エージェント的ゲーム開発を検証可能な軌跡データエンジンとして使い世界モデルのスケーリングを図る研究が172 upvotesで首位。実スケール都市でのMLLMエージェント評価UrbanGround、正解ラベルなしでテスト時に方策を最適化するTTPOなど、データ生成と実行時適応をめぐる研究が並んだ。
注目論文
Agentic Game Development as a Verifiable Trajectory Data Engine for Scaling World Models
著者: Pengfei Zhou, Hexin Wang, Zhengfeiyang Zhang et al.
世界モデルをスケールさせる一般的な戦略は、より多くのクロール動画とより多くの計算資源で訓練することである（172 upvotes）。本研究はこの戦略を非効率だと主張し、世界モデルのスケーリングには接地された報酬信号を提供する再帰的なデータエンジンが必要だと論じる。コードエージェントの成功がその理由を示している。
新規性: 世界モデルのボトルネックを、動画データの量ではなく報酬信号の接地性に置き換えた点が中核である。クロールした動画は物理的に何が起きたかを記録しているが、その挙動が正しいか誤っているかを判定する外部基準を持たない——モデルが不自然な運動を生成しても、訓練データ側にそれを咎める仕組みがない。ゲーム開発をエージェントに行わせるという構成は、生成された世界がゲームエンジン上で実際に動くかどうかという検証可能な信号を副産物として生む点に意味があり、コードエージェントが「コンパイルが通るか、テストが通るか」という自動検証を得たことで急速に伸びたのと同じ構造を、世界モデルへ持ち込もうとしている。データを集める代わりにデータを生成する装置を作る、という発想の転換である。
手法: エージェントによるゲーム開発を、検証可能な軌跡データを生成する再帰的データエンジンとして構成し、接地された報酬信号を伴う訓練データを供給して世界モデルのスケーリングを行う。
UrbanGround: From Local Perception to Spatial Agency in a Real-Scale City
著者: Tianjie Ju, Zheng Wu, Yueqing Sun et al.
マルチモーダル大規模言語モデル（MLLM）はストリートビューを解釈できるが、都市におけるエージェンシーは、そうした局所的な証拠がエージェントが移動を開始した後も有効であり続けるかに依存する（95 upvotes）。本研究は、現行のMLLMエージェントが局所的な都市認識をどこまで信頼できる行動へ変換できるかを、実スケールの都市環境で検証する。
新規性: 空間認識の評価を、静止画1枚の理解から移動を伴う一連の判断へ引き上げた点が中核である。既存のストリートビュー系ベンチマークは「この写真に何が写っているか」を問うため、モデルは視野内の情報だけで答えを完結できる。しかし実際の都市移動では、いま見えている手がかりは数ブロック進んだ時点で意味を失うか、逆に後になって効いてくる——曲がり角の先が見えない状態で方向を決め、その決定の正しさは移動後にしか判明しない。局所的な知覚が移動後も行動を導けるかという問いの立て方は、認識精度と行動の有用性を分離するものであり、実スケールの都市を舞台に選んだことで、短い軌跡では露見しない誤りの蓄積を測定対象に含めている。
手法: 実スケールの都市環境を対象に、局所的なストリートビュー認識から移動を伴う行動決定までを一貫して評価するタスク群を構成し、MLLMエージェントの空間的エージェンシーを検証する。
TTPO: Test-Time Policy Optimization
著者: Aozhe Wang, Zhengxi Lu, Jianze Wang et al.
