見出し・要約・本文から、情報のつながりを探します。
arXiv:2610.33017v1 発表タイプ：新規 要旨：英語主体のコーパスで学習された多言語トークナイザーは、しばしばインド系言語を過剰に分割し、その結果、トークン列が長くなり、各文字体系間でのトークナイズ化の不均衡が拡大する。本研究では、Unicode正規化による前処理と明示的なインド系結合文字処理、文字体系意識に基づくルーティング、さらに小規模なTransformer言語モデルと共同で学習されるバイト単位の境界予測を組み合わせた、インド系言語に特化した適応型トークナイゼーション拡張であるAdaptTok-Indicを提案する。ベンガル語およびヒンディー語において評価を行い、さらにグジャラート語、タミル語、テルグ語についても追加評価を実施した結果、AdaptTok-Indicは、インド系言語向けのベースラインであるSentencePiece BPEおよび独立して実装されたMAGNETスタイルのベースラインよりも低いトークン肥沃度を達成した。5つの記録済みの
arXiv:2610.33014v1 発表タイプ：新規 要旨：交渉支援システムは、相手の反応を正確に予測しなくても良好な取引を成立させることができる。そこで、社会的世界モデルに対する評価がその予測を直接検証しているのかという疑問を提起する。1999年から2026年にかけて発表された113件の研究を調査したところ、9件の主要な評価では、システムまたは実験者が選択した行動に対する実際の人の反応が測定されていた。そのうち、明示的な反応予測と実際の反応を比較しているのはわずか2件であり、しかもそれらの予測手法は行動選択時に利用可能な情報を用いており、評価対象の反応は適合過程から除外されていた上、介入手法もランダム化されていた。さらに、言語モデルに関する25件の研究について全文を個別に確認した結果、これらの条件を満たす実験は見当たらなかった。他の評価は、現状推論やタスク成功、あるいは予測機能の評価を行っているにすぎない。
arXiv:2610.33036v1 発表タイプ：新規 要旨：スピーキングスタイルキャプション（SSC）は、声の音色、プロソディー、表現力といったパラリンギスティックな属性を捉えながら、話し方そのものを自然言語で記述することを目的としています。会話型AIエージェント、制御可能な音声生成、大規模な音声アノテーションなど、多くの下流アプリケーションでは、単一で区別されない記述ではなく、話し手の特性や感情、発話スタイルなど、特定の側面を対象とした次元別のスタイルキャプションが必要とされています。しかし、既存の研究には、制御可能なスピーキングスタイルキャプションに関する統一的な定式化が欠けています。本研究では、このギャップを解消するため、SSCを指示に従う音声・言語タスクとして定式化し、明示的な指示によってスピーキングスタイルの次元を指定する手法を提案します。
arXiv:2610.33004v1 発表タイプ：新規 要旨：光学文字認識（OCR）は歴史的アーカイブのデジタル化において不可欠であるが、文字誤り率（CER）などの標準的な評価指標だけでは、氏名や日付、識別子といった有意義な情報が確実に保持されているかどうかを必ずしも反映できない。本研究では、歴史文書におけるOCR品質を評価するための補完的な視点として、OCRエラーのエンティティレベルでの分析を検討する。公開されているBerruttiアーカイブの175件の文書から構成されるベンチマークを用い、受理後に公開予定の手動でアノテーションされた5,209件のエンティティ言及を追加することで、逐次認識型OCRシステム、OCR専用の視覚言語モデル、および汎用の視覚言語モデルを比較する。全体的な転写精度にとどまらず
arXiv:2610.32114v1 発表タイプ：新規 要旨：AIアライメントの進展を加速するためのアプローチの一つは、アライメント研究そのものの一部を自動化することである。そのためには、研究提案における欠陥の特定や、提案された実験が意図した主張を支持しているかどうかの評価など、監督が困難な研究タスクにおいても信頼性高く機能するシステムが必要となる。この能力を評価するため、私たちはTampered MLを導入する。これは、公開されている機械学習論文から再構築された実験提案と、対象とする方法論的欠陥を意図的に導入した最小限の編集を施した反事実のペアからなる1,858件のベンチマークである。モデルは、提示順序が逆でも、より方法論的に妥当な提案を識別しなければならない。層化抽出サンプルを用いた人間による検証研究では、全体の86%が…
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:2610.32632v1 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:2610.32024v1 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:2610.31863v1 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: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:2610.32229v1 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
