意味的接地まで問うSemComp-Benchが151 upvotesで首位。物理実行を閉ループ化するZetta ζ、生成コードが既存プロジェクトで動くかを検証ゲートで担保するSemaPLC、正解監督なしで推論を創発させるCo-RLが続き、エージェントの成果を「それらしさ」ではなく実行可能な検証で確かめる設計が上位を占めた。
注目論文
SemComp-Bench: Benchmarking Semantic Task Completion in Video Generation
著者: Keyu Tu, Zhuowei Chen, Mengqi Huang et al.
意味的タスク完遂型の動画生成（Semantic Task Completion Video Generation）という、成果指向の新しいタスク定式化を提示する（151 upvotes）。この定式化のもとでは、意図された結果が達成されていることと、意味的な接地（semantic grounding）が保たれていることの両方を満たして初めて成功と見なされる。意味的接地とは、参照画像と生成された映像との対応関係を指す。
新規性: 動画生成の評価軸を「見た目の妥当さ」から「指示された結果が実際に起きたか」へ移した点が中核である。既存の動画生成評価は画質・時間的一貫性・プロンプト追従を個別に測るが、それらが揃っていても指示された変化が起きていない映像は容易に作れる。結果の達成と参照画像への接地を同時に要求する設計は、「もっともらしい映像」と「タスクを完遂した映像」を分離する。この日の最高得点であり、生成モデルの評価が知覚品質から成果検証へ寄っていく流れの一例と言える。
手法: 意図された結果の達成度と、参照画像と生成映像の対応としての意味的接地の双方を要求するタスク定式化のもとで、動画生成モデルをベンチマークする。
Zetta ζ: An Efficient Closed-Loop Embodied Harness for Self-Evolving Physical Intelligence
著者: Xin Ding, Liang Mi, Mingzhe Huang et al.
具身エージェントは、エンドツーエンドの方策モデルが残す隙間を埋める用途で使われることが増えている（129 upvotes）。しかしエージェント的な経路は、物理的な実行における閉ループ学習を実現できていない。既存のハーネスは大部分が開ループのままで、ロールアウト中は固定されたスキルをなぞり、内省はエピソードが完了してからしか行われない。
新規性: 具身ハーネスの弱点を、スキルの質ではなくフィードバックのタイミングとして特定した点が中核である。エピソード終了後にしか振り返れない構成では、物理実行の途中で生じたずれをその場で修正できず、失敗が最後まで確定してから学習信号になる。実行中に閉ループを回す設計は、この遅延を取り除く。エージェントハーネスの議論が言語・ツール領域から物理実行へ本格的に降りてきたことを示す一本である。
手法: ロールアウト中に固定スキルをなぞるだけの開ループ構成を離れ、物理実行中に閉ループの学習を成立させる自己進化型の具身ハーネスを構築する。
SemaPLC: A Project-Grounded, Verification-Gated Agent Harness for PLC Code Generation
著者: Yanlun Tu, Huacan Wang, Ziyue Zhou et al.
プログラマブルロジックコントローラ（PLC）は産業プラントを実際に動かしており、LLMはそのための独立したプログラム構成単位（POU）を既に生成できる（110 upvotes）。しかし、そうして生成されたロジックが既存のPLCプロジェクトに統合され、そのうえで正しく動作するかどうかは、これまで限定的なテストでしか確認されてこなかった。
新規性: コード生成の評価単位を「独立したPOU」から「既存プロジェクトへの統合結果」へ引き上げた点が中核である。産業制御では、単体として正しいコードがプロジェクト全体に組み込まれた途端に破綻することが実害に直結する。検証ゲートをハーネスに組み込み、統合と動作の確認を通過しなければ先へ進めない構成は、生成物の正しさを事後の人手レビューに委ねない設計である。SemComp-Benchと同様、成果の検証をシステム側に埋め込む方向にある。
手法: 生成されたPOUが既存PLCプロジェクトへ統合され正しく動作することを検証ゲートで担保する、プロジェクト接地型のエージェントハーネスを構築する。
OmniScientist: An Omni-Modal Omni-Discipline AI Scientist
著者: Bobo Li, Hao Fei, Tianjie Ju et al.
