テキスト偏重だった文脈学習・視覚推論の評価をマルチモーダルへ広げるベンチマーク（CLBench-V、See2Think、MPIE-Bench）が上位に集まった。既存コードなしでプログラムを一から合成するMindForge・SpecFirst、人物中心のエンボディドデータや空間ツール推論も並び、評価基盤とゼロショット構築が焦点となった。
注目論文
CLBench-V: Evaluating Multimodal Context Learning from Grounding to Knowledge Acquisition
著者: Lai Wei, Chengqi Li, Jiapeng Li et al.
実世界のタスクは事前学習知識だけに頼らず、タスク固有の文脈から学ぶ「文脈学習（context learning）」を要するが、既存評価はテキスト文脈に偏っている（44 upvotes）。CLBench-Vは接地から知識獲得までをマルチモーダル文脈で測るベンチマークを提示する。
新規性: 文脈学習の評価を、視覚要素への接地からタスク固有知識の獲得までを含むマルチモーダルな設定へ拡張した点が貢献である。
手法: テキスト中心の文脈学習評価を、マルチモーダルな文脈を与えたうえで接地・知識獲得の各段階を切り分けて測定できる形に再設計する。
MPIE-Bench: Benchmarking Anatomically Plausible Multi-Person Interaction Editing
著者: Jiajia Lin, Mingxuan Du, Tuowen Zhou et al.
テキストから画像・個別化編集モデルは単一被写体では高品質な合成が容易だが、抱擁・運搬・組み合いのような複数人物の接触動作では肢体の融合や余分な四肢、身体の相互貫入といった破綻が露呈する（37 upvotes）。
新規性: 複数人物の接触動作編集に特化し、解剖学的な整合性（anatomically plausible）を評価軸に据えたベンチマークを提示した点が新しい。
手法: 抱擁・運搬・組み合い等の共有接触動作を対象に、融合・余剰肢・相互貫入といった典型的破綻を捉えられる評価データと指標を整備する。
ACE-Data-0: Human-Centric Ambient Capture as Embodied Data Engine
著者: Yukang Cao, Haozhe Xie, Beichen Wen et al.
エンボディド知能はデータのボトルネックに直面しており、一人称視点の知覚・全身運動・器用な操作・物体状態・音・触覚が目標追求の中で共に変化する様子を捉える必要がある（34 upvotes）。既存データセットはこの経験を視点やモダリティごとに断片化している。
新規性: 人間中心のアンビエントキャプチャを「エンボディドデータエンジン」として捉え、複数モダリティを統合的に取得する基盤を提示した点が貢献である。
手法: 一人称知覚・全身運動・器用操作・物体状態・音・触覚を、時間発展を保ったまま一体的に収集し、断片化しないエンボディドデータ生成基盤として構築する。
Beyond Borrowed Histories: Person-Aligned User Simulation for Interactive Role-Playing Evaluation
著者: Yuhang Zhu, Mingxuan Du, Benfeng Xu et al.
ロールプレイエージェント（RPA）はLLMの重要な消費者向け応用となり、感情的な癒しなどを求めた多ターン対話が行われるため、能力の測定・比較・改善に信頼できる評価が不可欠である（30 upvotes）。
新規性: 借り物の履歴に依存せず、特定の人物像に整合させたユーザーシミュレーションを用いてロールプレイ評価を行う点が新しい。
手法: 人物に整合（person-aligned）したユーザーシミュレータで多ターン対話を駆動し、RPAの能力を一貫した条件下で評価できるようにする。
RefCaptioner: Multi-Reference Image-Grounded Video Captioning
著者: Tengfei Liu, Yang Shi, Yuran Wang et al.
既存の動画キャプショニングは自然な記述を生成できるが、局所的な視覚要素を複数の参照画像に明示的に接地することはできない（25 upvotes）。本研究は複数参照画像に接地する新タスクとモデルを提示する。
新規性: 複数の参照画像に句レベルで局所視覚要素を接地させる「マルチ参照画像接地動画キャプショニング」という新タスクを定義した点が貢献である。
手法: 事実に即した動画記述に対し、句レベルの参照接地を付与できるモデルを設計し、複数参照画像との対応づけを実現する。
MindForge: Teaching Small Language Models Whole-Life-Cycle Software Engineering via Source-Free Program Synthesis
著者: Yihao Chen, Shi Chang, Khaled Chawa et al.
コーディングエージェントは既存コードベースの修正では進歩したが、プログラムを一から構築する課題は依然難しく、ProgramBenchではフロンティアモデルでも十分に解けない（23 upvotes）。
新規性: 小型言語モデルに、ソース不要（source-free）のプログラム合成を通じてゼロからの全ライフサイクルなソフトウェア工学を教える点が新しい。
手法: 既存ソースに依存せず、プログラムを一から合成する過程を通じて、小型モデルに設計から実装までの全ライフサイクル能力を習得させる。
See2Think: Do Multimodal Models Really Use Intermediate Visual States?
