長期検索エージェントの信用割当を答えから遡って行うABSeekerが63 upvotesで首位。全応答が失敗した群から学習信号を回収するDistill Where You Fail、画面操作を決定的に記憶へ変換するActivity Framesが続き、エージェントの訓練信号と記憶という内側の配管が同時に掘られた一日である。
注目論文
ABSeeker: Training Long-Horizon Search Agents via Answer-Backtracked Credit Assignment
著者: Yijun Lu, Rui Ye, Jiajun Wang et al.
長期の検索エージェントは、検索・取得・検証・証拠統合という複数の逐次的な行動を重ねて最終回答に到達する（63 upvotes）。しかし既存の訓練手法は、教師ありファインチューニング（SFT）でも強化学習でも、軌跡内のすべてのステップを一律に扱ってきた。
新規性: ステップの一律扱いを問題として切り出し、最終的な答えから逆向きに辿ることで、どのステップが結論に効いたかを特定して信用を配る点が貢献である。長期軌跡において「証拠を取りに行った一手」と「無駄に終わった一手」を訓練時に区別できるようになる。
手法: answer-backtracked credit assignment により、回答から遡って各ステップの寄与を推定し、SFTとRLの双方で重み付けを行う。
Interpretable MEG Decoding of Perceived Speech: Cortical Sources and the Stimulus Features That Drive Retrieval
著者: Ilia Semenkov, Daria Kleeva, Ivan Dakhtin et al.
非侵襲の脳磁図（MEG）記録から、知覚された音声の短いセグメントを取り出せることは既に示されている（58 upvotes）。wav2vec 2.0の音声埋め込みに対してCLIP型の目的関数で訓練した深層ネットワークがそれを担うが、学習された重みは電気生理学的な量に対応づかず、検索を実際に駆動している刺激特徴も不明なままであった。
新規性: デコーダの性能ではなく、その中身の解釈に踏み込んだ点が貢献である。検索がどの皮質源に由来し、どの刺激特徴に支えられているかを明示することで、脳デコーディングの結果を神経科学の言葉に接続する。
手法: CLIP型で訓練したMEGデコーダを皮質源へ帰属させ、検索性能を駆動する刺激特徴を同定する解析を行う。
ChronoVision: Temporal Reasoning via Latent State Reconstruction
著者: Yifan Shen, Jian Xu, Boyi Li et al.
マルチモーダル大規模言語モデルは受動的な知覚には優れる一方、多段の時間推論を要する視覚的認知課題では性能が落ちる（33 upvotes）。この劣化は言語ベースの推論に固有の曖昧さ、すなわち連続的な視覚変化を言葉で正確に言い表せないことに大きく起因する。
新規性: 推論の媒体を言語から潜在状態へ移す点が新しい。時間的変化を逐一言語化させるのではなく、潜在空間で状態を再構成させることで、多段推論の各ステップから言語由来の曖昧さを取り除く。
手法: 潜在状態の再構成を通じて時間推論を行い、連続的な視覚ダイナミクスを言語表現に落とさずに保持する。
DataSpace: Benchmarking Data Agents for Verifiable Analytics over Heterogeneous Workspaces
著者: Boyan Li, Zhuowen Liang, Yupeng Xie et al.
データエージェントは組織のワークスペースに対する自然言語分析を可能にするが、実際の証拠はデータベース・構造化ファイル・長文書・マルチメディアに散在している（25 upvotes）。既存ベンチマークは構造化クエリ、検索、開放的分析をそれぞれ切り離して扱っており、異種混在の状況が抜け落ちている。
新規性: 分析タスクを異種ワークスペース全体に対して定義し、しかも回答が検証可能な形で評価できるよう設計した点が貢献である。単一形式のデータに閉じたベンチマークでは測れない、証拠の横断的な収集能力が対象になる。
手法: 複数形式のデータが混在するワークスペースを構築し、検証可能な分析タスク群でデータエージェントを評価する。
GDPevo: Evaluating Agent Self-Evolution on Real Business Tasks
著者: Leijun Zhou, Zhihao Liu, Xiang Qu et al.
エージェントの自己進化とは、過去の経験から永続状態を更新し、それを再利用して関連タスクをより効果的に解くことを指す（24 upvotes）。その評価は難しく、既存ベンチマークは経済的価値のあるタスク領域を十分に覆えておらず、訓練用タスクと試験用タスクの設計も必ずしも適切ではない。
新規性: 自己進化の評価軸を実際の業務タスクへ移し、訓練と試験の関係を設計し直した点が貢献である。永続状態の更新が本当に転移しているのかを、経済的に意味のある領域で問う。
手法: 実業務由来のタスク群を整備し、永続状態の更新と再利用がタスク横断で効いているかを測る評価プロトコルを構成する。
Teaching Nemotron Greek: Mining a Corpus, Adapting Retrieval, and Grounding Generation for Modern Greek across Specialist Domains
著者: Ayoub Kirouane, Christos Petrocheilos
現代ギリシャ語はNVIDIAのNemotron検索モデルからも主要な多言語検索ベンチマークからも抜け落ちている（24 upvotes）。法務・エネルギー・金融・医療といった分野の検索拡張生成（RAG）にとっては重要な言語であるにもかかわらずである。
新規性: モデルの一部を差し替えるのではなく、コーパス採掘・検索適応・生成のグラウンディングという端から端までの適応を一本の作業として提示した点が貢献である。専門分野に特化した多言語RAGを、既存スタックの上に構築する手順が具体化される。
手法: Nemotron検索スタック全体をギリシャ語へ適応させる。コーパスを採掘し、検索モデルを適応させ、専門ドメインの生成をグラウンディングする。
Ego2Robot: Scalable Robot Data Synthesis from Egocentric Human Data
著者: Ye Wang, Pei Lin, Xiong-Hui Chen et al.