基盤モデルの進展により、AI科学者は仮説生成からコード実行、論文執筆まで、ますます完結した研究ワークフローを自動化できるようになった（83 upvotes）。しかし、ワークフローを網羅しただけでは、科学的発見が本来依拠する証拠の全体へアクセスできるわけではない。
新規性: 自律研究システムの不足を、工程の抜けではなく証拠の到達範囲として捉え直した点が中核である。仮説生成から執筆までを一通り自動化しても、参照できるのがテキスト論文だけであれば、実験データ・図表・分野固有の資料に埋め込まれた証拠は視界の外に残る。全モダリティ・全分野を掲げる構成はその欠落を埋めにいくものであり、前日のASI-Benchが測った「自律実行能力の不足」に対して、実装側から答えを出そうとする位置づけにある。
手法: 仮説生成・コード実行・論文準備といった工程の網羅にとどまらず、全モダリティ・全分野にまたがる科学的証拠へのアクセスを扱うAI科学者システムを構築する。
Co-RL: Unsupervised Reasoning Emerges from Diverse Cohort in Multi-agent RL
著者: Yunhao Yang, Yuexin Bian, Yunjie Tian et al.
強化学習は言語モデル・視覚言語モデルの推論を改善する強力な手法として定着したが、その最大の成功例は依然として正解監督（検証可能報酬など）に強く依存している（82 upvotes）。そうした注釈は取得コストが高く、モデルの能力が上がるにつれて希少になっていく。
新規性: 報酬の出どころを外部の正解から集団内部の多様性へ移した点が中核である。検証可能報酬は明確な学習信号を与える一方、正解を用意できる問題にしか適用できず、フロンティアに近づくほど供給が細る。多様なエージェント集団のマルチエージェントRLから推論を創発させる構成は、この供給制約そのものを回避する狙いにある。同日のSPADE（41 upvotes）が環境側の目標分布を自己対戦で広げるのと、供給不足への対処という点で問題意識を共有している。
手法: 検証可能報酬などの正解監督に依存せず、多様なエージェント集団によるマルチエージェントRLを通じて推論能力を教師なしに創発させる。
SPADE: Self-Play in Adaptive Synthetic Executable Environments
著者: Bo Liu, Simon Yu, Yiding Jiang et al.
継続的な自己改善には、自ら生成した多様で適応的な目標が絶えず拡大し続けるプールを必要とする（41 upvotes）。しかし言語エージェント向けの既存の訓練環境プールは、人手でキュレーションされたもの、静的に合成されたもの、検証器が固定されたもののいずれかであり、学習者がスケールしても目標分布は固定されたままになる。
新規性: 学習の頭打ちを方策側ではなく環境側の飽和として位置づけた点が中核である。エージェントが強くなるほど既存環境の課題は易しくなり、勾配の情報量が下がっていく。環境を実行可能な形で合成し続け、自己対戦で目標分布を押し広げる構成は、学習者の成長に環境の難度を追随させる。著者にはLuke Zettlemoyer、Yejin Choi、Natasha Jaquesらが名を連ねる。
手法: 実行可能な合成環境を適応的に生成し続け、自己対戦を通じて目標分布を学習者のスケールに合わせて拡張する訓練枠組みを構築する。
LEGO-RL: Harness-Native Reinforcement Learning for Coding Agents
著者: Yiming Du, Yuxin Jiang, Tao Yuan et al.