著者: Siyu Yan, Zhuoran Yan, Haiying Xu et al.
マルチモーダルLLMは推論中にスケッチ・注釈・ツール・中間画像を用いる場面が増えているが、これらの視覚状態に本当に依存しているかは不明である（22 upvotes）。既存ベンチマークは課題被覆が狭い、あるいはテキストだけで部分的に解けるという限界を抱える。
新規性: マルチモーダルモデルが中間視覚状態を実際に活用しているかを、テキストだけでは解けない設定で検証するベンチマークを提示した点が貢献である。
手法: 課題被覆の狭さやテキストで解ける漏れを排した評価を設計し、中間視覚状態への真の依存度を切り分けて測定する。
SpatialCLI: Learning to Reason With Spatial Tools, Then Without Them
著者: Yang Zhou, Zixuan Huang, Sunzhu Li et al.
VLMはエンボディドエージェントで視覚入力の解釈や空間関係の推論に使われるが、全体タスクは推論できても細かな空間推論が苦手という能力のミスマッチが残る（21 upvotes）。
新規性: 空間ツールを用いて推論を学習させた後、ツールなしでも空間推論できるようにする二段構えの学習方針を提示した点が新しい。
手法: まず空間ツールを介した推論を学習させ、続いてツールに依存しない形へ移行させることで、VLMの空間推論能力を内在化する。
β-OPSD: Deriving with Policy Optimization, Training with Self-Distillation
著者: Jiawei Xu, Minghui Liu, Juzheng Zhang et al.
オンポリシー自己蒸留（OPSD）は推論言語モデルの改善に有望だが、実運用では脆く、安定させるにはかなりの工学的作業を要する（18 upvotes）。本研究はその難しさの構造的な原因を特定する。
新規性: 通常のOPSDをβ=1の特殊ケースと捉え直し、βを一般化することで脆さを解消し安定化する枠組みを示した点が貢献である。
手法: ポリシー最適化から導出し自己蒸留で訓練するという視点でOPSDを再定式化し、β=1に固定されていた要素を一般化して安定した訓練を可能にする。
SpecFirst: Behavioral Specification Elicitation as a First-Class Step in Agent-Based Program Synthesis from Scratch
著者: Yihao Chen, Shi Chang, Feng Lin et al.
LLMエージェントは既存コードベースが文脈を与えるソフトウェア工学課題に強いが、プログラムを一から構築するのは本質的に難しく、ProgramBench等がその差を定量化している（18 upvotes）。
新規性: ゼロからのプログラム合成において、行動仕様の抽出（specification elicitation）を第一級の工程として明示的に据えた点が新しい。
手法: 自然言語文書と実行専用バイナリのみが与えられる設定で、行動仕様を先に引き出してからエージェントによる合成に進む段階的な手続きを導入する。
分野別の動向
マルチモーダル評価ベンチマークの精緻化
テキスト偏重だった評価を、モダリティをまたいだ「本当にできているか」を問う方向へ更新する研究が上位に集まった。CLBench-V（44 upvotes）は文脈学習を接地から知識獲得までマルチモーダルで測り、See2Think（22 upvotes）はモデルが中間視覚状態に真に依存しているかをテキストで解けない設定で検証する。MPIE-Bench（37 upvotes）は複数人物の接触動作編集の解剖学的整合を、Beyond Borrowed Histories（30 upvotes）は人物整合ユーザーシミュレーションでロールプレイ対話を評価する。いずれも「見かけの成功」を排し、能力を切り分けて測る設計が共通する。
ゼロからのプログラム合成
既存コードの修正から、プログラムを一から構築する課題へ焦点が移りつつある。MindForge（23 upvotes）は小型モデルにソース不要の合成で全ライフサイクルなソフトウェア工学を教え、SpecFirst（18 upvotes）は行動仕様の抽出を第一級の工程に据えてエージェント合成を進める。同じ著者陣によるProgramBenchを共通の試験場とし、仕様理解とゼロショット構築の難しさに正面から取り組む流れが見える。
エンボディド・空間推論
物理世界で動くエージェントのためのデータと推論の研究も並んだ。ACE-Data-0（34 upvotes）は一人称知覚・全身運動・器用操作・音・触覚を断片化せず統合取得するエンボディドデータ基盤を提示し、SpatialCLI（21 upvotes）は空間ツールで学習した後ツールなしで空間推論できるVLMを目指す。RefCaptioner（25 upvotes）は複数参照画像への句レベル接地という新タスクを立て、視覚の局所接地を強化する。
推論モデルの訓練安定化
推論LMの訓練手法を安定化させる研究も更新された。β-OPSD（18 upvotes）は脆かったオンポリシー自己蒸留をβ=1の特殊ケースと捉え直し、βを一般化することで工学的作業に依存しない安定訓練を実現する。ポリシー最適化と自己蒸留を統一的に見る視点が、実運用での再現性を高める鍵として提示されている。