arXiv:2610.32115v1 発表タイプ：新規 要旨：スパースな専門家混合モデル（MoE）は、ニューラル機械翻訳（NMT）のスケーリングおよび言語の多様性の管理において強力なパラダイムである。しかし、実用上の制約により、リソースが限られたデバイスへの導入は困難である。具体的には、全専門家プールをメモリ上に常駐させる必要があり、さらに各トークンごとの計算リソースは、トレーニング中に厳格なトップ-k ルーティングによって静的に固定されるためである。本研究では、EDWARD-NMT（Elastic Dimensions With Adaptive Routing and Dual-consistency for NMT）を提案する。これは、一度学習させればどこでも展開可能なパラダイムを実現するための新しいMoEエンコーダー・デコーダー構造であり、推論時には複数の展開可能なサブネットワーク群を提供する。EDWARD-NMTは、以下の三つの重要な革新を統合している：(i) マトリョーシカ型の弾性次元を用いてメモリフットプリントを柔軟に削減する手法；(ii) a
arXiv:2610.31945v1 公告タイプ：新規 要旨：本報告書では、Apache 2.0ライセンスの下でオープンウェイトとして公開された、総パラメータ数781億、トークンあたり有効パラメータ数34.6億の英語–ドイツ語混合専門家型トランスフォーマーであるKolibriを紹介します。Kolibriは主権的かつ専門的な展開を想定して構築されており、特にドイツ語および公共行政、産業、航空宇宙といった規制対象分野に重点を置いています。これらの環境に対応するため、データ、アーキテクチャ、学習インフラ、学習後の処理、評価に至るまで、モデル開発の全プロセスを自社で管理しています。Kolibriは、事前学習、中間学習、長文コンテキスト拡張の各段階にわたり、合計24Tトークンを用いて学習を行っており、データ構成においてドイツ語がバイト数ベースで20％以上を占めています。この割合を達成するため、ドイツ語データセットを補完する形で
arXiv:2610.30355v1 Announce Type: new Abstract: Hallucinated citations make it harder to trace sources and verify the evidence behind scientific claims. Detecting them is difficult because bibliographic records can be incomplete or differ across source types and publication versions. A plausible match alone neither validates the citation nor establishes its underlying source. We introduce CiteResolve, a benchmark of 423 real-world hallucinated citations annotated for source recoverability. We further propose CiteAnchor, a source-aware grounding framework that adapts retrieval and field-level verification to each source type and separately determines citation validity and whether a unique source can be recovered. On an existing detection benchmark, CiteAnchor achieves 0.841 F1 with GPT-5.6
翻訳待ち・原文を表示中 · en2026年10月24日、研究者はarXivに論文arXiv:2610.30162v1を公開し、大規模言語モデルの融合手法の評価に特化した初の統一ベンチマークであるFusionEvalを提案しました。同ベンチマークは、推論チェーンの長さやツール呼び出しといった脆弱な部分を網羅しており、学習型と非学習型の融合手法の比較も可能にしています。
注目する理由：このベンチマークは、既存の評価において長鎖推論とツール利用へのカバーが不十分であった点を補完し、平均性能と最悪時の能力保持を明確に区別するとともに、Qwen3／Llamaに基づく再現可能な専門家プール、GPUメモリや実行時間などの多次元指標、およびオープンソースコードを提供しており、高い実践的指導性を備えています。
2026年10月24日、arXivは論文arXiv:2610.30970v1を公開し、パラメータ数が1,700万から10億の範囲にあるコンパクトなエンコーダーについて、閉じた集合における意思決定タスク（例：ツール選択）において、すべての選択肢を同時に評価する方式と、個々に独立してスコアリングする方式の設計選択を体系的に評価した。研究結果によると、3,200万のパラメータ規模では、個別選択肢スコアリングの方がスキル指標において統合スコアリングを有意に上回る一方で、計算負荷が高く、遅延のばらつきも大きいことが示された。さらに、複数のSystem1-Arenaベンチマークにおいて、6,800万および1億5,000万のパラメータを持つ統合型エンコーダーが、4億3,500万のパラメータを持つDeBERTa-v3のゼロショット分類器を上回ることが明らかになった。
注目する理由：本論文は、現行の大規模モデルにおける下流の意思決定モジュールの軽量化設計に関する重要な実証比較を提示しており、アーキテクチャの選定、初期化への依存性、遅延と精度のトレードオフ、入力順序に対するロバスト性といった工学上の重要課題を網羅しています。データは3つのランダムシードによる実験および公開・非公開のベンチマークに基づいて検証されており、公開日時（2026年10月24日）は現在のUTC日付（2026年10月25日）と一致しており、最新かつ信頼性の高い研究進展に該当します。