強化学習（RL）やOn-Policy Self-Distillation（OPSD）といった近年の事後学習手法は、LLMの数学的推論を急速に進歩させてきたが、正解ラベルへの依存がテスト時訓練（TTT）を妨げている（73 upvotes）。TTPOは正解の代替となる信号を用いることでこの制約を外そうとする。
新規性: 事後学習手法の適用時点を、訓練時からテスト時へ移すために必要な条件を、報酬源の置き換えとして特定した点が中核である。RLもOPSDも性能向上の実績はあるが、いずれも「正解が何か」を知っている前提で勾配を作るため、正解が存在しない推論時には原理的に使えない——手法の優劣以前に適用不能である。テスト時に到来する問題に対してその場で方策を最適化するという構成は、事後学習で得られた改善を訓練時に固定するのではなく、問題ごとに適応させる方向へ広げるものであり、同日のPrefix Slidingがテスト時計算の効率を扱うのに対し、こちらはテスト時計算を学習へ振り向けている。
手法: 正解ラベルに代わる信号を用いてテスト時に方策を最適化し、既存のRLやon-policy自己蒸留が前提とするラベル依存を外したテスト時訓練を実現する。
What Makes Good Agentic Data? An ACE Lens on Data Generation for LLM Agents
著者: Xingshan Zeng, Zishan Xu, Boju Zhang et al.
LLMエージェントは外部環境との相互作用の仕方を学ぶために、生成された相互作用データへの依存を強めている（61 upvotes）。エージェント用データ生成は、環境・タスク・相互作用・成功信号の間の整合性を保ちつつ、単に大量なだけでなく有用な経験を produce する必要がある。
新規性: エージェント学習データの品質を、量でも多様性でもなく構成要素間の整合性として定義した点が中核である。合成データによるエージェント訓練では、環境を作り、タスクを設定し、軌跡を生成し、成功判定を与えるという4つの工程が別々に設計されることが多く、それぞれ妥当に見えても組み合わせが破綻しうる——タスクが環境内で達成不可能だったり、成功信号が実際の達成と対応していなかったりすれば、エージェントは誤った関連を学ぶ。この4要素の整合性という視点でデータ生成手法を分析する構成は、上流のデータ生成を評価可能な設計対象に変えるものであり、同日のAgentic Game Developmentが検証可能な信号を持つデータエンジンを提案したのと問題意識を共有している。
手法: 環境・タスク・相互作用・成功信号の整合性という観点から既存のエージェント用データ生成手法を分析する枠組みを構成し、有用な経験を生む条件を特定する。
Long-Horizon Audio-Visual Generation for Persistent Stories and Interactive Worlds
著者: Nan Duan, Haoyang Huang, Weiyang Jin et al.
動画生成は孤立したクリップを超えて、長尺の物語とインタラクティブな世界へ向かって進展しており、モデルには同一性の保持、ユーザー制御への追従、長時間ロールアウトでの安定性が求められる（19 upvotes）。本研究はJoyAI-Echo-1.5という、2つの専用構成要素からなる統合音声・映像生成システムを提示する。
新規性: 動画生成の課題設定を、単発クリップの品質から長時間持続する世界の一貫性へ移し、音声と映像を統合的に扱った点が中核である。クリップ単位の生成では数秒間もっともらしく見えれば成功だが、物語やインタラクティブな世界では、登場人物が数分後も同じ顔でいること、ユーザーの操作が反映されること、時間が経つほど品質が劣化しないことが同時に要求される——これらは短尺の評価軸では現れない失敗である。音声と映像を分離せず統合システムとして構成する選択は、長時間の一貫性が視覚単独では成立しないという判断を反映しており、同日のStream4Dが長尺ロールアウトの幾何学的ドリフトを扱うのと同じ、持続性を主題とする流れに属する。
手法: 長尺の物語とインタラクティブな世界を対象に、同一性の保持・ユーザー制御への追従・長時間ロールアウトでの安定性を担う2つの専用構成要素を備えた統合音声・映像生成システムを構築する。
StreamPI: Streaming Multimodal Temporal Modeling for Vision-Language-Action Models
著者: Zhe Liu, Jinghua Hou, Yuxiang Lu et al.
