コーディングエージェントの報酬検証や多段ツール利用RLの安定化、エージェント能力の再評価まで、エージェントを「正しく作り正しく測る」研究が並ぶ。視覚量子化やオンポリシー蒸留、投機的デコーディングなど効率・表現の基盤研究も厚い一日。
注目論文
ViQ: Text-Aligned Visual Quantized Representations at Any Resolution
著者: Xumin Yu, Zuyan Liu, Zhenyu Yang et al.
テキストと整合する離散的な視覚量子化表現を任意解像度で実現する研究（34 upvotes）。テキストと視覚を統一表現で扱うとマルチモーダルのモデリングと学習が簡潔になる一方、画像をテキストと同様に離散信号化すると深刻な情報損失が生じる課題に取り組む。
新規性: 低レベルな再構成忠実度と高レベルなテキスト整合性の両立を、既存手法が抱えていたトレードオフを越えて図り、解像度に依存しない量子化表現を構築した点が貢献である。
手法: 画像を離散信号として表現する際の情報損失を抑えつつ、テキスト埋め込み空間と整合する視覚トークンを任意解像度で得る量子化を導入し、統一的なマルチモーダルモデリングと効率的な学習を狙う。
OPID: On-Policy Skill Distillation for Agentic Reinforcement Learning
著者: Shuo Yang, Jinyang Wu, Zhengxi Lu et al.
成果ベースの強化学習はエージェントに安定した最適化基盤を与える一方、軌跡レベルの疎な報酬ではどの中間判断を強化・抑制すべきかの指針がほとんど得られない（33 upvotes）。オンポリシーの自己蒸留が密なトークン級監督を提供しうる点に着目する。
新規性: 疎な軌跡報酬の安定性と、自己蒸留による密なトークン級監督の指向性を組み合わせ、エージェントRLにスキル蒸留として導入した点が新しい。
手法: 成果ベースRLを最適化の背骨としつつ、オンポリシーな自己蒸留でトークンレベルの密な監督信号を与え、中間判断の取捨を明示的に学習させることで、軌跡レベル報酬の弱点を補う。
The Verification Horizon: No Silver Bullet for Coding Agent Rewards
著者: Binghai Wang, Chenlong Zhang, Dayiheng Liu et al.
「検証は生成より易しい」という古典的直感が、コーディングエージェントでは逆転しつつあると論じる研究（30 upvotes）。基盤モデルの推論力と足場の高度化により複雑な解の生成は容易になり、その信頼できる検証のほうが難問になっている。
新規性: 検証信号の品質をスケーラビリティ・忠実性・頑健性の3軸で特徴づけ、この3つを同時に満たすことが中心的課題であると定式化した点が貢献である。意図は本質的に過小指定で、最適化が proxy と意図の乖離（報酬ハッキング・信号飽和）を広げると指摘する。
手法: 一般コーディング向けテスト検証器、フロントエンド向けルーブリック検証器、実タスクのユーザー検証器、長期タスクの自動エージェント検証器の4構成を、タスク種別とポリシー能力水準を横断して分析・実験。標的化された検証設計が報酬ハッキングを抑え、内部・公開ベンチで有意な改善を得ること、そして検証は生成器と共進化しなければならないことを示す。
JetSpec: Breaking the Scaling Ceiling of Speculative Decoding with Parallel Tree Drafting
著者: Lanxiang Hu, Zhaoxiang Feng, Yulun Wu et al.
投機的デコーディング（SD）は複数トークンをドラフトして並列検証することで自己回帰LLMを高速化するが、ドラフト予算を増やしても受理率が高くドラフトのオーバーヘッドが低いときしか速度が伸びないスケーリング限界を抱える（22 upvotes）。
新規性: 並列木ドラフト（parallel tree drafting）によって、従来のドラフト予算スケーリングの天井を打破した点が新しい。
手法: ドラフト段を並列の木構造で展開し、受理率を保ちながらドラフト予算を拡大できるようにすることで、SDの速度向上が頭打ちになる制約を緩和する。
GUI vs. CLI: Execution Bottlenecks in Screen-Only and Skill-Mediated Computer-Use Agents
著者: Xiao Zhou, Siyue Zhang, Yilun Zhao et al.
computer-useエージェントはグラフィカルインターフェース（GUI）とプログラム的なコマンドインターフェース（CLI）の双方でタスクを実行できるが、既存評価は操作モダリティの違いとタスク・初期状態・検証器・許可された操作の差異を混同していた（21 upvotes）。
新規性: タスク・初期状態・検証器・操作集合を揃えた、実行層で統制された対応ベンチマークを導入し、画面操作型とスキル媒介型のボトルネックを純粋に切り分けた点が貢献である。
手法: 交絡要因を統制したマッチド・ベンチマークにより、GUI型とCLI型のcomputer-useエージェントを実行層で比較し、どこに実行上の律速が生じるかを明らかにする。
Why Multi-Step Tool-Use Reinforcement Learning Collapses and How Supervisory Signals Fix It
著者: Yupu Hao, Zhuoran Jin, Huanxuan Liao et al.
ツール利用はLLMが複雑なタスクを遂行する助けになり、エージェント的なRLが能力向上を約束するが、RL単独では多段ツール利用タスクで不安定や限定的な利得しか得られないことが多い（10 upvotes）。一部のモデルは破滅的な不安定を示す。
新規性: 多段ツール利用RLが崩壊する原因を分析し、監督信号の導入によって不安定を修正できることを示した点が新しい。
手法: RL単独の崩壊メカニズムを実験的に特定したうえで、監督信号を組み合わせることで多段ツール利用の学習を安定化させ、利得を回復させる。
Running the Gauntlet: Re-evaluating the Capabilities of Agents Beyond Familiar Environments
著者: Mykola Vysotskyi, Runqi Lin, Grzegorz Biziel et al.
