エージェントの弱点に応じて静的な環境を動的に作り替えるEnvHarnessが254 upvotesで首位。合成タスクの整合性を保つFACET、実プロジェクトへの統合を検証ゲートで担保するSemaPLCが続き、研究の重心が方策の改善から「訓練と検証の対象そのものをどう作るか」へ移っていることを示した。
注目論文
EnvHarness: Awakening Static Worlds for Agent Learning
著者: Chengsong Huang, Zifeng Wang, Rujun Han et al.
LLMエージェントは環境との相互作用を通じて学習するが、その環境は人手で作られた静的なものにとどまっている（254 upvotes）。環境はエージェントの弱点に対して盲目であり、エージェントが上達すればすぐに置き去りにされる。近年の環境生成手法はこの問題に取り組んでいるものの、ドメイン固有のパイプラインを必要としたり、高コストな手段に依存したりする。
新規性: エージェント学習の律速を、学習アルゴリズムでも方策の容量でもなく、環境の側の固定性に置いた点が中核である。手作りの環境は作られた時点の想定を凍結しており、エージェントがその想定を超えた瞬間から得られる勾配が薄くなる——難易度が飽和した環境で回し続けても、失敗しない試行が積み上がるだけになる。加えて環境はエージェントのどこが弱いかを知らないため、最も学習信号が濃い領域を狙って出題することもできない。エージェントの弱点に応じて静的な世界を「目覚めさせる」という設計は、環境をデータではなく学習ループの一部として扱い直すものであり、ドメイン固有パイプラインを要求しない点で汎用性の側にも踏み込んでいる。前日のSPADEが自己対戦で目標分布を広げ続ける方向を示したのと合わせ、訓練環境の供給そのものがスケーリングの新たな軸になりつつあることを示す。
手法: 既存の静的な環境を出発点に、エージェントの弱点に応じて相互作用可能な学習環境へと動的に変換・拡張するハーネスを構築する。ドメイン固有のパイプラインや高コストな生成手段に依存しない汎用的な構成を採る。
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（Semantic Task Completion）動画生成という、成果志向の動画生成タスクを導入する（155 upvotes）。この定式化のもとでは、成功には意図した結果の達成と意味的接地の両方が求められる。意味的接地とは、参照画像と生成物との対応関係を指す。
新規性: 動画生成の評価軸を、見た目の品質やプロンプト追従から「指示された結果が実際に達成されたか」へ移した点が中核である。既存の動画生成ベンチマークはフレーム品質や時間的一貫性、テキストとの整合を測るため、指示された動作が途中で破綻していても滑らかで綺麗な動画は高く評価されうる。成果の達成と参照画像への意味的接地を同時に要求する構成は、動画生成モデルを描画器ではなく「与えられた状況に対して意図した変化を起こす系」として採点するもので、世界モデルやロボティクスの評価と地続きの視点を持ち込む。同日のSemaPLCやFACETが実行可能性で成否を切り分けているのと同様に、生成物を最終状態から検証する発想がモダリティを越えて広がっている。
手法: 意図した結果の達成と、参照画像に対する意味的接地の両立を成功条件とする動画生成タスクを定義し、その両面を評価するベンチマークを構築する。
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）は産業プラントを動かしており、大規模言語モデルは既に個別のプログラム構成単位（POU）を生成できる（115 upvotes）。しかし、そうしたロジックが既存のPLCプロジェクトへ実際に統合され、その後正しく動作するかは、限定的なテストでしか確認されてこなかった。
新規性: 評価の単位を、単体で生成されたコード片から「既存プロジェクトに組み込んだ後の動作」へ引き上げた点が中核である。産業制御では、POU単体が構文的に正しくてもタグ定義・スキャン周期・既存ロジックとの干渉によって統合時に破綻し、しかもその失敗は物理設備の動作として現れる。検証ゲートを備えたハーネスという構成は、生成物を無条件に採用せず、統合と実行の検証を通過したものだけを先に進める仕組みであり、失敗コストが非対称な領域におけるエージェント運用の一つの形を示す。汎用のコーディングエージェント研究が主にソフトウェアリポジトリを対象にしてきたのに対し、産業用制御という規約の厳しい領域へ持ち込んだ点でも位置づけが異なる。
手法: 既存PLCプロジェクトの文脈に接地したうえでPOUを生成し、プロジェクトへの統合と実動作の検証をゲートとして挟むエージェントハーネスを構築する。
FACET: Preserving Source Intent and Executable State in Terminal Task Synthesis
著者: Kou Shi, Zun Wang, Qisheng Su et al.
