“GRADE-STEは、PPOの0.510 +- 0.313、REINFORCEの0.617 +- 0.378と比較して、テスト報酬0.763 +- 0.344を達成し、PPOに対して50％の相対的な改善を示しています。”
“この研究は、これからのAI開発の指針となる知見を提供します。”
“本記事は、松尾・岩澤研究室「大規模言語モデル講座 基礎編」の講義内容をもとにしています。”
“この記事は「教師あり学習」「教師なし学習」「強化学習」について明確な説明を提供することを目的としています。”
“Unslothは、強化学習のコンテキスト長を7倍（最大12倍）に拡張しました！”
“この記事では、VeRLというフレームワークを使ってMegatron-LMをベースにLLMをRL（PPO、GRPO、DAPO）する方法について解説します。”
“SFT:「作法（フォーマット・推論ルール）」を教えるフェーズ; RL: 「選好（良し悪し・安全性）」を教えるフェーズ”
“”
“”
“”
“人間からのインプットなしに、興味深いクエリを自問自答することで学習するAIモデルは、超知能への道を示す可能性があります。”
“信頼性の高いオンデバイスエージェントアプリケーションを強化するために構築されています。〜1Bパラメータクラスで、より高品質、低レイテンシ、より広範なモダリティサポートを実現します。”
“本稿では、JEPAワールドモデルによる計画を強化するために、表現空間を形成し、所与の環境における到達コストに対する負の目標条件付き価値関数が、状態埋め込み間の距離（または準距離）によって近似されるようにするアプローチを提案します。”
“記事URL：https://bostondynamics.com/blog/boston-dynamics-google-deepmind-form-new-ai-partnership/”
“LLM展開における伝播ステップを削減することにより、MetaJuLSは推論のカーボンフットプリントを直接削減することにより、グリーンAIに貢献します。”
“DeepMindのRL研究者からのツイートで、エージェント、RLのフェーズが過去数年でどのように推移し、2026年には継続学習に大きく向かっているかを概説しています。”
“B-Transは、群衆の知恵を効果的に活用し、決定論的ベースラインと比較して、優れた意味的多様性を生み出し、より優れたタスクパフォーマンスを達成します。”
“ResponseRankは、局所的に有効な相対的な強さの信号を利用することにより、選好の強さを堅牢に学習します。”
“MSACLは、単純な報酬の下で指数安定性と急速な収束を達成し、不確実性に対する高いロバスト性と、未見の軌道への一般化を示しています。”
“後のモデルは、最初のモデルよりもはるかに長い計画を発見することにより、出現的な一般化を示します。”
“この論文は、強力な協調行動を発見するために必要な情報を保持しながら、状態空間を圧縮する共同状態の抽象化を提案しています。”
“この論文は、NLHFにおけるOptimistic Multiplicative Weights Update (OMWU)の最初の収束保証を提供し、フルサポートを持つNEが存在する場合、バーンインフェーズ後に最後の反復線形収束を達成することを示しています。”
“提案されたDRLコントローラーは、1回の決定あたり0.6ミリ秒のオンライン推論時間を達成し、AO-WMMSEソルバーの約370〜550ミリ秒と比較しています。”
“この論文は、単一ポリシー集中性カバレッジと破損を伴う高次元スパースMDPにおいて、最初の非自明な保証を提供し、従来のロバストオフラインRL技術が失敗する可能性のある状況でも、ほぼ最適なポリシーの学習が可能であることを示しています。”
“本論文は、電力制約下でRL報酬を最大化するために、整数（Int8）量子化とリソース対応の歩行スケジューリングの視点を検討しています。”
“EVOL-SAM3は、静的ベースラインを大幅に上回るだけでなく、ゼロショット設定において、困難なReasonSegベンチマークで完全に教師ありの最先端手法を大幅に上回っています。”
“本論文は、簡略化されたモデルでの事前学習とモデルホモトピー転送を組み合わせた、効率的に複雑な動的動作を生成および洗練するための継続ベースの学習フレームワークを紹介しています。”
“具現化インテリジェンスの本質は「インテリジェントロボット」であり、さまざまなロボットに知覚、推論、汎化された意思決定を行う能力を与えます。これは飛行にも当てはまり、飛行ロボットを再定義します。”
