再帰型マルチエージェントシステム

エージェント型AIに対するスキル検索拡張

SketchVLM：ビジョン言語モデルは思考を説明するために画像を注釈付けし、ユーザーをガイドすることができます。

RSRCC: 検索拡張ベスト・オブ・N 順位付けによって構築されたリモートセンシング地域変化理解ベンチマーク

LongSpeech: 長尺音声における文字起こし、翻訳、理解のためのスケーラブルなベンチマーク

ClawMark: 複数ターン・複数日間にわたるマルチモーダルcoworker agents向けのライブワールドベンチマーク

Tuna-2: ピクセル埋め込みは、マルチモーダルな理解と生成においてビジョンエンコーダを上回る （訳注：学術文脈における「beat」は、パフォーマンス比較の文脈において「～を上回る」「凌駕する」等の表現で訳すのが一般的ですが、タイトルとして簡潔に「勝る」「凌ぐ」の意味を込めて「上回る」としました。また、技術用語「Pixel Embeddings」は「ピクセル埋め込み」、「Vision Encoders」は「ビジョンエンコーダ」と訳しています。）

ビジョン・言語・アクションの安全性：脅威、課題、評価、そしてメカニズム

ReVSI：VLMの3D推論能力を正確に評価するための視覚的空間知能評価の再構築

スキルから人材へ：現実の企業として異質なエージェントを組織化する

World-R1: テキストから動画生成に対する3次元制約の強化

意味論的進行関数を用いたビデオ解析および生成

SmartPhotoCrafter: 自動写真画像編集のための統合的な推論・生成・最適化フレームワーク

コンテキストは常に不十分である：長大な文書集合に対するスケーラブルな質問応答のための構造化推論

AgentSearchBench: 実世界のAI agent検索におけるベンチマーク

FlowAnchor: Inversion-freeなビデオ編集に向けた編集信号の安定化

内部表現を用いたLLMの安全性確保：有害コンテンツの検出

DiffNR: 疎な視点からの3D断層再構成に向けた拡散モデルによるニューラル表現最適化の強化

Agentic World Modeling：基盤、能力、法則、そしてその先へ

強靭な分散型事前学習のためのDecoupled DiLoCo

EVENT TENSOR: 動的MEGAKERNELをコンパイルするための統一的抽象化

速い動きと遅い動きの認識：ビデオにおける時間の流れの学習

長期的タスクに向けたLLMの意思決定とSkill Bank agentの共進化

StyleID：スタイルに依存しない顔識別のための、知覚を考慮したデータセットおよび指標

UniT：人間からヒューマノイドへのpolicy学習および世界モデリングに向けた統一的物理言語の構築

WorldMark：インタラクティブなビデオ・ワールドモデルのための統一ベンチマークスイート

LLaTiSA：視覚的知覚から意味論に至る、難易度層別化された時系列推論に向けて

画像生成器は汎用的なビジョン学習器である

LongCat-Next: モダリティを離散的なtokenとして語彙化する

FIPO: Future-KLの影響を受けた方策最適化による深い推論の導出

再帰型マルチエージェントシステム

エージェント型AIに対するスキル検索拡張

SketchVLM：ビジョン言語モデルは思考を説明するために画像を注釈付けし、ユーザーをガイドすることができます。

RSRCC: 検索拡張ベスト・オブ・N 順位付けによって構築されたリモートセンシング地域変化理解ベンチマーク

LongSpeech: 長尺音声における文字起こし、翻訳、理解のためのスケーラブルなベンチマーク

ClawMark: 複数ターン・複数日間にわたるマルチモーダルcoworker agents向けのライブワールドベンチマーク

Tuna-2: ピクセル埋め込みは、マルチモーダルな理解と生成においてビジョンエンコーダを上回る （訳注：学術文脈における「beat」は、パフォーマンス比較の文脈において「～を上回る」「凌駕する」等の表現で訳すのが一般的ですが、タイトルとして簡潔に「勝る」「凌ぐ」の意味を込めて「上回る」としました。また、技術用語「Pixel Embeddings」は「ピクセル埋め込み」、「Vision Encoders」は「ビジョンエンコーダ」と訳しています。）

ビジョン・言語・アクションの安全性：脅威、課題、評価、そしてメカニズム

ReVSI：VLMの3D推論能力を正確に評価するための視覚的空間知能評価の再構築

スキルから人材へ：現実の企業として異質なエージェントを組織化する

World-R1: テキストから動画生成に対する3次元制約の強化

意味論的進行関数を用いたビデオ解析および生成

SmartPhotoCrafter: 自動写真画像編集のための統合的な推論・生成・最適化フレームワーク

コンテキストは常に不十分である：長大な文書集合に対するスケーラブルな質問応答のための構造化推論

AgentSearchBench: 実世界のAI agent検索におけるベンチマーク

FlowAnchor: Inversion-freeなビデオ編集に向けた編集信号の安定化

内部表現を用いたLLMの安全性確保：有害コンテンツの検出

DiffNR: 疎な視点からの3D断層再構成に向けた拡散モデルによるニューラル表現最適化の強化

Agentic World Modeling：基盤、能力、法則、そしてその先へ

強靭な分散型事前学習のためのDecoupled DiLoCo

EVENT TENSOR: 動的MEGAKERNELをコンパイルするための統一的抽象化

速い動きと遅い動きの認識：ビデオにおける時間の流れの学習

長期的タスクに向けたLLMの意思決定とSkill Bank agentの共進化

StyleID：スタイルに依存しない顔識別のための、知覚を考慮したデータセットおよび指標

UniT：人間からヒューマノイドへのpolicy学習および世界モデリングに向けた統一的物理言語の構築

WorldMark：インタラクティブなビデオ・ワールドモデルのための統一ベンチマークスイート

LLaTiSA：視覚的知覚から意味論に至る、難易度層別化された時系列推論に向けて

画像生成器は汎用的なビジョン学習器である

LongCat-Next: モダリティを離散的なtokenとして語彙化する

FIPO: Future-KLの影響を受けた方策最適化による深い推論の導出