/NEWS
AI研究ニュース
最新の論文を、AIが読み解いて記事にしています。
マルチモーダル / 2026-11-14
マルチモーダル模型の「視覚エンコーダ」は何を担っているのかを切り分ける
視覚エンコーダが暗黙に束ねる要素を分解し、同一データと計算量を揃えた統制比較で影響を検証。視覚の事前学習よりも専用の視覚容量と配置が重要だと示唆する。
マルチモーダル / 2026-11-13
分子相互作用の基盤モデル「Bonbon」は配列ペアだけの事前学習でゼロショット能力を示すと報告
タンパク質‐リガンド配列ペアを大規模に学習した基盤モデルBonbonが、機能・結合部位・結合様式の3階層でゼロショット能力を示すと報告。最大規模で能力が急に伸び、損失だけでは出現時期を読めない可能性も示された。
マルチモーダル / 2026-10-21
Ropedia W0:人間とロボットをまたぐ「移動+操作」の世界モデルを目指す研究
人間と複数ロボットのエゴセントリックデータを統一表現で学習し、移動と操作を同時に予測する世界モデルRopedia W0を提案する。10k時間(人)+3k時間(ロボ)のデータセットと長時間ベンチマークを整備し、複数ベンチマークでSOTAと報告している。
マルチモーダル / 2026-10-21
言語事前学習なしで学ぶText-to-Image:Halcyonが示した可能性
Halcyonは、100Mの画像-テキスト対からゼロから学習したT2Iモデル群。gFD比較と統制実験により、text-only事前学習がT2I改善に必須ではない可能性を示す。計算量効率と画像キャプショニング同時学習も論じる。
マルチモーダル / 2026-10-19
複雑な条件を分解して点数化する「視覚検証器」を提案:OmniVerifier-C1
OmniVerifier-C1は、複雑な要求やルールを要素分解し各要素を連続スコアで評価する視覚検証器を提案する。解釈可能な出力で汎化を狙い、学習にDecoupled RLを用いる。
マルチモーダル / 2026-10-17
Spark-0:触覚を事前学習と運用の両方に生かすロボット操作モデル
Spark-0は、触覚を(1)事前学習時の監督信号、(2)運用時の方策入力として併用するVTLAモデルを提案する。HumanTouch(1,000時間)とSparkArenaを整備し、複数ベンチマークで高い成功率・順位を報告している。
マルチモーダル / 2026-10-17
P$^{3}$-WAM:一つのモデルで「見る・予測する・計画する」を統合する器用操作向け手法
P$^{3}$-WAMは、エゴセントリックな器用操作に向けて、3D知覚・行動条件付き予測・目標指向計画を単一モデルに統合する。動画拡散Transformerへ3D行動表現を組み込み、3モード学習で能力を伸ばすと報告する。