“提案されたHOOAは、最高のベンチマークアプローチおよび最先端のDRLアルゴリズムと比較して、平均タスク完了遅延を2.5％、平均エネルギー消費を3.1％削減するという、大幅な改善を達成しています。”
“HMP-DRLは、ロボットナビゲーションの主要な指標（成功率、衝突率、目標到達時間）において、最先端のアプローチを含む他の方法を常に上回っています。”
“PAMは、高い推論速度（20Hz以上）を維持しながら、300フレームの履歴ウィンドウをサポートします。”
“実験では、Youtu-Agentがオープンウェイトモデルを使用してWebWalkerQA（71.47％）およびGAIA（72.8％）で最先端のパフォーマンスを達成することが示されています。”
“このフレームワークは、シングルエージェントのベースラインと比較して、タスク処理速度を3倍向上させ、ライティングにおける構造/スタイルの整合性を98.7％、コーディングにおけるテスト合格率を74.6％達成しました。”
“DARFTは、追加の教師なしで、強力な誤答を抑制し、決定境界を鮮明にします。”
“ベイズDPアルゴリズムは、事後更新と価値反復を交互に行い、モンテカルロサンプリングと凸最適化を組み合わせたリスクベースのベルマン演算子の推定器を採用しています。”
“HUMORは、推論の多様性を高めるために階層的、マルチパスのChain-of-Thought (CoT)を採用し、主観的なユーモアを捉えるためにペアワイズ報酬モデルを使用しています。”
“2段階のアプローチは、空間推論を原子的な構成要素とその組み合わせに分解します。”
“7つの市場における140万件の顧客取引を分析した結果、我々のアプローチは偽陽性率と偽陰性率をそれぞれ4.64%と11.07%に削減し、単一機関モデルを大幅に上回りました。このフレームワークは、固定ルールポリシーの下での49.41%に対して、潜在的な損失の79.25%を防ぎます。”
“この論文は、永続的なドリフトを捉えるバイアス、確率的変動を捉えるノイズ、およびオーバーシュートにつながる方向性のある反復励起を捉えるアライメントへの、原理に基づいた分解を通じて、エラーの進化を明示的にモデル化する診断主導の適応学習フレームワークを提案しています。”
“論文の重要な発見は、幅広い報酬依存関数に対して統計的に効率的な推論をもたらす、バイアス除去された逆強化学習のための半パラメトリックフレームワークの開発です。”
“ViReLocは、2つの与えられた地上画像間のルートを計画します。”
“SenseNova-MARSは、オープンソースの検索および微細な画像理解ベンチマークで最先端のパフォーマンスを達成しています。具体的には、検索指向のベンチマークにおいて、SenseNova-MARS-8BはMMSearchで67.84、HR-MMSearchで41.64を記録し、Gemini-3-FlashやGPT-5などの独自のモデルを上回っています。”
“MaRCAは、既存の計算リソースを使用して16.67％の収益向上を実現しました。”
“本論文は、状態空間が高々可算であり、アクション空間が一般的なPolish空間である場合、元のMFTGに対する最適な閉ループポリシーの存在を証明しています。”
“FIGRは、AIME 2025で13.12％、BeyondAIMEで11.00％、ベースモデルを改善し、図形誘導型マルチモーダル推論が複雑な推論の安定性と信頼性を高める上で有効であることを強調しています。”
“SiLRIは、人間の最適でない介入を効果的に利用し、最先端のRL手法であるHIL-SERLと比較して、90％の成功率に到達するのに必要な時間を少なくとも50％削減し、他のRL手法が成功に苦労する長期間の操作タスクで100％の成功率を達成します。”
“DRL-THは、さまざまな混雑した環境で既存の方法よりも優れています。また、実際のUGVにDRL-TH制御ポリシーを実装し、実際のシナリオでうまく機能することを示しました。”
“この方法は、特に大規模で時間制約のあるシナリオにおいて、計算効率とスケーラビリティの点で顕著な利点を示しています。”
“D^2-Alignは人間の嗜好との優れた整合性を実現しています。”
“GARDOの重要な洞察は、正規化を普遍的に適用する必要はなく、代わりに、高い不確実性を示すサンプルのサブセットを選択的にペナルティを課すことが非常に効果的であるということです。”