadorozhny, Rodion Levichev et al.
コード生成評価ベンチマークLiveCodeBench（LCB）を複数のプログラミング言語へ拡張する研究（56 upvotes）。LCBは競技プログラミング問題をキュレートし、新規問題を継続追加してリリース日でフィルタすることで、汚染対策（contamination-aware）な評価を提供してきた。
新規性: 従来のLCBが主に単一言語に偏っていた制約を解消し、多言語にわたるコード生成能力を汚染対策付きで評価できるようにした点が貢献である。言語横断的な性能比較を可能にし、特定言語への過適合を見抜く評価基盤を整える。
手法: LCBの汚染対策フレームワークを複数言語へ拡張し、各言語で新鮮な問題群を用いてLLMのコード生成を評価する。リリース日ベースのフィルタリングを維持することで、学習データ汚染の影響を抑えた公平な多言語ベンチマークを構築する。
Playful Agentic Robot Learning
著者: Junyi Zhang, Jiaxin Ge, Hanjun Yoo et al.
明示的な指示なしに「遊び」を通じて再利用可能なスキルを獲得する具現エージェント学習の枠組み（44 upvotes）。現行のエージェント型ロボットはCode-as-Policyのプログラムを記述し、フィードバックを観測して試行ごとに行動を修正できるが、依然としてタスク駆動であり、スキルは明示的な指示の後にしか獲得されない。
新規性: 明示的なタスク指示を前提とせず、具現エージェントが能動的に環境と関わる「遊び」を通じて再利用可能なスキルを自律獲得するという問題設定を導入した点が新しい。指示待ちの受動的学習から、自発的なスキル蓄積へと枠組みを転換する。
手法: 具現エージェントが目的のタスクに縛られずに環境を探索し、その過程で得た経験を再利用可能なスキルとして蓄積する。Code-as-Policyの実行・観測・修正のループを、遊びによる能動的なスキル獲得へと拡張する。
S-Agent: Spatial Tool-Use Elicits Reasoning for Spatial Intelligence
著者: Yalun Dai, Hao Li, Shulin Tian et al.
空間ツール使用を通じて、連続的に進化する3D世界への推論を引き出すエージェント枠組み（38 upvotes）。現実世界の空間知能には連続的かつ時間発展する3D世界への推論が求められるが、既存のVLMやツール拡張エージェントは孤立した視覚観測からの静的・無状態な推論に留まっている。
新規性: 静的・無状態な推論の限界を超え、空間的なツール使用を通じて連続的に変化する3D世界を理解・推論する「空間ツール使用」エージェントのパラダイムを提示した点が貢献である。空間知能を孤立観測からの推論ではなく、能動的なツール操作の問題として捉え直す。
手法: エージェントに空間的なツールを使わせることで、進化し続ける3D環境に対する推論能力を引き出す。孤立した視覚入力に依存せず、ツール操作を介して空間的文脈を能動的に取得・更新しながら推論を進める。
Beyond Static Leaderboards: Predictive Validity for the Evaluation of LLM Agents
著者: Dhaval C. Patel, Kaoutar El Maghraoui, Shuxin Lin et al.
LLMエージェント評価の「予測的妥当性（predictive validity）」を、MCPベースの産業エージェントベンチマークを対象に検証した大規模研究（37 upvotes）。エージェントベンチマークは急増しているが、単一のベンチマークがデプロイ時に露呈する次元の4〜5個以上に触れることはない。
新規性: 1つのMCPベースの産業エージェントベンチマークに対し、14並行の実装研究を集約した過去最大級の協調的ディープダイブを行った点が特徴である。静的なリーダーボードのスコアが実デプロイの性能をどこまで予測できるかという「予測的妥当性」を正面から問う。
手法: 同一ベンチマークに対する14の並行実装研究を集め、新規アセットを含む多面的な検証を実施する。単一スコアによる順位付けの限界を明らかにし、デプロイで露呈する多様な次元と評価結果の対応関係を分析する。
FreeStyle: Free Control of Style-Content Dual-Reference Generation from Community LoRA Mining
著者: Jinghong Lan, Wei Cheng, Yunuo Chen et al.
コミュニティLoRAのマイニングを通じて、スタイル・コンテンツ二重参照生成を自由に制御する研究（26 upvotes）。スタイル・コンテンツ二重参照生成は、コンテンツ参照の構造と意味を保ちつつ、別のスタイル参照の様式を取り込んだ画像を合成することを目指す。
新規性: コンテンツ忠実度・スタイル整合・自由な制御性のバランスという難題に対し、コミュニティに蓄積された大量のLoRAをマイニングして活用する点が新しい。既存手法が苦戦してきたスタイルとコンテンツの両立を、外部リソースの再利用で柔軟に解決する。
手法: コミュニティLoRAから有用なスタイル・コンテンツ情報を採掘し、二重参照生成の制御信号として活用する。コンテンツ参照の構造保持とスタイル参照の様式適用を両立させ、自由度の高いスタイル制御を実現する。
ImageWAM: Do World Action Models Really Need Video Generation, or Just Image Editing?
著者: Yuyang Zhang, Wenyao Zhang, Zekun Qi et al.