Vision-Language-Action（VLA）モデルはロボット操作で有効性を示しているが、pi0.5のような最先端モデルは単一フレームのパラダイムの下で動作しており、過去の観測を保持して精密な空間認識を発達させる能力が制限されている（18 upvotes）。StreamPIはこの制約に対しストリーミングの時系列モデリングを導入する。
新規性: VLAモデルの入力を、瞬間の観測から時間的な文脈へ拡張した点が中核である。単一フレームで行動を決める構成は実装が単純で遅延も小さいが、いま見えている像だけでは奥行きや遮蔽された物体の位置が定まらない——一度見えていたものが手に隠れた瞬間に、その存在が方策から消える。過去の観測を保持しつつストリーミングで処理するという設計は、精度のために過去を溜め込むのではなく、リアルタイム制御の要件を満たしながら時間文脈を得ようとするものであり、同日のTacForcingが実行中の触覚フィードバックで同種の「観測が古びる」問題に対処しているのと対応している。
手法: 単一フレーム前提のVLAモデルを拡張し、過去の観測を保持するストリーミングのマルチモーダル時系列モデリングを導入して空間認識を強化する。
WikiSkill: Compiling Agent Experience into Persistent Knowledge for Skill Evolution
著者: Liyan Tang, Cyrus Rashtchian, Chun-Sung Ferng et al.
エージェントスキルは専門知識とワークフローを再利用可能なリソースとしてパッケージ化し、AIエージェントの能力を拡張する（17 upvotes）。近年の研究はエージェントの経験からこうしたスキルを自動的に発見し、相互作用を通じた漸進的な適応を可能にしているが、スキル開発を導く洞察そのものは蓄積されない。
新規性: スキルの自動発見において、発見されたスキル本体ではなく発見を導く洞察の側を永続化の対象に据えた点が中核である。経験からスキルを抽出する手法は、成功した手順を再利用可能な形にまとめるが、なぜその手順が有効だったのかという理解は抽出のたびに使い捨てられる——結果として、似た状況で同じ試行錯誤を繰り返し、スキル群は増えても質は改善しない。経験を永続的な知識へコンパイルし、それがその後のスキル発見を導くという構成は、スキルライブラリの拡大とスキル生成能力の向上を分けて扱うものであり、前日のJIT-AgentやTaoLiveがハーネス自体を進化させる方向を扱ったのに対し、こちらは進化を駆動する知識の蓄積を主題にしている。
手法: エージェントの相互作用経験を永続的な知識としてコンパイルし、その知識がスキル発見を導くことでスキル群を継続的に進化させる仕組みを構成する。
V-Rubrics: Visual Faithfulness via Rubric-Based Reinforcement Learning
著者: Shulin Tian, Minglun Li, Yuhao Dong et al.
視覚言語モデルは、視覚的証拠に十分に接地されていない流暢な回答を生成しうる——根拠のない物体、チャートの値、中間推論が1つ混じるだけで、それ以外は妥当な応答全体が損なわれる（15 upvotes）。本研究はこれをマルチモーダル事後学習におけるクレジット割当の失敗として捉える。
新規性: 視覚的な非忠実性を、モデルの認識能力の不足ではなく報酬の粒度の問題として位置づけた点が中核である。回答全体に対して単一のスコアを与える訓練では、大半が正しく一箇所だけ根拠のない応答と、全体的に曖昧な応答が似た報酬を受け取りうる——どの部分が問題だったかがモデルに伝わらない。ルーブリックに基づいて評価項目を分解しRLの報酬とする構成は、この信号の粗さを是正するものであり、同日のFIRM-Videoが text-to-video の報酬モデルで採点前の検証を導入するのと同様、マルチモーダル領域の報酬設計が総合判定から構造化された評価へ移りつつあることを示している。
手法: 視覚的忠実性の評価項目をルーブリックとして分解し、それを報酬信号とする強化学習によってマルチモーダル事後学習のクレジット割当を改善する。
Are Android GUI Agents Robust Against Runtime Anomalies? AnTrap: Evaluating Agents in Dynamic Adversarial Environments
著者: Guo Gan, Yilun Zhao, Cong Chen et al.
