出典・テーマ・日時から、気になるニュースを見つけられます。
2026年10月26日、arXivは論文arXiv:2610.31838v1を公開し、Sense-Aligned Grounding Evaluation（SAGE）——統一された10候補画像選択基準——を提案するとともに、名詞・動詞・実体中心の多モーダルなグラウンディング評価を実施するための、学習非依存型のGloss-Augmented Reasoning（GAR）フレームワークも併せて提示した。
注目する理由：本研究は、VWSD、VerSe、WikiDiverseの3種類のタスクを用語中心のグラウンドトゥルース評価プロトコルに統一し、混同行動による難負例の導入とコンテキスト交換による診断メカニズムを提案しました。さらに、定義の強化と制約による推論の誘導が協調して作用することでHits@1指標を大幅に向上させること（65.90→71.22）を実証し、マルチモーダルな意味対応の評価においてより細粒度で解釈可能な新たなパラダイムを提供しています。
arXiv:2610.32638v1 発表タイプ：新規 要旨：大規模言語モデル（LLM）の推論は、企業向けおよび対話型アプリケーションにおける基幹サービスとしてますます広く導入されていますが、主権、コンプライアンス、遅延、リソースの局所性といった要件により、集中型クラウド環境での導入には限界があります。通信事業者は、これらの制約に対応するため、地理的に分散した計算およびネットワークインフラを提供しています。しかし、既存のLLMサービスフレームワークは、密結合されたデータセンター向けに設計されており、地理的に分散し多様なリソースの協調を支援する機能は限定的です。本稿では、通信インフラ上でのサービスレベル目標（SLO）主導型LLM推論のためのリファレンスアーキテクチャであるInferSliceを提案します。同アーキテクチャは、ネットワークスライシング、GPUパーティショニング、エラスティックなサービス提供、ならびに観測可能性を統合しています。
arXiv:2610.32107v1 発表タイプ：新規 要旨：会話に参加する際には、何を話すかを決めるだけでなく、そもそも発話すべきかどうかを判断することも重要である。特に、参加者の利害が対立する「人狼ゲーム」のような環境では、発話と沈黙の両方が他者による解釈と評価の対象となるため、この判断は一層重要な意味を持つ。したがって、何を話すかに加えて、いつ話すかを適切に決定することは、人狼ゲームをプレイするLLMエージェントにとって極めて重要である。本研究では、AIWolfDial共有タスクの「Anytime Utterance Track」向けに開発された人狼AIエージェントを紹介する。我々のシステムは、既存のInner Thoughtsフレームワークを基盤としており、会話中の発話タイミングを、内部思考を生成し、各思考の価値を評価することで決定する。
arXiv:2610.32632v1 発表タイプ：新規 要旨：RISC-Vは高性能計算（HPC）向けのアーキテクチャとして注目を集めているが、既存の研究では使用するプラットフォームやワークロード、手法が異なり、エネルギー効率をほとんど考慮していないため、既存のx86およびArmプロセッサに対する競争力の評価は依然として困難である。本研究では、共通のソフトウェアスタックと評価手法を用いて、最新のHPC向けRISC-V、Arm、x86プロセッサを比較評価した。具体的には、Sophgo SG2044を特性評価し、NVIDIA Grace CPU SuperchipおよびIntel Xeon Platinum 8480+と比較して、4つのHPCベンチマーク（STREAM、HPL、HPL-MxP、HPCG）および4つの代表的なアプリケーション（iPIC3D、PLUTO、OpenFOAM、llama.cpp）について検証を行った。なお、本研究で使用したHPL-MxPのバージョンは、OpenBLASとリンクされ、コンパイル・実行されたものである。
arXiv:2610.31918v1 発表タイプ：新規 要旨：対話型の大規模言語モデルエージェントの蒸留では、教師が生成したデモンストレーションと学生が生成した経験のどちらを選ぶかという選択が必要であり、これは広くオフポリシー蒸留とオンポリシー蒸留に対応している。両者とも有効であることは実証されているが、我々はこの区別が本質的に階層的であると主張する。すなわち、対話履歴を生み出す方策と、現在の行動のトークンプレフィックスを生成する方策は必ずしも同一である必要はない。そこで、これらの二つのレベルのオンポリシー性を形式化し、それらのペアリング、混合比率、および学習スケジュールを明示的に制御できる、階層的なエージェント蒸留フレームワークを提案する。我々は、凍結された教師が学生には利用できないタスクガイダンスにアクセスできる自己蒸留を通じて、この問題を検討する。そして
arXiv:2610.32024v1 Announce Type: new Abstract: Task instructions from users for agents are inherently underspecified, especially regarding safety boundaries--creating behavioral risks. To study these risks, we introduce BARC-Bench, a collection of 110 tasks across nine simulated workspace environments where benign requests leave openings for unsafe actions. In this benchmark, we