LLM APIに丸投げしがちな曖昧タスクを局所性・再現性・低コストで実装するProgram-as-Weightsが本日最高注目。長期エージェントの有界メモリ評価AgenticSTS、自律的ポリシー進化の評価環境EvoPolicyGym、Transformer→ハイブリッド注意への変換手法など、エージェント運用とアーキテクチャの本質を問う研究が並んだ。
注目論文
Program-as-Weights: A Programming Paradigm for Fuzzy Functions
著者: Wentao Zhang, Liliana Hotsko, Woojeong Kim et al.
重要ログ行のアラート、壊れたJSONの修復、意図に沿った検索結果のランキングなど、きれいな規則ベースの実装が難しい日常的なプログラミングタスクを対象にしたプログラミング枠組み（83 upvotes）。こうしたタスクはLLM APIに外注されがちだが、その代償として局所性・再現性・コストが犠牲になる。
新規性: 曖昧な「ファジー関数」をLLM APIへ丸投げする代わりに、局所性・再現性・低コストを保ちながら実装できる新しいプログラミングパラダイムを提示した点が貢献である。
手法: 規則で書き切れない曖昧なタスクを、重み（weights）として表現・実装するプログラム化の枠組みを導入し、外部API依存を避けつつ再現可能な挙動を実現する。
AgenticSTS: A Bounded-Memory Testbed for Long-Horizon LLM Agents
著者: Xiangchen Cheng, Yunwei Jiang, Jianwen Sun et al.
長期エージェントの記憶を「各将来判断が何を見てよいかを定める契約」と捉え、有界メモリの下で評価するテストベッド（46 upvotes）。過去の観測・ツール呼び出し・振り返りを毎回のプロンプトへ追記する最も単純な契約は、アクセスは容易にする一方で文脈を雑多な混合物へと変えてしまう。
新規性: 記憶を単なる蓄積ではなく「将来の意思決定に対して何を開示するかの契約」として定式化し、有界メモリという制約下で長期エージェントを評価するテストベッドを構築した点が新しい。
手法: 過去情報を無制限に追記する素朴な方式が文脈を混濁させる問題に対し、メモリ容量に上限を課した設定で長期タスクを評価し、記憶設計が判断に与える影響を切り分けられるようにする。
EvoPolicyGym: Evaluating Autonomous Policy Evolution in Interactive Environments
著者: Zhilin Wang, Han Song, Runzhe Zhan et al.
実行可能なポリシーをフィードバックを通じて自律的に改善する「Autonomous Policy Evolution」を、最終スコアへ潰さず制御的に評価する環境（43 upvotes）。既存の評価はこの過程を単一のスコアに畳み込んだり、オープンエンドなソフトウェア開発の進捗と混同したりしがちである。
新規性: エージェントによるポリシー改善を最終スコアに還元せず、その進化の過程そのものを制御された設定で切り出して評価する点が貢献である。
手法: Autonomous Policy Evolutionという制御的な評価設定を導入し、フィードバックによるポリシー改善の度合いを、SWE的な進捗と切り分けて計測できるようにする。
Morphing into Hybrid Attention Models
著者: Disen Lan, Jianbin Zheng, Yuxi Ren et al.
一部の全注意層のみを残し残りを線形注意へ置き換えることで長文脈効率を高めるハイブリッド注意モデルへの、Transformerからの変換手法（38 upvotes）。この変換の有効性は「どの層に全注意を残すか」に決定的に依存する。
新規性: Transformer→ハイブリッド変換の性能がどの層に全注意を残すかに強く依存するにもかかわらず、既存手法がその選択を十分に扱えていない問題に取り組んだ点が貢献である。
手法: 全注意を保持すべき層を適切に選び取りながら段階的にハイブリッド化（morphing）することで、長文脈効率を高めつつ変換後の性能劣化を抑える。
AgenticDataBench: A Comprehensive Benchmark for Data Agents
著者: Zhaoyan Sun, Shan Zhong, Daizhou Wen et al.
異種の生データから実行可能な洞察を導くデータサイエンスの自動化を測る、データエージェント向けの包括的ベンチマーク（29 upvotes）。現代社会が生む膨大なデータの価値を引き出すには、労働集約的な作業の自動化が不可欠である。
新規性: データサイエンスの一連の過程を自動化するデータエージェントを、異種生データからの洞察導出という現実的な設定で包括的に評価するベンチマークを整備した点が貢献である。
手法: 多様な生データを対象とするデータ分析タスク群を体系化し、データエージェントの能力を横断的に測定・比較できるベンチマークとして構成する。
WorldDirector: Building Controllable World Simulators with Persistent Dynamic Memory
著者: Hanlin Wang, Hao Ouyang, Qiuyu Wang et al.