ターミナルエージェントの訓練にはスケール可能な実行可能監督が必要だが、高品質なターミナルタスクの合成は依然として難しい（114 upvotes）。各タスクは命令・初期化された環境・参照解法・実行可能な検証器を結合したものであり、これらの成果物が食い違った前提から生成されると整合が崩れる。
新規性: 合成タスクの品質を、個々の成果物の出来ではなく四者の前提の一貫性として定式化した点が中核である。命令・環境・参照解法・検証器のいずれかが別の前提で作られていれば、解けないタスクや、誤った解法を通してしまう検証器が混入し、そのまま訓練すればエージェントは検証器の穴を学習してしまう——データ量を増やすほどノイズも増える構造になる。元の意図と実行可能な状態を保存したまま合成するという設計は、実行可能監督のスケーリングにおいて量ではなく整合性が先に効くという主張であり、同日のEnvHarnessが環境の側から供給を広げるのと補完関係にある。
手法: 命令・初期化環境・参照解法・検証器を一貫した前提のもとで生成し、元の意図（source intent）と実行可能な状態（executable state）を保存したままターミナルタスクを合成する。
4DAnyone: Create Anyone in 4D from a Casual Monocular Video
著者: Yudong Jin, Tao Xie, Qihang Zhang et al.
較正されていない単眼動画から4D人物を再構成する枠組みを提案する（69 upvotes）。再構成に耐える品質の多視点整合動画を生成し、それを4D Gaussian Splatting（4DGS）へ持ち上げる。既存のカメラ制御可能な動画拡散モデルは、もっともらしい新視点動画を合成できる。
新規性: 動画拡散モデルの出力を、鑑賞用の生成物ではなく再構成の入力として扱うために必要な条件を切り分けた点が中核である。カメラ制御付き拡散モデルの出力は視覚的にもっともらしくても、視点間で人物の形状や衣服の細部が微妙に食い違い、そのまま3D/4D再構成に流し込むと形状が崩れる。「再構成品質（reconstruction-grade）」の多視点整合動画という言い方は、生成の目標を人間の見た目の納得ではなく後段の最適化が要求する幾何的整合に置き換えるものであり、生成モデルと再構成パイプラインを接続する際の要件を明示する。手持ちの日常的な単眼動画を入力とする点で、実用上の敷居も低い。
手法: 較正なしの単眼動画から、再構成に耐える多視点整合動画を生成し、それを4D Gaussian Splattingへ持ち上げることで動的な人物の4D表現を得る。
WithEveryone: Unified Planning and Identity Grounding for Group Image Generation
著者: Hengyuan Xu, Qixun Wang, Yiji Cheng et al.
同一性を保つ画像生成は、シーンに指定人物が多数含まれる状況になるほど信頼性が落ちる（39 upvotes）。各人物の同一性を保つだけでなく、すべての参照を別個の人物と位置に束縛する必要があり、訓練時の同一性損失は複数の参照間の対応関係を確立しなければならない。
新規性: 多人数生成の失敗を、同一性保持の精度ではなく参照と人物・位置の束縛（グラウンディング）の問題として捉え直した点が中核である。人物が増えると、顔の再現度が十分でも参照Aの特徴が参照Bの人物に混ざる、同じ人物が複数箇所に現れるといった対応の取り違えが生じ、これは単体の同一性指標では検出できない。計画（誰をどこに配置するか）と同一性接地を統一的に扱う枠組みは、この二種類の失敗を同じ設計の中で解こうとするものであり、集合写真やグループシーンといった実用上頻出する設定を正面から扱う。
手法: シーン内の人物配置の計画と、各参照画像の同一性を個別の人物・位置へ束縛する接地を統一的に扱い、訓練時に複数参照間の対応関係を確立する集団画像生成の枠組みを構築する。
Training Chemical Plausibility-Aware Large Language Models for Single-Step Retrosynthesis
著者: Bogdan Zagribelnyy, Ivan Ilin, Nikita Bondarev et al.
