Visual Language Navigation基盤モデルABot-N1が84 upvotesで首位。動画・図表を汎用ビジョン基盤の学習源とする研究が続き、長時間ターミナルタスクやコーディングエージェントのコスト実測など、エージェント評価を足元から問い直す論文が並んだ一日。
注目論文
ABot-N1: Toward a General Visual Language Navigation Foundation Model
著者: Ruiyan Gong, Yingnan Guo, Junjun Hu et al.
Visual Language Navigation（VLN）基盤モデルは、接地された空間判断のための深い推論と、多様な身体化タスクへの広い汎用性の統合を目指す。既存手法は観測から行動へ直接写像する一枚岩のポリシーでこれを実現しようとするが、しばしば汎化性能に難がある（84 upvotes）。
新規性: 深い空間推論と多様な身体化タスクへの汎用性を両立させるVLN基盤モデルとして設計された点が貢献である。
手法: 観測から行動を直接生成する単一ポリシーの限界を踏まえ、空間的意思決定のための推論と多様なタスク対応を統合するアーキテクチャを提案する。
Long-Horizon-Terminal-Bench: Testing the Limits of Agents on Long-Horizon Terminal Tasks with Dense Reward-Based Grading
著者: Zongxia Li, Zhongzhi Li, Yucheng Shi et al.
AIエージェントは短く明確に定義されたタスクを自律的に完了できるようになったが、既存のターミナルベンチマークは数分で終わる単純な問題に偏り、最終結果のみで評価されるため中間的な進捗や部分解を見落としてきた（64 upvotes）。
新規性: 長時間のターミナルタスクを密な報酬グレーディングで評価し、最終成否だけでなく途中の進捗や部分的な達成度も採点する点が新しい。
手法: 長時間タスク向けに、中間進捗を捉える密な報酬ベースの採点基盤を構築し、エージェントの限界を測る評価枠組みを提供する。
Video Generation Models are General-Purpose Vision Learners
著者: Letian Wang, Chuhan Zhang, Rishabh Kabra et al.
次トークン予測を駆動力としてNLPがタスク特化型から強力な汎用基盤モデルへ移行したように、コンピュータビジョンで汎用モデルを実現する触媒は何か。本論文は大規模なtext-to-video生成がその強力な候補になると主張する（59 upvotes）。
新規性: 大規模text-to-video生成を汎用ビジョン基盤モデルの触媒と位置づけ、動画生成の事前学習が広範な視覚タスクへ転移する枠組みを示した点が貢献である。
手法: text-to-video生成モデルを汎用ビジョン学習器として活用し、生成事前学習で得た表現を多様な視覚タスクへ適用する。
Scalable Visual Pretraining for Language Intelligence
著者: Yiming Zhang, Zhonghan Zhao, Wenwei Zhang et al.
大規模基盤モデルの進歩は主に大規模テキストコーパスの事前学習に支えられてきたが、図表・組版された数式・ページレイアウトなど、多くの知識はテキストへ忠実に符号化できない視覚表現を通じて伝えられる（50 upvotes）。
新規性: テキストでは捉えきれない視覚的知識をスケーラブルな視覚事前学習で取り込み、言語知能を強化する点が新しい。
手法: 図表・数式・レイアウトなどが担う情報を活用し、視覚事前学習を通じて言語モデルの知能を高める枠組みを提案する。
SynthDocBench: Controlled Benchmark for Long-Context Visual Document Understanding
著者: Abhigya Verma, Khyati Mahajan, Amit Kumar Saha et al.
視覚言語モデル（VLM）はDocVQAやChartQA、MMLongBench-Docなどの視覚文書理解ベンチマークで高い性能を示すが、実世界の文書は長さ・レイアウトの複雑さ・モダリティ・質問難度など複数の要因が絡み合い、評価を難しくしている（50 upvotes）。
新規性: 長さ・レイアウト・モダリティ・難度を制御可能な合成ベンチマークとして、長文脈視覚文書理解を要因分解して評価できる点が貢献である。
手法: 各要因を統制した合成文書を生成し、長文脈の視覚文書理解性能を制御された条件下で測定するベンチマークを構築する。
Read It Back: Pretrained MLLMs Are Zero-Shot Reward Models for Text-to-Image Generation
著者: Runhui Huang, Qihui Zhang, Zhe Liu et al.
本論文は、事前学習済みMLLMをそのまま画像生成の強化学習用報酬モデルに転用する学習不要の報酬関数SpectraRewardを提案する。生成画像を判定させたり検証質問に分解して答えさせたりする代わりに、別のアプローチで報酬を測る（40 upvotes）。
新規性: 学習不要でMLLMを画像生成RLの既製報酬モデルとして活用でき、判定や質問分解に依存しない報酬計測を実現した点が新しい。
手法: 生成画像への直接判定ではなく、MLLMが持つ表現を用いて報酬信号を測定するSpectraRewardを設計し、text-to-image生成の強化学習に組み込む。
Trust Region Policy Distillation
著者: Zhengpeng Xie, Li Lyna Zhang, Zeke Xie et al.