エージェントシステムが実世界に広く展開されるなか、その能力を忠実に評価する需要が高まっているが、現行ベンチは人気アプリ上の比較的単純なタスクに偏り、狭い能力集合しか測れていない（9 upvotes）。
新規性: 慣れ親しんだ環境を越えた未知環境でエージェント能力を再評価する枠組みを提示し、既存ベンチの偏りを是正した点が貢献である。
手法: 単純タスク・狭い能力範囲という従来評価の限界を踏まえ、未知環境における能力をより faithful に測る評価を設計し、エージェントの実力を測り直す。
Look Light, Think Heavy: What Multimodal Chain-of-Thought Reasoning Can and Cannot Do
著者: Zhuoran Jin, Kejian Zhu, Hongbang Yuan et al.
Chain-of-Thought（CoT）は段階的思考を引き出してLLMの推論を改善する標準手法となったが、マルチモーダルタスクでの有効性は依然として不明確である（8 upvotes）。
新規性: マルチモーダルCoTが「何を改善でき、何を改善できないのか」を体系的に検証し、その能力境界を明らかにした点が貢献である。
手法: マルチモーダルCoTが有効/無効となるタスク条件を系統的に調査し、視覚情報の取り込みと推論の重さの観点から、その適用範囲と限界を整理する。
When Does Combining Language Models Help? A Co-Failure Ceiling on Routing, Voting, and Mixture-of-Agents Across 67 Frontier Models
著者: Josef Chen
ルーティング・投票・カスケード・融合・Mixture-of-Agentsといった複数モデルシステムは単一モデル精度を超えるために使われるが、その利得が分野でほとんど報告されない量によって上限づけられることを示した研究。
新規性: 出力がいずれかのメンバーモデルの答えになるポリシーでは、精度が「1からβを引いた値」を超えられないという共失敗（co-failure）上限を、67のフロンティアモデルで実証した点が貢献である。
手法: 出力が単一メンバー答えに帰着する方策の精度上限を、複数モデルが同時に失敗する確率βで特徴づけ、67のフロンティアモデルを横断してルーティング・投票・Mixture-of-Agentsの利得がこの天井に縛られることを定量的に示す。
Necessary but Not Sufficient: Temperature Control and Reproducibility in LLM-as-Judge Safety Evaluations
著者: Hiroki Tamba
LLM-as-judge（grader）は安全性評価を含む評価ハーネスで標準化しており、その合否判定が下流のデプロイ判断を左右する。temperature=0で判定が決定的になるという広く信じられた前提を、実在の安全性評価コードベース（Japan AISIのオープンソース aisev）に対して検証する。
新規性: temperature=0でも安全判定が完全には再現しないことを690 API呼び出しで実証し、審査者の不一致（grader disagreement）を第一級の健全性指標として扱うべきだと提案した点が貢献である。
手法: ハーネスがtemperatureやseedを設定せずgraderを呼ぶとプロバイダ既定の1.0が黙って適用され、決定境界付近の項目が同一実行間で合否反転する（20実行で項目あたり最大約50%の不一致）。temperature=0でも反転は減るが消えず、2プロバイダ・3モデル階層・5構成にわたり貪欲デコーディング下でも7境界項目中1〜2が非再現のままだと示す。再現用ハーネスを公開し、単一実行の判定を分散や審査者不一致なしに報告するとノイズを安全特性として提示しかねないと警告する。
分野別の動向
エージェントの報酬・検証・安定化
本日はエージェントを「正しく学習させ正しく動かす」ための内部設計が前面に立った。The Verification Horizon（30 upvotes）はコーディングエージェントの報酬検証をスケーラビリティ・忠実性・頑健性で特徴づけ、検証は生成器と共進化が必須と論じる。OPID（33 upvotes）は疎な軌跡報酬を密なトークン級のオンポリシー自己蒸留で補い、Why Multi-Step Tool-Use RL Collapses（10 upvotes）は多段ツール利用RLの崩壊原因を監督信号で修正する。前回の「経験学習の信頼性（Execute-Distill-Verify）」の流れを受け、報酬・検証・監督という学習信号の質そのものへ議論が深まっている。
エージェント能力の評価と限界
評価の側からエージェントを問い直す研究も厚い。Running the Gauntlet（9 upvotes）は人気アプリ偏重のベンチを是正し未知環境で能力を再評価、GUI vs. CLI（21 upvotes）は操作モダリティと交絡要因を切り分けた統制ベンチで実行層のボトルネックを測る。When Does Combining Language Models Help? は複数モデル結合の利得が共失敗率に上限づけられることを67モデルで示し、Necessary but Not Sufficient はLLM-as-judgeの安全判定が temperature=0 でも再現しないことを実証して審査者不一致を健全性指標に据える。能力の過大評価・評価ノイズ・結合の天井という、評価の信頼性に関わる論点が並んだ。
効率推論・マルチモーダル表現
基盤・効率の研究も着実だ。JetSpec（22 upvotes）は並列木ドラフトで投機的デコーディングのドラフト予算スケーリング限界を打破し、ViQ（34 upvotes）はテキスト整合の離散視覚量子化を任意解像度で実現して画像離散化の情報損失を抑える。Look Light, Think Heavy（8 upvotes）はマルチモーダルCoTの有効・無効な範囲を体系的に切り分ける。推論速度・統一表現・マルチモーダル推論の有効性という、実装と能力の両面で基盤を固める方向が見える。