単段階逆合成は計算機支援合成計画の中核だが、本質的に一対多の性質を持つため、単一解答型の評価・ベンチマーク手法ではその性質をうまく捉えられない（32 upvotes）。本研究はこれに対し、Top-Kプロンプティングを訓練・推論のパラダイムとして導入する。
新規性: 逆合成タスクの評価不整合を、モデル能力ではなく問題設定と採点方式のミスマッチとして扱った点が中核である。ある目的化合物に至る合成経路は複数あり、どれも化学的に妥当でありうるため、データセット中の唯一の正解と一致しなければ不正解とする採点は、妥当な代替経路を提案したモデルを罰する。Top-Kを訓練の側にも持ち込むことで、モデルに単一の最尤経路ではなく妥当な候補集合を出力させ、化学的妥当性という観点で評価軸を組み替える。創薬企業（Insilico Medicine系の著者陣）から出ている点も、実際の合成計画ワークフローを前提にした設計であることを示唆する。
手法: 単一解答前提の訓練・評価に代えて、Top-Kプロンプティングを訓練と推論の双方で用い、化学的妥当性を意識した候補集合を出力するLLMを構築する。
MemTrapBench: Benchmarking Cognitive Traps in LLM Memory Use
著者: Mengru Wang, Haozhe Luo, Zhenqian Xu et al.
記憶は大規模言語モデルの主要な構成要素となり、情報の保持と長期的な相互作用からの学習を可能にしている（31 upvotes）。しかし既存の記憶ベンチマークは主に情報が正しく抽出・保存・検索されるかを評価しており、検索された記憶が推論に与える影響はほとんど見過ごされてきた。
新規性: 記憶システムの評価を、検索の正確性から「正しく検索された記憶が推論を誤らせる場合」へ拡張した点が中核である。検索精度100%の記憶であっても、文脈の変わった過去の事実や、現在の問いに表面的に類似するだけの記憶が引き出されれば、モデルはそれを根拠として誤った結論に至る——検索を評価する指標はこの失敗を一切捉えない。認知的な罠（cognitive traps）という枠組みは、記憶を検索問題ではなく推論への干渉として測るもので、記憶機構が実運用に入りつつある段階での評価の空白を埋めにいく。同日のInject, Align, Recover（10 upvotes）が検索そのものを不要にする方向を探っているのと合わせ、記憶と検索の関係が問い直されている。
手法: 抽出・保存・検索の正しさではなく、検索された記憶が後続の推論を誤らせる状況を体系的に構成し、記憶利用時の認知的な罠を測るベンチマークを構築する。
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ファインチューニング・量子化・枝刈り・マージを経るが、その来歴はしばしば記録されていない（17 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——重みだけから、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を判定できるか、という問いである。残差学習は共有された恒等成分を生む。
新規性: モデルの来歴を、宣言や透かしといった事前の埋め込みに頼らず、訓練が重みに残す痕跡から事後的に検証しようとする点が中核である。ライセンス違反やベースモデルの秘匿が問題になる場面では、そもそも来歴を主張する側が協力しないため、事前の署名やウォーターマークを前提とする手法は機能しない。データ不要・ホワイトボックスという条件は、推論用データセットを用意せず重みへのアクセスだけで判定できることを意味し、監査側が単独で実行できる。残差接続が生む共有の恒等成分に着目する点は、Transformerの構造そのものを署名の担体として使う発想である。
手法: 残差学習が生む共有恒等成分に着目し、中心化した残差シグネチャを重みから抽出することで、データを用いずに二つのチェックポイント間の祖先関係を判定する。
FlashPrefill V2: Block-Sparse Prefill Attention for Long-Context LLM Serving
著者: Qihang Fan, Huaibo Huang, Zhiying Wu et al.
