BeSafe-Bench: 機能的環境におけるSituated Agentの行動的安全リスクの解明

World Reasoning Arena

MSA: 1 億トークン規模への効率的なエンドツーエンドメモリモデルのスケーリングを実現するメモリスパースアテンション

Voxtral TTS

RealRestorer: Large-Scale Image Editing Models による汎用性のある実世界画像復元への挑戦

Calibri: Parameter-Efficient Calibration による Diffusion Transformer の高度化

Intern-S1-Pro：兆規模の科学マルチモーダル基盤モデル

PixelSmile: Toward Fine-Grained Facial Expression Editing

Claudini: AutoresearchによりLLMsに対する最先端のAdversarial Attackアルゴリズムを発見

AutoHarness: Code Harnessの自動合成によるLLM Agentsの向上

GameplayQA: 3D 仮想エージェントの意思決定が密集した POV 同期型マルチビデオ理解のためのベンチマークフレームワーク

なぜ自己蒸留（Self-Distillation）は、LLM の推論能力を（時として）劣化させるのか？

UI-Voyager: 失敗経験を通じた自己進化型 GUI Agent

T-MAP：Trajectory-aware Evolutionary Search による LLM Agents に対する Red-Teaming

CUA-Suite：コンピュータ使用 Agent 向けの大規模な人間注釈付きビデオ実証データセット

EVA: エンドツーエンドの Video Agent 向け効率的強化学習

Foveated Diffusion: Efficient Spatially Adaptive Image and Video Generation

Ego2Web: Egocentric Videoに基づいたWeb Agentベンチマーク

静的テンプレートから動的ランタイムグラフへ：LLM Agents 向けワークフロー最適化に関するsurvey

SpecEyes：Speculative Perception と Planning による Agentic Multimodal LLMs の高速化

DA-Flow: Diffusion Models を用いた Degradation-Aware な Optical Flow 推定

PEARL：パーソナライズされたストリーミング動画理解モデル

WildWorld：アクションと明示的状態を備えた動的世界モデリングおよび生成型 ARPG に向けた大規模データセット

MinerU-Diffusion: Diffusion によるデコーディングを介した逆レンダリングとしての文書 OCR の再考

PivotRL：低計算コストを実現する高精度なAgentic Post-Training

F4Splat: Feed-Forward Predictive Densification for Feed-Forward 3D Gaussian Splatting

SpatialBoost: 言語誘導推論による視覚表現の強化

VideoDetective：長動画理解のための外生的クエリと本質的関連性の両方による手がかりの探索

LongCat-Flash-Prover：Agentic Tool-Integrated Reinforcement Learning による Native Formal Reasoning の進展

シンプルさによる高速化：音声・動画生成基盤モデルのための単一ストリームアーキテクチャ

BeSafe-Bench: 機能的環境におけるSituated Agentの行動的安全リスクの解明

World Reasoning Arena

MSA: 1 億トークン規模への効率的なエンドツーエンドメモリモデルのスケーリングを実現するメモリスパースアテンション

Voxtral TTS

RealRestorer: Large-Scale Image Editing Models による汎用性のある実世界画像復元への挑戦

Calibri: Parameter-Efficient Calibration による Diffusion Transformer の高度化

Intern-S1-Pro：兆規模の科学マルチモーダル基盤モデル

PixelSmile: Toward Fine-Grained Facial Expression Editing

Claudini: AutoresearchによりLLMsに対する最先端のAdversarial Attackアルゴリズムを発見

AutoHarness: Code Harnessの自動合成によるLLM Agentsの向上

GameplayQA: 3D 仮想エージェントの意思決定が密集した POV 同期型マルチビデオ理解のためのベンチマークフレームワーク

なぜ自己蒸留（Self-Distillation）は、LLM の推論能力を（時として）劣化させるのか？

UI-Voyager: 失敗経験を通じた自己進化型 GUI Agent

T-MAP：Trajectory-aware Evolutionary Search による LLM Agents に対する Red-Teaming

CUA-Suite：コンピュータ使用 Agent 向けの大規模な人間注釈付きビデオ実証データセット

EVA: エンドツーエンドの Video Agent 向け効率的強化学習

Foveated Diffusion: Efficient Spatially Adaptive Image and Video Generation

Ego2Web: Egocentric Videoに基づいたWeb Agentベンチマーク

静的テンプレートから動的ランタイムグラフへ：LLM Agents 向けワークフロー最適化に関するsurvey

SpecEyes：Speculative Perception と Planning による Agentic Multimodal LLMs の高速化

DA-Flow: Diffusion Models を用いた Degradation-Aware な Optical Flow 推定

PEARL：パーソナライズされたストリーミング動画理解モデル

WildWorld：アクションと明示的状態を備えた動的世界モデリングおよび生成型 ARPG に向けた大規模データセット

MinerU-Diffusion: Diffusion によるデコーディングを介した逆レンダリングとしての文書 OCR の再考

PivotRL：低計算コストを実現する高精度なAgentic Post-Training

F4Splat: Feed-Forward Predictive Densification for Feed-Forward 3D Gaussian Splatting

SpatialBoost: 言語誘導推論による視覚表現の強化

VideoDetective：長動画理解のための外生的クエリと本質的関連性の両方による手がかりの探索

LongCat-Flash-Prover：Agentic Tool-Integrated Reinforcement Learning による Native Formal Reasoning の進展

シンプルさによる高速化：音声・動画生成基盤モデルのための単一ストリームアーキテクチャ