永続的な動的オブジェクト記憶と自由な視点探索を両立する、高制御性のビデオ世界モデル枠組み（22 upvotes）。物理的ダイナミクスとピクセル描画を絡め合わせ、運動維持に連続的な視覚観測を要する既存の世界モデルとは対照的である。
新規性: 物理ダイナミクスとピクセルレンダリングを分離し、永続的な動的オブジェクト記憶を持たせることで、連続観測に依存せず自由視点で探索可能な世界シミュレータを実現した点が新しい。
手法: オブジェクトの動的状態を永続的なメモリとして保持し、描画と物理を切り離して制御することで、視点を制約されない探索と動きの一貫性を両立させる。
Logit-Contribution Scoring Identifies Non-Literal Retrieval Heads
著者: Aryo Pradipta Gema, Beatrice Alex, Pasquale Minervini
長文脈利用時に、該当箇所を逐語的にコピーするのではなく意味から答えを合成する「非逐語的検索ヘッド」を、ロジットへの寄与によって同定する手法（15 upvotes）。どの注意ヘッドがこの合成を担うかを特定することは、長文脈でのモデル挙動の解釈に重要である。
新規性: 逐語コピーに基づく既存の検出器が見落とす、意味を統合して答えを生成する非逐語的な検索ヘッドを、ロジット寄与のスコアリングで同定できるようにした点が貢献である。
手法: 各注意ヘッドの出力ロジットへの寄与を測ることで、文脈スパンの意味から答えを合成するヘッドを抽出し、長文脈モデルの内部挙動を解釈可能にする。
AutoMem: Automated Learning of Memory as a Cognitive Skill
著者: Shengguang Wu, Hao Zhu, Yuhui Zhang et al.
何を符号化し、いつ検索し、どう知識を組織するかという、認知科学でメタ記憶と呼ばれる能力を、訓練可能なスキルとしてLLMに持たせる記憶管理（14 upvotes）。記憶の専門性は学習されるスキルであるという視点を導入する。
新規性: 記憶管理を固定的な仕組みではなく訓練可能なスキルとして扱い、ファイルシステム操作を一級の記憶操作として昇格させることで、メタ記憶をLLMに獲得させる点が新しい。
手法: 符号化・検索・組織化といった記憶操作をファイルシステム操作として一級市民化し、それらを学習によって最適化することで、メタ記憶をスキルとして自動獲得する。
When Search Agents Should Ask: DiscoBench for Clarification-Aware Deep Search
著者: Yiling Tao, Shihan Deng, Meiling Tao et al.
ユーザークエリが常に完全で明示的とは限らない現実を踏まえ、検索エージェントが「いつ聞き返すべきか」を測るベンチマーク（9 upvotes）。既存ベンチマークはクエリが完全であると仮定し、この点を見落としてきた。
新規性: 多段検索・推論を要する検索エージェントの評価において、クエリの不完全さに対して適切に明確化を求める（clarification-aware）能力を測る点が貢献である。
手法: 不完全・曖昧なクエリを含む深い検索タスク群を用意し、エージェントが不足情報を検知して聞き返すべき場面で実際に確認できるかを評価する。
PACE: A Proxy for Agentic Capability Evaluation
著者: Yueqi Song, Lintang Sutawika, Jiarui Liu et al.
SWE-BenchやGAIAといった高コストなエージェント評価を、非エージェント型ベンチマークで安価に代理予測する枠組み（7 upvotes）。1回の評価に数千ドルと数日を要する現状に対する解決策である。
新規性: 高価で時間のかかるエージェント評価の代わりに、推論などの個別能力を測る安価な非エージェント型ベンチマークをプロキシとして用い、エージェント能力を予測する点が新しい。
手法: 複雑なインフラを要するエージェントベンチマークの結果を、個別能力ベンチマークの成績から代理的に推定するモデルを構築し、評価コストを大幅に削減する。
分野別の動向
エージェントの記憶・自律性・運用設計
本日はエージェントの運用をどう設計・評価するかを問う研究が層厚く並んだ。AgenticSTS（46 upvotes）は記憶を「将来の判断に何を開示するかの契約」と捉え有界メモリで評価し、AutoMem（14 upvotes）は記憶管理を訓練可能なメタ記憶スキルとして扱う。EvoPolicyGym（43 upvotes）は自律的なポリシー改善の過程を最終スコアに潰さず評価し、DiscoBench（9 upvotes）はエージェントがいつ聞き返すべきかという対話設計を測る。記憶・自律性・明確化という運用の細部が、エージェント研究の中心課題として続いている。
評価とベンチマーク設計
評価コストと接地性を問い直す研究も目立った。AgenticDataBench（29 upvotes）は異種生データからの洞察導出でデータエージェントを包括評価し、PACE（7 upvotes）は高コストなエージェント評価を安価な非エージェント型ベンチマークで代理予測する。EvoPolicyGymやDiscoBenchも含め、「何を・どのコストで・どの粒度で測るか」という評価設計そのものが競争軸になりつつある。
アーキテクチャと解釈可能性
基盤側では、既存アーキテクチャの本質へ踏み込む視点が現れた。Morphing into Hybrid Attention Models（38 upvotes）はどの層に全注意を残すかに着目してTransformerを効率的なハイブリッド注意へ変換し、Logit-Contribution Scoring（15 upvotes）は長文脈で意味から答えを合成する非逐語的検索ヘッドをロジット寄与で同定する。効率化と内部機序の解釈が、モデルの理解を両側から補強している。
世界モデルと曖昧タスクの実装
生成・実装の側面でも新しい枠組みが提案された。WorldDirector（22 upvotes）は物理と描画を分離し永続的な動的記憶で高制御なビデオ世界モデルを構築する。本日最高注目のProgram-as-Weights（83 upvotes）は、LLM APIへ丸投げされがちな曖昧なタスクを、局所性・再現性・低コストを保ちながら重みとして実装する新パラダイムを示した。曖昧さや動的世界を、外部依存を減らして制御可能にする方向が模索されている。