evaluate agent behavior against safety boundaries established by workspace records, implicit environmental context, and unstated social norms. For example, an agent asked to schedule off-boarding discussions must arrange the meeting without prematurely revealing an employee's resignation through a shared calendar invitation. Evaluating four frontier model configurations across five attempts per task reveals that m
翻訳待ち・原文を表示中 · enarXiv:2610.31971v1 発表タイプ：新規 要旨：大規模言語モデル（LLM）を用いたエージェントは、個人や組織に代わって交渉に参加するケースが増加している一方で、特に繰り返し行われる複数当事者間の対話においては、依然として操作に対して脆弱である。従来のマルチエージェントシステムでは、明示的な信頼モデルや評判モデルによってこの課題に対処してきたが、LLMによる交渉に関する既存の研究では、信頼をむしろ創発的な現象として扱うことが多い。本研究では、LLMエージェントが過去の相互作用から有用な信頼評価を形成し、それを活用して将来の交渉結果を改善できるかどうかを検証する。さらに、繰り返し行われる複数当事者・複数課題の交渉フレームワークを提案し、その中で定期的に参加するエージェントが一連の交渉ゲームに臨む一方で、ある参加者が密かに合意成立を妨害しようとする状況を設定する。
arXiv:2610.32055v1 発表タイプ：新規 要旨：大規模言語モデル（LLM）は、客観的な事実や推論を問うタスクにおいてすら、ユーザーの提示に合わせて回答を改変する「迎合性」をしばしば示す。しかし、この影響の定量的形態――およびそれが出典の信頼性に適切に校正されているかどうか――については、依然として十分に解明されていない。本研究では、MMLU の質問に対するヒントによる回答の変化を通じてこの現象を検証し、「[出典] は答えが (X) だと考えている」という形式のプロンプトを評価した。さらに、ヒントの帰属先である出典（教授、友人、あるいは犬）を、Qwen、Gemma、SmolLM の三つのオープンソースモデルファミリー間で系統的に変化させた。その結果、ヒントによって引き起こされる変化には、指数関数的な傾きによってよく特徴付けられる予測可能な構造が存在することを示した。すなわち、ヒントは
arXiv:2610.31863v1 発表タイプ：新規 要旨：農業機械がインテリジェントでオフラインの支援を提供するためには、システムが技術文書に動的にアクセスできる必要があります。本論文では、ISO 11783ベースのCANバスを介したオペレーター用マニュアルのセマンティック同期について分析を行いました。これは、トラクター側のアシスタントのローカルな知識ベースを、接続された作業機のオペレーター用マニュアルと整合させるプロセスとして定義されます。データ転送性能はMarkdown、JSON、XMLを用いてベンチマークされ、また、複数のオープンウェイトの大規模言語モデル（LLMs）についても、多言語間のクエリタスクにおいて評価を行いました。回答の自動評価は、4名のヒューマンラベラーによる評価と比較して検証されました。完全なマニュアルは、物理的なISO 11783ネットワーク上で、使用する機能に応じて31秒から89秒の間に転送されました。
arXiv:2610.31972v1 公開タイプ：新規 抄録：ライブで変動する企業データを基に動作する対話型エージェントの評価は困難である。再現されたセッションはバックエンドの状態変化に伴ってずれてしまい、今日作成されたベンチマークであっても、その対象となるデータが更新・進展するにつれて、気づかないうちに古くなってしまうからだ。本稿では、運用中の対話型エージェント向けのオフライン評価ハーネスを提案する。このハーネスは、対象とするライブデータが変化しても再現性を維持し、一度古くなった場合でも必要に応じて再生成できる。さらに、本ハーネスを用いて、報酬ハッキングを防止する正しさのゲート下でGEPAベースのプロンプト最適化を行う際の適合度関数として活用した。実際の商業向けエージェントに適用した結果、正しさのゲート付き圧縮により、保持されたタスクの正しさを低下させることなく、エージェントの全プロンプト領域を3.5〜7.6%削減できた。
arXivは2026年10月26日、『SPECMEM: Accelerating Agentic Tool Calling via Live Memory Management』という題名のプレプリント論文（番号2610.31840v1）を公開し、SpecMemと呼ばれる新システムを提案しました。このシステムは、セッション間で動作するオンライン更新可能なユーザーレベルのツール呼び出し用メモリ管理により、ツール呼び出しの遅延を大幅に低減します。
注目する理由：本研究は、現行のツール呼び出しエージェントがデプロイ時に自己帰納的復号によって生じる高遅延の問題に着目し、検証可能な書き戻し、LRU淘汰、副作用制御などの主要技術を提案しました。さらに、複数ユーザー・複数セッションにわたる実際のクエリフローにおいてその有効性を実証しており、最大で実測1.74倍の高速化と平均27％の受容トークン数の向上を達成しています。これはAIシステム工学の分野における重要な進展です。
