-
-
モデルの精度を測る評価の確実性を高める手法、LiveCodeBench 16モデル
2026/9/26
LiveCodeBench の評価手法が、モデルの精度を測る評価の確実性を高める。
-
-
がん登録業務を支援する RAG 型チャットボット CRISS、回答の根拠を提示する話
2026/9/26
CRISS が、がん登録の質問に対し根拠付き回答を生成。難易度が高いほど RAG の優位性が顕著に。
-
-
マルチターン AI エージェントの学習を改善する手法 PSP、タスクの完了率を上げる話
2026/9/26
PSPがマルチターンエージェントのタスク完了率を最大65%向上させた
-
-
ツール呼び出しの報酬を区別するSLCA-GRPO、7Bモデルで標準GRPOを凌ぐ話
2026/9/26
SLCA-GRPO が、7B モデルで標準 GRPO を上回る精度を出した。
-
-
グレーフォールトを検出する MeshHeal、LLM マルチエージェントのルーティング品質を維持する話
2026/9/26
MeshHealがグレーフォールトを検出し、ルーティング品質を維持した
-
-
金融データのアルファ因子を掘るAlphaDiverse、ローカル推論で多様な探索経路を集める話
2026/9/26
AlphaDiverse が、多様な探索経路を集めながら予測精度も競争力のある水準を出した
-
-
予測市場のイベントでLLMエージェントを訓練する環境 Forecast-Dojo、学習と評価を両立
2026/9/26
Forecast-Dojo が公開。予測市場のイベントで LLM エージェントの訓練と評価を両立する環境。
-
-
推論の各ステップの評価を正確にする手法、エージェント型モデルの学習で使う話
2026/9/26
GRAFT が、推論の各ステップの価値を正確に推定する手法として性能向上を確認した
-
-
タンパク質修飾のモデルを比較する PFArena、6種類のモデルの能力を測った話
2026/9/26
PFArenaが6種類のモデルを比較、検索空間が広がるほどどのモデルも性能が低下した
-
-
ツールアクセスを役割で制限する skilder、LLM エージェントのガバナンス
2026/9/26
skilder は、役割の発見を完了した呼び出しで不正ツール呼び出しをゼロに抑えた