コーディングエージェント向けの強化学習は、ツール統合・リポジトリ文脈・実行フィードバックを管理する長時間稼働のハーネスに依存する度合いを強めている（19 upvotes）。しかしそうしたハーネスのネイティブ実行環境は、方策勾配訓練とは本質的に噛み合わない。
新規性: 訓練とハーネスの不整合を、どちらか一方の都合に寄せるのではなくハーネス側の実行様式に合わせてRLを設計し直すことで解こうとした点が中核である。実務で使われるハーネスは訓練の都合を考えずに作られており、それを訓練用に作り替えれば本番と乖離する。ハーネスネイティブという方針は、本番の実行環境をそのまま学習対象に据える選択であり、同日のAgent Lightning v1.0（23 upvotes）がプロキシによる分離で同じ問題に別解を与えているのと対をなす。
手法: 長時間稼働ハーネスのネイティブ実行環境と方策勾配訓練の構造的な不整合を、ハーネス側の実行様式に適合させた強化学習の設計によって解消する。
Training Leaves Traces: Centered Residual Signatures for Language Model Lineage Verification
著者: Aman Singh Thakur, Rayan Khoury
オープンウェイトの言語モデルは微調整・量子化・枝刈り・マージを重ねられる一方、その来歴はしばしば記録されていない（16 upvotes）。本研究はデータ不要のホワイトボックス系譜検証を扱う——重みだけを見て、互換性のある二つのチェックポイントが祖先を共有するかどうかを判定できるか。
新規性: モデルの来歴を、申告や規約ではなく重みそのものから検証可能な対象として扱った点が中核である。オープンウェイトの流通が広がるほど、あるモデルが何を継いでいるかはライセンス遵守と安全性の両面で問題になるが、現状はモデルカードの記述に依存している。残差学習が共有の同一性成分を残すという性質を署名として使う構成は、検証を推論データなしに成立させる。同日のcs.AIには、モデルカードだけでは開放重みモデルの下流ガバナンスに足りないとするポジションペーパーも出ており、来歴の検証可能性が制度と技術の両側から同時に問われている。
手法: 残差学習が生む共有の同一性成分に着目し、重みのみを用いたデータ不要のホワイトボックス検証によって二つのチェックポイント間の祖先関係を判定する。
Looped Language Models Improve Compositional Tool Calling
著者: Andrei Cristian Popescu, Haitz Sáez de Ocáriz Borde, Pietro Liò
ループ型言語モデルは推論ベンチマークで有望な結果を示してきたが、エージェント的なツール利用における可能性はほとんど検討されてこなかった（15 upvotes）。本研究は、複数のAPI呼び出しを協調させ、中間状態を保持し、ツール間の依存関係を維持する必要がある合成的ツール呼び出しの設定でこの問いを扱う。
新規性: 再帰的計算の利点を、推論ベンチマークのスコアではなくツール利用の構造的要件と結びつけた点が中核である。API-Bank・BFCL・NESTfulでの統制実験では、再帰的計算は合成的かつ依存関係を意識したツール利用に一般に有益である一方、孤立したAPI呼び出しでは効果が小さくモデル依存になる。多段ツール利用の精度は再帰深度とともに概ね向上するが、必要なときにだけ計算を追加する適応的推論のほうが計算対性能のトレードオフで有利になる。深さを一律に増やすのではなく配分することが要点である。
手法: ネイティブおよび後付けのループ型LMを、揃えた教師ありファインチューニングのレシピのもとで非ループ型と比較し、推論時の再帰深度を変えて評価する。
Accurate Decoding of Natural Sentences from Non-Invasive Brain Recordings
著者: Mingfang Zhang, Jarod Lévy, Cedric et al.
脳損傷により発話や運動の能力を失った人のコミュニケーションを回復することは大きな課題である。頭蓋内インプラントは高性能なブレイン・コンピュータ・インタフェースを可能にしつつあるが、非侵襲的な代替手段は依然として後れを取っている。Brain2Qwerty v2は、リアルタイムの脳磁図（MEG）記録のみから自然文の産出を復号するモデルである。
新規性: 非侵襲デコーディングの精度不足を、原理的な限界ではなくデータ量の問題として位置づけた点が中核である。9名の被験者がそれぞれ10時間かけてタイプした22,000文を収集し、文字・単語・文レベルの表現を活用して平均単語誤り率（WER）39%を達成。最良の被験者では文の半分を誤り1語以内で復号する。復号精度がデータ量に対して対数線形に改善することから、頭蓋内手法との性能差はデータのスケーリングで部分的に埋まりうると論じる。加えて、AIが寄与する三つの経路——イベント検出の手作りパイプラインを深層学習で置き換えること、意味表現抽出のための大規模言語モデルの微調整、復号パイプラインを自動コード開発で反復改善するAIエージェントの投入——を示している。
手法: リアルタイムMEG記録に対し、文字・単語・文の各レベルの表現を組み合わせて自然文の産出を復号し、データ量と精度の対数線形な関係を検証する。