ワールドアクションモデル（WAM）に動画生成が本当に必要か、画像編集で代替できないかを問う研究（15 upvotes）。WAMは視覚的なワールドモデリングとロボット制御を橋渡しするために、一般に動画生成に依存している。
新規性: 動画ベースのWAMが抱える3つの連動した制約——密な多フレーム未来トークンによる推論コスト、行動に無関係な時間的・外観的情報への容量浪費など——を指摘し、動画生成を画像編集で置き換える可能性を検証した点が貢献である。WAMの設計前提そのものを再考する。
手法: 動画全体を予測する代わりに画像編集として未来状態を表現することで、行動に関連する変化に容量を集中させる。多フレーム生成に伴う推論コストと無関係な情報への浪費を削減し、ワールドモデリングとロボット制御の橋渡しを効率化する。
MemSlides: A Hierarchical Memory Driven Agent Framework for Personalized Slide Generation with Multi-turn Local Revision
著者: Ye Jin, Yangyang Xu, Jun Zhu et al.
階層的メモリ駆動により、個人化されたスライドをマルチターンの局所修正で生成するエージェント枠組み（14 upvotes）。個人化されたプレゼン生成には、現在のプロンプトやテンプレートへの条件付け以上のものが求められる。
新規性: タスクをまたいで安定したユーザー嗜好を保持し、マルチターンの修正中に新たに導入された嗜好や制約を保ちつつ、局所的な編集を確実に実行するという三つの要件を階層的メモリで満たす点が貢献である。一度きりの生成ではなく、継続的な対話を通じた個人化に焦点を当てる。
手法: 階層的なメモリ構造により、長期的なユーザー嗜好とセッション内で新たに加わる制約を区別して保持する。マルチターンの修正過程で局所編集を信頼性高く適用し、個人化スライド生成における嗜好の一貫性を確保する。
GateMem: Benchmarking Memory Governance in Multi-Principal Shared-Memory Agents
著者: Zhe Ren, Yibo Yang, Yimeng Chen et al.
複数の利用者（principal）が共有メモリへ書き込む環境での「メモリ統治（memory governance）」を評価するベンチマーク（13 upvotes）。LLMエージェントのメモリベンチマークの多くは単一ユーザー設定を前提としており、病院・職場・学校・家庭で使われる共有アシスタントが十分に検討されてこなかった。
新規性: 複数の主体が共通のメモリプールに書き込み、それぞれ異なる役割・スコープ・関係性のもとで参照するという多主体共有メモリ設定を正面から扱う点が新しい。単一ユーザー前提では見えなかったアクセス制御や情報統治の課題を評価可能にする。
手法: 共有メモリへの書き込みと、役割・スコープ・関係性に応じた読み出しを伴うタスク群を設計し、エージェントがメモリをどう統治できるかを測定する。病院・職場・キャンパス・家庭といった現実的な共有アシスタント環境を想定した評価基盤を提供する。
分野別の動向
ロボット操作・具現エージェント
本日は具現エージェントとロボット操作が研究の中心を占めた。DragMesh-2（69 upvotes）が多指ハンドによる関節物体の物理的に妥当な巧緻操作を、Playful Agentic Robot Learning（44 upvotes）が明示的指示なしに遊びを通じて再利用可能スキルを獲得する学習を提示した。S-Agent（38 upvotes）は空間ツール使用を介して連続的に進化する3D世界への推論を引き出し、ImageWAM（15 upvotes）はワールドアクションモデルに動画生成が必須かを問い直して画像編集による代替を検証した。前回はワールドモデルの「状態の持続性」が主題だったのに対し、本日は静的・無状態な観測から能動的・連続的な世界との相互作用へと、エージェントの設計関心が一段進んだ印象がある。
エージェントメモリ・統治
MemSlides（14 upvotes）は階層的メモリでタスク横断のユーザー嗜好とセッション内制約を保持し、個人化スライドのマルチターン局所修正を可能にした。GateMem（13 upvotes）は複数主体が共有メモリへ書き込む環境でのメモリ統治をベンチマーク化し、単一ユーザー前提では見えなかったアクセス制御の課題を浮かび上がらせた。前回のLedgerAgentが個別エージェントの明示的状態管理を扱ったのに続き、メモリの「保持」から「統治」「共有」へと関心が広がっている。
マルチモーダル・生成モデル
Moebius（118 upvotes）が本日最大の注目を集め、0.2Bという極小規模で10B級の画像インペイント性能に到達することを示した。汎用大規模モデルへの一極集中ではなく、タスク特化型スペシャリストの徹底最適化という方向性が改めて評価された格好である。FreeStyle（26 upvotes）はコミュニティLoRAのマイニングでスタイル・コンテンツ二重参照生成を自由制御し、外部リソースの再利用による制御性向上を示した。生成モデルの効率化と制御性の双方で、既存資産を賢く活かす研究が目立つ。
評価・ベンチマーク
Multi-LCB（56 upvotes）はコード生成評価LiveCodeBenchを多言語へ拡張し、汚染対策を維持したまま言語横断的な評価を可能にした。Beyond Static Leaderboards（37 upvotes）は14並行研究によりMCP系産業エージェントベンチの予測的妥当性を検証し、静的リーダーボードのスコアが実デプロイ性能をどこまで予測できるかを問うた。コード生成とエージェントの双方で、評価が「単一スコアによる順位付け」から「汚染耐性」「予測的妥当性」といった評価そのものの信頼性へと深化している。