大きな目標を一度に達成するのは難しく、小さなステップに分解する方が賢明である。本論文は、悪名高いほど不安定で高分散なオンポリシー蒸留（OPD）を安定した学習パラダイムへ変換するTrust Region Policy Distillation（TOP-D）を提案する（25 upvotes）。
新規性: 近接教師を動的に構築することで、不安定なオンポリシー蒸留を信頼領域の枠組みで安定化させた点が貢献である。
手法: 学習中に近接的な教師を動的に構成し、信頼領域制約のもとで蒸留を進めることで、高分散なOPDを安定した訓練へ変換する。
KronQ: LLM Quantization via Kronecker-Factored Hessian
著者: Donghyun Lee, Yuhang Li, Ruokai Yin et al.
事後量子化（PTQ）は再学習なしにLLMを圧縮する広く採用された手法である。GPTQを含む既存の二次PTQ手法は入力活性化の統計のみから量子化目的を構成し、すべての出力チャネルが等価であると事実上仮定していた（23 upvotes）。
新規性: Kronecker因子化したHessianを用いることで、入力活性化だけでなく出力チャネルの寄与も考慮した量子化目的を構成し、精度を改善した点が新しい。
手法: Hessianをクロネッカー因子で近似し、出力チャネルの非等価性を反映した二次目的でPTQを行うことで、LLMを高精度に量子化する。
Token Reduction Is Not Cost Reduction
著者: Sarel Weinberger, Amir Hozez
APIベースのコーディングエージェント向けの文脈削減層（コマンド出力圧縮・検索ランカー・ペイロード最適化プロキシ）は、通常どれだけテキストを除去したかで評価される。本論文は、文脈削減がタスク成功を損なわず軌跡も延ばさずに実請求額を下げるのはいつか、を問う（arXiv:2607.12161）。
新規性: 2,900件超のプロバイダ課金実測により、トークン削減が必ずしも請求額削減を意味しないことを示し、トークン数ではなく「成功込みの請求コスト」を中心に据えた証拠基準を提案した点が貢献である。
手法: ハッシュ固定・ペア設計の2,848件を分析し、プロンプトキャッシュ通信がコストの約87%を占めること、推定生トークンを38%削減した構成がむしろペアコストを6.8%増やしたこと、圧縮が編集アンカーを壊してパッチ適用を27/40から15/40へ低下させたことを実証する。
A Shared Subcircuit Lets LLMs Count Down Across Tasks
著者: Jacob Dunefsky, Wes Gurnee, Emmanuel Ameisen
ちょうど12単語の文を書く、DNA配列を正しいコドンで終える、ASCIIテーブルを整形する——これらはすべて、目標まで残り何トークンかを追う必要があるタスクである。本論文はLlama-3.1-70B-Instructでこれらを担う一般的な機構を同定する（arXiv:2607.12279）。
新規性: 現在位置と目標長を比較し残り時間を推定する「カウントダウン部分回路」を単離し、フロンティアLLMで別タスクに見つかった表現モチーフと同一であることを示して、機構がモデル間で共有される可能性を示した点が新しい。
手法: 固定長文生成という統制環境で部分回路を単離し、その表現の幾何を解析。教師なしプロービングにより、目標長が文脈から推論されるタスクを含む多様なタスクで同じ部分回路が使われることを自然言語データセット上で確認する。
分野別の動向
身体化・ビジョンを取り込む基盤モデル
上位を身体化AIとビジョン基盤の研究が占めた。ABot-N1（84 upvotes）は深い空間推論と多様な身体化タスクへの汎用性を両立させるVisual Language Navigation基盤モデルを提案する。Video Generation Models are General-Purpose Vision Learners（59 upvotes）は大規模text-to-video生成を汎用ビジョン基盤の触媒と位置づけ、Scalable Visual Pretraining for Language Intelligence（50 upvotes）は図表・数式・レイアウトなどテキストに符号化できない視覚知識を言語知能へ取り込む。テキスト一辺倒だった事前学習を、動画や文書といった視覚モダリティへ拡張しようとする流れが鮮明である。
文書理解と生成の評価・報酬
視覚文書と画像生成をめぐる評価・報酬の設計が並んだ。SynthDocBench（50 upvotes）は長さ・レイアウト・モダリティ・難度を統制した合成ベンチマークで長文脈視覚文書理解を要因分解し、Read It Back（40 upvotes）は事前学習済みMLLMを学習不要のまま画像生成RLの報酬モデルへ転用する。生成物を「どう測るか」を作り込む姿勢が共通する。
エージェントの現実的コストと限界の測定
エージェント評価を実運用の足元から問い直す研究が目立った。Long-Horizon-Terminal-Bench（64 upvotes）は長時間ターミナルタスクを密な報酬で採点し中間進捗まで評価する。Token Reduction Is Not Cost Reduction（arXiv:2607.12161）は2,900件超の課金実測で、文脈圧縮のトークン削減が請求額削減にも成功率維持にも直結しないことを示した。派手な性能競争ではなく、コストと信頼性という運用指標へ関心が移っている。
効率化と機構理解
基盤側では効率と解釈が並んだ。TOP-D（25 upvotes）は近接教師の動的構築で不安定なオンポリシー蒸留を安定化し、KronQ（23 upvotes）はKronecker因子化Hessianで出力チャネルを考慮した事後量子化を実現する。A Shared Subcircuit Lets LLMs Count Down（arXiv:2607.12279）はLlama-3.1-70Bで残りトークン数を追う部分回路を単離し、タスク・モデルを横断する汎化機構を明らかにした。学習・推論の効率化と、その内部で何が起きているかへの関心が交差している。