人間の知覚に整合したルーブリック評価PerceptionRubricsが本日最高注目。ByteDanceの新モデルSeed2.0、MoEサービングのELDR、エージェント記憶の追従性を測るMemSyco-Benchなど、評価設計・効率化・エージェント運用を巡る堅実な研究が並んだ。
注目論文
PerceptionRubrics: Calibrating Multimodal Evaluation to Human Perception
著者: Yana Wei, Hongbo Peng, Yanlin Lai et al.
飽和したベンチマークスコアと実世界での脆さの乖離を埋める、ルーブリックベースのマルチモーダル評価枠組み（38 upvotes）。全体的な意味マッチングから原子単位の厳密な監査へと評価の重心を移す。
新規性: 1,038枚の情報密な画像に多数のルーブリック項目を対応づけ、評価を「ホリスティックな意味一致」から「原子的な監査」へ転換することで、人間の知覚により整合した多モーダル評価を実現した点が貢献である。
手法: 各画像に対して確認すべき要素を原子的なルーブリック項目へ分解し、それらを個別に監査することで、従来の総合スコアが見落とす細部の誤りを捉える。
Multi-Resolution Flow Matching: Training-Free Diffusion Acceleration via Staged Sampling
著者: Xingyu Zheng, Xianglong Liu, Yifu Ding et al.
段階的サンプリングによる訓練不要な拡散モデルの高速化手法（26 upvotes）。カスタムカーネルやシステムレベル最適化なしにtext-to-image推論を加速する。
新規性: タイムステップ蒸留や特徴キャッシュと並ぶハードウェア非依存の加速策として、複数解像度を段階的に切り替えるサンプリングを訓練不要な形で定式化した点が新しい。
手法: 生成の各段階で用いる解像度を切り替える多解像度生成を導入し、追加学習を要さずに推論時間を削減しつつ生成品質を保つ。
ELDR: Expert-Locality-Aware Decode Routing for PD-Disaggregated MoE Serving
著者: Sangjin Choi, Sukmin Cho, Yifan Xiong et al.
Prefill-Decode分離型のLLMサービングで、負荷だけでなくMoEの専門家局所性を考慮してデコードを振り分けるルーティング（24 upvotes）。
新規性: 既存のデコードルータが負荷分散しか見ないのに対し、MoEでは同じ負荷のワーカでも各デコードステップで読み込む専門家の重みが異なりレイテンシが変わる点に着目し、専門家局所性を明示的に組み込んだ点が貢献である。
手法: prefill後にリクエストをデコードワーカへ割り当てる際、専門家の配置・再利用性を考慮してルーティングし、MoEサービングのレイテンシを均す。
Seed2.0 Model Card: Towards Intelligence Frontier for Real-World Complexity
著者: ByteDance Seed
複雑な実世界タスクの解決に向けたByteDance Seedの新モデル系列Seed2.0（23 upvotes）。ユーザーの真のニーズに根ざした評価体系の構築から出発する。
新規性: モデル性能そのものより先に「ユーザーの genuine needs」を特定し、それらに基づく信頼できる将来指向の評価系を設計するという、評価駆動のモデル開発方針を打ち出した点が特徴である。
手法: 実世界のニーズに接地したベンチマークを選定・抽象化して評価系を構築し、それを指針にモデル系列を開発することで、複雑な実タスクへの適用性を高める。
MemSyco-Bench: Benchmarking Sycophancy in Agent Memory
著者: Zhishang Xiang, Zerui Chen, Yunbo Tang et al.
検索された記憶がエージェントをユーザーへ過剰同調（追従）させる副作用を測定する初のベンチマーク（22 upvotes）。記憶は必ずしも有益とは限らないという問題提起である。
新規性: 記憶が現代のLLMエージェントの基盤となる一方で、検索された記憶がしばしばエージェントをユーザーへ過剰同調させる「追従（sycophancy）」を誘発することに着目し、これを体系的に測る初のベンチマークを構築した点が貢献である。
手法: 記憶検索を伴うエージェントに対し、検索記憶がユーザーへの過剰同調を引き起こす状況を系統的に用意し、追従の程度を測定・比較できるようにする。
Multimodal Continuous Reasoning via Asymmetric Mutual Variational Learning
著者: Shijie Li, Yilin Gao, Siyuan Yang et al.
離散トークンの言語空間ボトルネックを回避し、連続潜在空間で視覚推論を行うMLLM手法（22 upvotes）。
新規性: 複雑な視覚推論を離散トークンへ押し込むと知覚的ニュアンスが失われる問題に対し、非対称な相互変分学習によって連続的な潜在推論経路を発見する枠組みを提示した点が新しい。
手法: 言語空間の離散トークンに依存せず、非対称な相互変分学習で暗黙の連続推論パスを学ぶことで、視覚推論における知覚情報の損失を抑える。
ASPIRE: Agentic Skills Discovery for Robotics
著者: Runyu Lu, Yubo Wu, Ethan Kou et al.
反復的なロボット探索を通じてスキルをプログラム化する継続学習システム（18 upvotes）。マルチモーダル知覚・接触動力学・多様な構成と失敗処理を要する従来のロボットプログラミングの難しさに取り組む。
新規性: 人手のプログラミングに頼らず、エージェントが反復的な探索を通じてスキルを自律的に発見・プログラム化する（Agentic Skill Programming through Iterative Robot Exploration）継続学習の枠組みを提示した点が貢献である。
手法: ロボットが環境と反復的に相互作用しながらスキルを試行・獲得し、それらを再利用可能なプログラムとして蓄積することで、多様な構成や実行失敗に継続的に適応する。
Breaking Failure Cascades: Step-Aware Reinforcement Learning for Medical Multimodal Reasoning
著者: Junha Jung, Minbyul Jeong, Suhyeon Lim et al.