GUIエージェントはAndroid端末上で運用される際、予期せぬポップアップから操作の誤用まで、動的な異常に頻繁に遭遇する（12 upvotes）。しかし既存のベンチマークは実行時異常に対するエージェントの頑健性を体系的に評価していない。AnTrapは動的な摂動を注入する包括的なベンチマークである。
新規性: GUIエージェントの評価環境を、静的で理想化された画面遷移から異常が発生する環境へ変えた点が中核である。既存のGUIベンチマークはタスクが計画通りに進む前提で成功率を測るが、実機ではアプリの更新通知、権限ダイアログ、広告が任意のタイミングで割り込む——エージェントがそれを本来のUIと誤認して押した瞬間、タスクは復帰不能になる。環境側に動的な摂動を注入する構成は、エージェントの能力ではなく異常検知と復帰の能力を測定対象に加えるものであり、同日のGUI-Primitivesが空間的な参照解決の失敗を切り分けようとするのと合わせ、GUIエージェント評価が総合成功率から失敗様式の分解へ向かっていることを示す。
手法: Android環境に予期せぬポップアップや操作の誤用といった動的な摂動を注入し、実行時異常下でのGUIエージェントの頑健性を体系的に評価するベンチマークを構築する。
Prefix Sliding for efficient test-time scaling
著者: Niklas Muennighoff, Zhengyang Wang, Zeyi Chen et al.
テスト時スケーリングは追加のテスト時計算を用いて性能を向上させる手法であり、言語モデルに問題解決の際により長く推論させることなどが該当する（4 upvotes）。モデルは全アテンションによって推論トレース全体をメモリに保持するため、長い思考を要する難問は法外に高価になりうる。
新規性: テスト時スケーリングのコスト構造を、生成トークン数ではなく推論トレースの保持コストとして特定した点が中核である。長く考えるほど性能が上がるという知見自体は確立しているが、全アテンションの下では文脈長の増加に伴ってコストが二次的に膨らむため、難問ほど計算量が急増する——「もっと考えさせる」という処方箋は、最も必要な場面で最も高くつく。プレフィックスを滑らせるという構成は、推論トレースの大部分が後段では実質的に参照されていないという観察に基づき、保持する範囲を絞ることで長考のコストを抑えようとするものであり、同日のTTPOがテスト時計算を学習へ振り向けるのに対し、こちらは同じ計算予算をより長く使えるようにしている。
手法: 推論トレース全体を全アテンションで保持する構成を見直し、参照されていない部分を切り離すプレフィックスのスライディングによってテスト時スケーリングのメモリと計算のコストを削減する。
分野別の動向
エージェント学習とデータ生成
今日の中心は、エージェントを賢くする方法ではなく、エージェントを訓練するデータをどう作るかに移っている。Agentic Game Developmentは検証可能な報酬信号を持つ再帰的データエンジンとしてゲーム開発を用い、世界モデルのスケーリングを動画の量ではなくデータ生成装置の設計問題として捉え直した。What Makes Good Agentic Dataは環境・タスク・相互作用・成功信号の整合性という4要素でデータ品質を定義し、WikiSkillは経験から抽出されたスキルではなく抽出を導く洞察を永続化する。共通するのは、上流のデータ生成を評価可能な設計対象に引き上げる姿勢である。
テスト時の適応と効率化
TTPOとPrefix Slidingは、テスト時計算という同じ資源を逆方向から扱っている。TTPOは正解ラベル依存という制約を外すことでテスト時計算を学習に振り向け、Prefix Slidingは推論トレースの保持コストを削減して同じ予算でより長く考えられるようにする。事後学習の成果を訓練時に固定するのではなく、推論時の条件に応じて配分し直す方向が両者に共通している。
具現化・空間認識
UrbanGroundは実スケール都市でMLLMエージェントの空間的エージェンシーを問い、StreamPIは単一フレーム前提のVLAへ時間文脈を導入する。いずれも「いま見えているもの」だけでは行動が決まらないという同じ制約に対処しており、静止した観測から時間的・空間的に展開する状況へ評価と設計の前提が移りつつある。
評価とアライメント
AnTrapはGUIエージェントの評価環境に動的な異常を注入し、V-Rubricsは視覚的忠実性を評価項目に分解して報酬信号とする。前者は理想的な環境を前提とした成功率の限界を、後者は総合スコアによる報酬のクレジット割当の限界を突いており、評価も報酬も単一のスコアから構造化された分解へ向かうという同じ流れの中にある。