トピック: Reinforcement Learning with Verifiable Rewards

全セクション横断 8 件

AIの推論訓練で、新しい解法を探す役と学習する役を分ける手法ExpDisが提案された。同一の計算時間で既存手法DAPOを上回り、多様な正解を出す力も高めた。

長い音声付き映像から、必要な場面を自ら選んで見聞きする推論AI「OmniSeek」が登場した。映像と音声の両方を根拠とする推論を促し、監視や会議分析の精度向上に道を開く。

Kali Linux上のコマンド生成力を測る新ベンチマーク「KaliBench」が公開された。ヒントなしの条件では完全一致精度が42%を超えるオープンモデルはなかった。専用の報酬による学習で8Bモデルが685B級に迫った。

中国の研究チームが、問題の本質と無関係な表現変化に弱いAIの癖を抑える強化学習手法SCAPOを提案した。小型モデルでも数学推論の精度が向上し、業務AIの安定運用に道を開く。

マイクロソフト系研究者らが正解データなしで大規模言語モデルを強化学習できる新手法「RiVER」を発表した。正解の存在しない最適化問題でも汎用的なコーディング能力が向上するとされ、AI開発コストの構造的削減につながると注目されている。

AIモデルから特定知識だけを外科的に消去する技術「MAST」が開発された。既存手法が引き起こす性能劣化を大幅に抑制し、コンプライアンス対応や知財管理に求められる精密な学習取消しを可能にする。

中国・英国の研究チームが拡散型大規模言語モデル向けの自己蒸留学習手法「d-OPSD」を発表した。従来手法比で最適化ステップを約90%削減しつつ推論精度を向上させ、AI開発コストの大幅圧縮につながる可能性がある。

中国の研究チームが、マルチモーダルAIの推論過程と最終回答の意味的矛盾を自動修正する手法「CORA」を発表した。医療診断や法務文書審査など高精度が求められる業務領域での実用化を加速させる可能性がある。