汎化するロボット操作方策の学習には、大規模かつ多様な実演データが必要である（22 upvotes）。一人称視点の人間操作映像は場面とタスクの多様性に富み、それをリターゲットしてロボット形式のデータへレンダリングする先行研究は、タスクごとの方策としては有効な結果を示してきた。
新規性: タスク単位の変換にとどまっていた既存路線をスケールさせ、汎化する方策の訓練に足るデータ合成として成立させた点が貢献である。人間の日常動作という既存資産をロボット学習データへ転換する経路が広がる。
手法: 一人称の人間操作映像からロボット形式の学習データを大規模に合成し、そこから操作方策を訓練する。
K-EXAONE 2.0 Technical Report
著者: Eunbi Choi, Kibong Choi, Sehyun Chun et al.
LG AI Researchによるオープンウェイトの多言語基盤モデルK-EXAONE 2.0の技術報告である（18 upvotes）。フロンティア規模の基盤モデルへ向かう取り組みの一段階として位置づけられている。
新規性: ゼロから訓練するのではなく、既存のK-EXAONEをアップサイクルしてアーキテクチャを拡張し、Mixture-of-Expertsを構成する路線を採った点が特徴である。訓練資源の制約下で規模を伸ばす現実的な設計選択として参照価値がある。
手法: 既存モデルの重みを再利用しながらアーキテクチャを拡張し、Mixture-of-Experts構成の多言語基盤モデルとして仕上げる。
Activity Frames: Deterministic Screen-Activity Compilation for Agent Memory and Replay
著者: Nossa Iyamu
コンピュータ操作エージェントは、ユーザが既に実行済みの手順をフロンティアモデルの推論コストを丸ごと払って再導出している（18 upvotes）。今日のエージェント記憶が「ユーザが何を言ったか」しか記録せず、「ユーザが何をしたか」を残していないためである。
新規性: 記憶の構築にモデル推論を一切使わない決定的パイプラインとした点が新しい。受動的に取得した画面操作を機械的に区切って記憶へ変換するため、記憶生成自体のコストとばらつきが消える。
手法: 受動取得した画面操作の記録を、ゼロモデルの決定的パイプラインで区切り、エージェント記憶と再生可能な単位へコンパイルする。
Distill Where You Fail: Recovering Learning Signals of Negative RL-Groups from Adaptive Teacher Guidance
著者: Zhuowen Han, Jinwei Xiao, Zhengxi Lu et al.
検証可能な報酬による強化学習（RLVR）はLLM事後訓練の標準的な枠組みとなった（15 upvotes）。広く採用されるGroup Relative Policy Optimization（GRPO）は報酬信号が疎であり、群内のすべての応答が失敗した場合には勾配が完全に失われるという問題を抱える。
新規性: 捨てられていたネガティブ群を学習資源として回収する点が貢献である。全滅した群こそモデルが最も学ぶべき難所であるという観点から、そこに教師の誘導を差し込む。
手法: 適応的な教師誘導によってネガティブ群に学習信号を与え、GRPOで消失していた勾配を復元する。
分野別の動向
エージェント訓練の信用割当
前日に続き、長期軌跡のどこに学習信号を届けるかという問題が中心に居座っている。ABSeeker（63 upvotes）は検索エージェントの全ステップを一律に扱うSFT/RLを改め、答えから逆向きに辿って寄与を推定する。Distill Where You Fail（15 upvotes）は視点を群の側へ向け、GRPOで全応答が失敗して勾配がゼロになる状況を、適応的な教師誘導で学習信号へ変える。CalibForge（15 upvotes）はさらに手前を扱い、実行可能性の検証だけではタスクが与えられた解法器に対して適切な難度かどうかは分からないとして、敵対的な解法器較正で学習可能なターミナルタスクを構成する。訓練データの難度、群内の失敗、ステップ単位の寄与という三つの粒度が、それぞれ別の論文として立ち上がっている。
エージェントの記憶と自己改善
記憶の作り方に決定性を持ち込む動きが目を引く。Activity Frames（18 upvotes）は、エージェント記憶がユーザの発話しか残さず操作を残さないために、既に人間が実行済みの手順を推論で再導出している点を突き、画面操作をゼロモデルの決定的パイプラインで記憶へコンパイルする。FocusMem（12 upvotes）は潜在GUI記憶を内容・読み出し・信頼の三つに分解し、一軌跡を一つの固定メモリへ写す既存手法の制約を外す。自己改善の側ではSelf-Evolving Coding Agents（6 upvotes）が、リポジトリ検査からテスト実行・デバッグ・パッチ生成までこなす一方で配備後は静的なままの現状を整理し、GDPevo（24 upvotes）が永続状態の更新と再利用を実業務タスクで測る評価側を用意した。