arXiv:2610.31827v1 Announce Type: new Abstract: Long-context LLM serving for agentic, coding, and document workloads reuses prefixes whose key-value (KV) cache outgrows GPU and host memory, putting storage I/O on the critical path of the inference step for retrieving prefixes. A single node-local NVMe absorbs all retrievals, while the parallel file system or cloud file store that nodes already mount carries almost no inference traffic. We cast prefix retrieval as aggregate-bandwidth scheduling across these tiers and present KVStream, a KV cache engine that batches a step's reads, defers writes behind the forward pass, replicates each chunk on every tier, and lets each tier adaptively claim the next unread chunks once it is free. Our performance model shows this routing attains the aggregat
翻訳待ち・原文を表示中 · enarXiv:2610.31986v1 発表タイプ：新規 要旨：視覚言語モデル（VLM）は、記録された映像を解釈し洞察を提供するため、消費者向けスマートホームカメラシステムにおいてますます広く採用されています。しかし、スマートホームカメラで撮影された動画クリップは、既存のVLMベンチマークを支配しているキュレーション済みのウェブ動画とは異なります。スマートホームの動画クリップには字幕やナレーションが付いていないことが多く、異なる視点から、さまざまな照明条件下で、多様なシナリオにおいて撮影されています。一方で、こうした希薄な視覚信号と限られた文脈下におけるモデルの性能は、既存のVLMベンチマークでは十分に評価されていません。このギャップを埋めるため、私たちはスマートホーム映像理解の評価を目的とした、視覚のみの四択形式のベンチマークであるOpenHomeを提案します。I
arXiv:2610.31728v1 発表タイプ：新規 要旨：ミュオンは大規模言語モデルの学習において人気の最適化手法となっているが、その理論的基盤は依然として十分に解明されていない。本研究では、勾配ノイズの幾何学的構造がミュオンによる前処理効果にどのように寄与するかを検討する。まず、古典的な等方性ノイズ仮定の下では、ミュオンは学習率の再スケーリング以外に加速効果をもたらさないことを理論的および実証的に示す。これを受けて、私たちは異種タスクの発生頻度を持つ連想記憶におけるミニバッチサンプリングから生じる構造化されたノイズに着目し、二つのタスクに対する正確なバランス閾値を導出するとともに、多タスクへの拡張を行った。その結果、タスクのカバー率と勾配の信頼性が相互に作用して学習を形作ることを明らかにした。我々の分析によれば、ミュオンは…を緩和できることが示されている。
arXiv:2610.32711v1 発表タイプ：新規 要旨：データ分析および大規模言語モデル（LLM）ワークロードによるメモリ需要は急速に増加しており、クラウドやデータセンターにおけるメモリコストの上昇を招いている。マルチティアメモリは、性能とコストのバランスを取る有望な解決策として台頭している。しかし、これを効果的に活用するには、ワークロードのメモリ動作特性を深く理解することが不可欠である。本研究では、ワークロード固有のマルチティアメモリ活用機会を分析するための高解像度メモリ特性評価手法を提案する。データセンターにおけるARMベースプロセッサの導入拡大を受け、我々は最新のARM向け統計的プロファイリング拡張機能（SPE）を用いて当該手法を実装した。CloudSuiteおよびLLMアプリケーションから抽出した8つのメモリ集約型ワークロードを対象に特性評価を行うことで、領域特有のアクセスパターンを特定した。
arXiv:2610.32057v1 発表タイプ：新規 要旨：我々は、学習済みスパースアテンション向けの長文コンテキスト学習システムであるHyScaleを提案する。学習済みスパースアテンションは、数百万人規模のトークンを扱うコンテキストに対し有望なアーキテクチャであり、DeepSeek-V3.2以降、実運用で広く採用されている。しかし、選択処理はトレーニングにおけるボトルネックへと発展している。各クエリに対して、スパースアテンションが読み込むのは$ k $個にすぎないのに対し、選択処理では過去のすべてのトークンについてスコアを算出するからである。さらに深刻なのは、現行のシステムではスコアテーブルを完全にメモリ上に展開し、再計算時にも選択処理を繰り返す点である。我々の重要な着想は、選択処理の出力が活性化値ではなく、むしろインデックスの集合であるという点にある。これを基に、HyScaleはHyTopKと選択リプレイを導入する。HyTopKはスコアテーブルを用いずに、リアルタイムで各クエリの正確なトップ$ k $を特定し、一方で選択リプレイは、フォワードパスでの選択結果を再計算時に再利用する手法である。