分野別の動向
成果の検証をシステムに埋め込む
この日の上位は、生成物の妥当さを事後の人手判断に委ねない設計で揃った。SemComp-Bench（151 upvotes）は動画生成に結果の達成と参照画像への意味的接地を同時に課し、SemaPLC（110 upvotes）は生成POUが既存PLCプロジェクトへ統合されて正しく動くことを検証ゲートで担保する。Zetta ζ（129 upvotes）はエピソード完了後の内省を待たず物理実行中に閉ループを回す。いずれも「もっともらしい出力」と「検証を通った出力」を分離する仕掛けであり、評価の側では前日のDemystifying Agent Skills（153 upvotes）が破綻の境界を機序として押さえた流れの延長にある。cs.AIのFraudBench（policy接地型の銀行エージェントを適応的詐欺で圧力試験、698文書の内部規程コーパスを備える）も、履歴依存の安全性という形で同じ問題意識を共有する。
監督信号と訓練環境の供給不足
正解監督の枯渇に対する処方が同時多発している。Co-RL（82 upvotes）は検証可能報酬への依存を外し、多様なエージェント集団のマルチエージェントRLから推論を創発させる。SPADE（41 upvotes）は環境プール側の目標分布が固定化する問題を自己対戦による適応的合成環境で崩す。訓練基盤ではLEGO-RL（19 upvotes）がハーネスのネイティブ実行環境に合わせてRLを組み直し、Agent Lightning v1.0（23 upvotes）がプロキシによる分離アーキテクチャで同じ不整合に別解を与える。cs.LGのRethinking Privileged Information in On-Policy Self-Distillationは、自己蒸留の性能向上が本当に参照情報の学習によるものかを疑い、別問題の解答が正解解答を上回る場合すらあると報告しており、監督信号の効き方そのものへの検証も進んでいる。
来歴・ガバナンス・安全性
Training Leaves Traces（16 upvotes）が重みだけからモデルの祖先関係を検証するデータ不要の手法を示す一方、cs.AIのPosition: Current Model Cards Are Insufficient for Downstream Governance of Open-Weight Foundation Modelsは、Hugging Face上の500件のモデルカードを分析し、モデルカード・利用規約（AUP）・ライセンスの三層統合が必要だと論じる。来歴の検証可能性が技術と制度の両側から同時に問われている構図である。安全性側ではAbliteration Mitigation via Refusal Aliases（cs.CL）が拒否方向の抽出しやすさ自体を潰す重み編集を提案し、DiSCO（19 upvotes）がtext-to-imageの黒箱防御を扱う。多言語安全性ではLatent Space Refusal Anchoringが低資源アフリカ言語での拒否機構を再学習なしに復元し、Safety Alignment Illusionがインド系6言語2,604プロンプトで英語中心アライメントの穴を定量化した。
再帰計算とアーキテクチャ
ループ型LMをめぐる論文がこの日は三本並んだ。Looped Language Models Improve Compositional Tool Calling（15 upvotes）は合成的ツール利用で再帰深度の効果を測り、適応的推論のほうが計算対性能で有利だと結論する。cs.LGのThink Shallow, Solve Deepは、追加反復が答えを改善するか劣化させるかは訓練済み作用素の有限時間力学レジーム（settling / marginal / drifting）で判別できるとし、深さ安全性の十分条件を与える。Allocating Recurrent Compute in Looped Language Modelsは「何をループさせるべきか」を問い、mixerのみを反復しdense FFNは一度だけ適用するMixerLoopで、110Mにおいて全ブロック反復の改善幅の41.5%を保ちつつ再帰バックボーンの射影FLOPsを45.9%削減したと報告する。テスト時計算を「増やす」から「どこに配るか」へ絞り込む議論が揃った。
脳・生体信号と言語
Brain2Qwerty v2は非侵襲MEGのみで自然文産出を平均WER 39%まで復号し、精度がデータ量に対して対数線形に改善することを示した。cs.LGにはCardioState-JEPA（1 upvote、ECG・PPG・PCGの遅延を考慮したクロスモーダル心臓表現学習）やBidirectional representational alignment between biological and artificial neural networks（表現幾何のスペクトル正則化で生物・人工ネットワーク間の双方向予測性を55%改善）が並ぶ。cs.CLのNine Emotion Centroidsは、9つの感情カテゴリ名と各50段落だけから見つけた価数軸が、視覚・音声・EEG（123名）にまで転移すると報告する。言語モデルの内部表現を生体信号の側へ橋渡しする研究が、複数の分野から同時に積み上がっている。