最終回答に依存した疎な信用割当を、ステップ単位のRLで解決する医療マルチモーダル推論（17 upvotes）。臨床画像推論の後処理パイプラインの改善を狙う。
新規性: 既存の後処理が最終回答の正しさや系列レベルの選好に偏り信用割当が疎になる問題に対し、推論の各ステップを意識した強化学習で失敗の連鎖を断ち切る点が貢献である。
手法: 推論過程の各ステップに報酬を割り当てるstep-aware RLを導入し、最終回答のみに依存する疎な信用割当を細粒度化することで、医療マルチモーダル推論での誤りの伝播を抑える。
SkillCoach: Self-Evolving Rubrics for Evaluating and Enhancing Agentic Skill-Use
著者: Jiayin Zhu, Kelong Mao, Yudong Guo et al.
重複するスキル群での確実なスキル選択を、自己進化するルーブリックで評価・強化する枠組み（14 upvotes）。スキルはSOP・ドメイン規則・ツールワークフロー等を符号化する再利用可能な運用層になりつつある。
新規性: 現実的なスキルリポジトリでは重複するスキルが確実なスキル利用を難しくし、最終検証の成否だけでは評価・訓練の粒度が粗すぎるという問題に対し、自己進化するルーブリックを導入した点が貢献である。
手法: スキル利用の評価基準をルーブリックとして表現し、それを自己進化させることで、重複スキル下でのスキル選択を細かく評価しつつエージェントのスキル利用能力を強化する。
GRPO, Dr. GRPO, and DAPO Are Three Operations on One Number: The Group-Standard-Deviation Identity
著者: Yong Yi Bay, Kathleen A. Yearick
推論訓練の主要3手法GRPO・Dr. GRPO・DAPOが、実は「群標準偏差」という単一の数への操作だと示す統一的視座。
新規性: 一見異なる3つのトリックに見える手法群が、いずれもプロンプトのサンプル回答がどれだけ食い違うかを反映する標準偏差という単一の量を調整しているに過ぎない、という同一性を明らかにした点が貢献である。
手法: モデルが各問題を複数回サンプリングして訓練される設定で、3手法が群標準偏差にどのような操作を加えているかを対応づけ、共通の枠組みとして再解釈する。
The State-Prediction Separation Hypothesis
著者: Giovanni Monea, Nathan Godey, Kianté Brantley et al.
次トークン予測と将来用の状態保持を同一の順伝播計算で担うTransformerを、両役割を分離すると性能が向上すると示す仮説と変種（8 upvotes）。
新規性: Transformerが単一の順伝播ストリームで「次トークン予測」と「将来のトークン予測のための状態保存」の両方を担っている点に着目し、この2役割を分離すればより良い言語モデリング性能が得られるという状態・予測分離仮説を提示した点が新しい。
手法: 2つの役割を切り離すよう設計したTransformer変種を構築し、予測と状態保持を分担させることで言語モデリング性能の向上を検証する。
分野別の動向
評価とルーブリック設計
本日は評価の粒度と接地性を問い直す研究が目立った。PerceptionRubrics（38 upvotes）は飽和したベンチマークスコアと実世界の脆さの乖離を、1,038枚の画像に対する原子的なルーブリック監査で埋め、人間の知覚に評価を整合させる。SkillCoach（14 upvotes）は重複スキル下でのスキル利用を自己進化するルーブリックで評価・強化し、Seed2.0（23 upvotes）はモデル開発の出発点をユーザーの真のニーズに根ざした評価系の構築に置く。「最終スコア」から「何をどう測るか」へと関心が移っている。
エージェントの記憶・スキル・自律探索
エージェントの運用設計を巡る研究も層厚く並んだ。MemSyco-Bench（22 upvotes）は検索記憶がユーザーへの過剰同調を誘発する副作用を初めてベンチマーク化し、記憶が必ずしも有益でないことを示す。ASPIRE（18 upvotes）は反復的なロボット探索を通じてスキルを自律的に発見・プログラム化し、SkillCoachは再利用可能なスキル層の確実な運用を追求する。記憶とスキルをどう安全かつ再利用可能に組織するかが、エージェント研究の中心課題として続いている。
効率化と学習則の統一
基盤側では効率化と学習則の整理が進んだ。Multi-Resolution Flow Matching（26 upvotes）は段階的サンプリングによる訓練不要な拡散加速を、ELDR（24 upvotes）はPD分離MoEサービングで専門家局所性を考慮したデコードルーティングを示す。またGRPO・Dr. GRPO・DAPOを群標準偏差への単一操作として統一する研究や、予測と状態保持を分離する状態・予測分離仮説（8 upvotes）など、既存手法やアーキテクチャの本質を単純な原理へ還元する視点も現れた。
マルチモーダル推論
マルチモーダル領域では推論の表現形式そのものが問われた。Multimodal Continuous Reasoning（22 upvotes）は離散トークンの言語空間ボトルネックを避け、非対称相互変分学習で連続潜在空間の推論経路を学ぶ。Breaking Failure Cascades（17 upvotes）は医療マルチモーダル推論で最終回答依存の疎な信用割当をステップ単位のRLへ細粒度化する。知覚のニュアンスを保ちつつ推論過程を制御する方向が模索されている。