長文脈モデリングは大規模言語モデルの重要な能力だが、attentionの二次計算量は依然として critical なボトルネックであり、特に計算集約的なprefill段階で顕著である（16 upvotes）。先行研究のFlashPrefillは、即時的なパターン発見によってこのコストを軽減した。
新規性: 長文脈推論の最適化対象を、生成段のKVキャッシュではなくprefill段の計算量に据え続けている点が中核である。デコード段はメモリ帯域律速だが、入力が数十万トークンに達する用途ではprefillの計算コストが応答遅延と単価の大半を占め、しかもエージェントや文書処理のようにコンテキストが長く出力が短い用途ほどこの比率は極端になる。ブロックスパースattentionによる第二版という位置づけは、パターン発見に基づく既存の削減をハードウェア効率の高い粒度に落とし込む方向であり、実サービングでの実効速度に直結する。
手法: 長文脈LLMサービングのprefill段に対し、ブロック単位のスパースattentionを適用して二次計算量のボトルネックを削減する。先行のFlashPrefillにおける即時パターン発見の枠組みを拡張する。
分野別の動向
訓練の対象は方策から「環境とタスク」へ
この日最も上位に集まったのは、エージェント自体ではなく、エージェントを鍛える側を作る研究である。首位のEnvHarness（254 upvotes）は、学習環境が手作りかつ静的でエージェントの弱点に盲目であり、エージェントが上達するとすぐ置き去りにされると指摘し、静的な世界を動的な学習環境へ変換する。FACET（114 upvotes）は、ターミナルタスクの合成において命令・環境・参照解法・検証器が食い違った前提から生成されると整合が崩れる問題を扱い、意図と実行可能状態の保存を条件に据える。前日のSPADE（48 upvotes）が自己対戦で目標分布を広げ続ける設計を示したのと合わせ、学習信号の供給源を環境生成の側から確保しようとする流れが明確になっている。SkillEvo（30 upvotes）やSkillGate（6 upvotes）のようにスキル側のループを閉じる研究と並べると、改善対象が方策の重みから周辺構造全体へ拡散していることが分かる。
成否の判定を「実行後の状態」に置き直す
評価・検証の設計にも共通した動きがある。SemaPLC（115 upvotes）は、生成されたPOUが単体で正しいかではなく、既存PLCプロジェクトへ統合された後に正しく動くかを検証ゲートとして課す。SemComp-Bench（155 upvotes）は動画生成を「意図した結果が達成されたか」という成果志向で採点し、見た目の品質から評価軸を切り離す。QuoteBench（7 upvotes）は、Bashコマンドがシリアライズ・ラップ・再パースされる経路で生じる失敗を、一致した実行スコアでは生成側の誤りと生成後の混入を区別できないとして、最終状態の厳密な検証で切り分ける。いずれも、出力そのものではなく出力が世界に与えた変化を成否の基準に置いている。
記憶と来歴——モデルの「内部」を測る試み
MemTrapBench（31 upvotes）は、記憶ベンチマークが抽出・保存・検索の正しさに偏り、検索された記憶が推論を誤らせる経路を見落としてきたと指摘する。Inject, Align, Recover（10 upvotes）は逆方向から、有限の文書集合を検索なしで答えられる形の parametric knowledge へ内在化させる段階的事後訓練を扱う。Training Leaves Traces（17 upvotes）は重みだけからモデルの系譜を検証し、AdaPop（17 upvotes）は、事前学習で深く記憶された人気の事実ほど忘却に抵抗するという頻度依存性に応じてアンラーニングの圧力を調整する。記憶の入出力ではなく、モデル内部にどう入り、どう残り、どう消えるかを測る仕事が並んだ。
効率化とマルチモーダル生成
FlashPrefill V2（16 upvotes）は長文脈サービングのprefill段をブロックスパースattentionで削減し、TinyCast（9 upvotes）は146,505パラメータのattention不要な予測器で、この規模では文脈の周期構造は学習するより計算した方がよいという前提を検証する。生成側では、4DAnyone（69 upvotes）が動画拡散の出力を再構成品質という基準で捉え直し、WithEveryone（39 upvotes）が多人数シーンにおける参照と人物・位置の束縛を扱う。VA-Judger（11 upvotes）は動画・音声の同時生成に対する報酬モデルを人間の選好から学習し、個別品質指標の寄せ集めでは知覚的な質を捉えられないと述べる。
応用領域への浸透
科学・産業の側への展開も続いている。単段階逆合成のTop-Kプロンプティング（32 upvotes）は、一対多の性質を持つ化学タスクを単一解答型の採点から解放しようとする。SemaPLC（115 upvotes）は産業用制御コードという規約の厳しい領域にエージェントを持ち込み、The Problem Is the Problem（4 upvotes）は、フロンティアモデルの推論も専門家によるレビューも希少資源であるという前提から、数学的発見におけるその配分自体を問題に据える。NARU（8 upvotes）は日本語の超長尺動画を対象に、物語の展開と暗黙の社会的意味の理解を高文脈・非英語圏の設定で同時に評価するベンチマークを提示した。