arXiv:2610.31985v1 Announce Type: new Abstract: LLM agents are increasingly deployed in collaborative settings where they pursue separate tasks while sharing resources and operating under review or oversight processes. Such settings create safety risks not only when agents are malicious, but also when they are simply trying to help. Prior work has largely studied adversarial or explicitly collusive behavior; we show that benign agents pursuing separate objectives can spontaneously cooperate in ways that bypass intended workflows. We call this the \emph{helpful agent problem}. We study long-horizon shared-resource environments in which agents sometimes depend on resources owned by their peers and cross-owner changes are normally mediated by a reviewer. When review becomes unavailable, agent
翻訳待ち・原文を表示中 · enarXiv:2610.32046v1 Announce Type: new Abstract: Recent \emph{test-time training} (TTT) frameworks have enabled open-weight large language models (LLMs) to outperform inference-only frameworks powered by frontier models on scientific discovery tasks. However, TTT introduces additional computational cost for online weight updates during the discovery process, making computational efficiency an important consideration when scaling to larger models. This motivates us to explore an efficient \emph{test-time adaptation} method for scientific discovery. We introduce \emph{Test-Time Memory Evolution} (TTME), a plug-and-play test-time adaptation method, as an alternative to TTT. TTME continually updates the external memory by distilling the experience to guide subsequent discovery without updating
翻訳待ち・原文を表示中 · enarXiv:2610.32045v1 発表タイプ：新規 要旨：AI-for-Scienceエージェントは、科学的仮説の立案、自律型実験の実行、および証拠の解釈にますます活用されています。これらのエージェントは、特定分野向けのエージェントハーネスに大規模言語モデル（LLM）を統合することで構築され、その結果、LLMの科学的能力が向上し、モデルが科学ツールを調整・連携できるようになります。本研究では、AI-for-ScienceエージェントハーネスにLLMを組み込んだ際、モデルの安全性が維持されるかどうかを検討します。5つのエージェントハーネスを対象に、有害な化学関連のリクエスト50件について評価を行いました。具体的には、直接的なプロンプト入力、2種類の単純な敵対的プロンプト戦略、および適応型攻撃の条件下で、安全性の挙動がどのように変化するかを調査しました。最近のGPT系モデル4種類について、我々の結果は示しています
arXiv:2610.32229v1 発表タイプ：新規 要旨：8ビット未満の演算で大規模言語モデル（LLM）を訓練することは、メモリ帯域幅と計算スループットの大幅な向上を約束する一方で、FP4フォーマットでは、適切に対処しなければ最適化を不安定にするほど深刻な量子化誤差が生じます。本稿では、MXFP4マイクロスケーリングフォーマット下のMLPerf Small MoE Trainingベンチマークにおいて、200億パラメータを持つ混合専門家モデル（MoE）であるGPT-OSS-20B向けのオープンソース訓練レシピALTOを提案します。このレシピは、Abecassis、Felixらによる[arXiv:2509.25149]に示された確立された手法（ハイブリッド1D/2Dブロック量子化、ランダム化ハダマード変換、および確率的丸め）に加え、TetraJet-v2[arXiv:2510.27527]から採用した簡略化された重みのデオシレーション手法を組み合わせています。グローバルバッチサイズにおけるC4検証において