多言語・低資源への適応
言語資源の裾野を埋める報告がまとまって出た。Teaching Nemotron Greek（24 upvotes）は現代ギリシャ語が主要な多言語検索ベンチマークから抜け落ちている状況を、コーパス採掘から検索適応・生成グラウンディングまで一貫して埋める。MameLoshnLM（14 upvotes）はイディッシュ語に特化した初のオープンソース8Bモデルと評価ベンチマークを提示し、K-EXAONE 2.0（18 upvotes）はアップサイクルによる多言語MoEを技術報告として公開した。手法側ではTask-Conditional Flow Matching（5 upvotes）が、多様なタスクに単一の訓練目的を当てる従来の多言語埋め込み適応を問題視する。cs.CLではCNM-BERT（arXiv:2608.05167）が漢字を原子的な識別子として扱うBERT系の前提を崩し、表意文字記述列（IDS）を木として符号化する構造埋め込みで、長尾・未知語文字において構造精度+9.8、部首F1 +7.7の改善を報告した。ペルシャ語の音声感情認識（arXiv:2608.05165）ではWhisper埋め込みへのPCA適用が性能と効率を同時に改善する一方、ペルシャ語ASRでのファインチューニングは感情認識にはわずかしか転移しないという結果も出ている。
身体性とマルチモーダル推論
ロボット学習ではデータ供給と視点の役割分担が主題になった。Ego2Robot（22 upvotes）は一人称の人間操作映像からロボット形式データを大規模合成し、タスク単位の方策にとどまっていた先行研究を汎化方策の訓練へ押し上げる。World-to-Wrist（20 upvotes）は主視点と手首視点を並列の視覚入力として扱う従来のVLAを見直し、手首局所の相互作用が大域タスク文脈の下でどう展開するかを予測させる。DyPES-VLA（18 upvotes）とBridgeVLA++（7 upvotes）はそれぞれ、異種身体間で共有される力学事前分布の活用と、3D操作におけるデータ効率・記憶拡張を扱う。推論側ではChronoVision（33 upvotes）が言語ベース推論の曖昧さを潜在状態再構成で回避し、SmartMage（18 upvotes）はクエリごとに関連度が変わるモダリティを動的に統率する。Weights or Skills?（6 upvotes）はこの分野を「凍結重みに能力を焼き込む賭け」と「実行可能なスキルをコードとして自ら書き換える賭け」の対立軸で整理する調査である。
解釈可能性と表現のショートカット
モデルが何を手掛かりにしているかを問う研究が続いた。Interpretable MEG Decoding（58 upvotes）はCLIP型の脳デコーダを電気生理量へ対応づけ、検索を駆動する刺激特徴を同定する。Invisible Shortcuts（11 upvotes）は視覚モデルのショートカット学習について、物体と背景やテクスチャといった目に見える偏りではなく、ピクセル階層に埋め込まれた不可視のメタデータ痕跡という別の源を指摘した。cs.CLのMean-Field Dynamics of Chain-of-Thought Reasoning（arXiv:2608.05152）はアーキテクチャを単純化せずにLLM推論を手掛かりグラフ上の探索過程として定式化し、発見済み手掛かりの割合について平均場近似から一次元常微分方程式を導いている。
評価手続きと形式的な契約
測り方と約束事を問い直す論文も揃った。Position: It’s Time to Optimize LLMs for Self-Consistency（arXiv:2608.05188）は、追従性（sycophancy）や自信ある誤答といった失敗が、単一の入出力対で振る舞いを規定・評価できるという前提から生じていると論じ、応答間の関係を最適化する自己整合性の枠組みを提案する。SIGNPOST-Bench（2 upvotes）は視覚と文字の手掛かりが衝突したときMLLMがどちらを採るかを反実仮想的に統制して測り、AVE-Compass（15 upvotes）は音声と映像が密結合した実世界動画の編集能力を、無音クリップ前提の既存ベンチマークに代えて評価する。形式手法側ではResume Means Resume（1 upvote）が、広く使われる五つのエージェントワークフロー基盤で「再開」の意味、すなわち既に発火した副作用の扱いがそれぞれ異なり、機械検査可能な契約を誰も公開していないと指摘した。cs.CLのWhere Privacy Risk Lives in English-Source Multilingual RAG（arXiv:2608.05163）は、非英語に切り替えると多言語RAGが攻撃しやすくなるという通説を検証し、出力フィルタのみの条件では英語の非構造化PII漏洩率が最も高いという逆向きの結果を、パイプライン依存の観察として慎重に報告している。