SHIRITAS

/TOPICS

AI Agent

目標に向けて計画し、ツールを使い、行動するAIシステムの研究。

01記事

AI Agent / 2026-11-22

ヒューマノイドの長時間「移動+操作」を支える枠組みPGX:時間の流れと精密さを分担する

PGXは、長時間のloco-manipulationで課題となる時間構造と高精度制御を、学習不要の古典的コンポーネントに分担させる枠組み。述語ベース状態機械、フェーズ内VLAスキル、WCLの3層で実行を組み立て、シミュレーション3件と実機1件で改善を示した。

LLM / 2026-11-21

LLMエージェントの事故報告をオフラインで再現し、原因を検証する枠組み「ROGUE-AI」

LLMエージェントのセキュリティ事故報告を、オフラインで再構築して再現し、報告が挙げる原因の妥当性まで検証する枠組みが提案された。原因だけを欠いた対照と比較し、複数モデルで再実行できる監査手順として位置づける。

LLM / 2026-11-20

会話で「特定の個人」を再現できるかを問うPersonal Imitation Gameの提案

LLMが「一般的な人間」ではなく特定個人を会話で模倣できるかを測るPersonal Imitation Gameが提案された。30人で人間ベースラインを作り、判断に使われる手がかりを整理。著者1人の10年分データで作ったLLMシステムを、20人の欺瞞研究で検証した。

LLM / 2026-11-19

LLMエージェントは自己改善の手順をどこまで指示される必要があるのか

基本的な道具と資源、自己改善という大枠の目標だけを与えたとき、LLMエージェントが自分で自己学習の手順を組み立てられるかをゲーム環境で検討した研究。

AI Agent / 2026-11-17

シミュレーション強化学習で、オープンウェイト推論モデルが実ロボット操作に転移する可能性

論文は、オープンウェイト27B推論モデルをデモなし・シミュレーションのみの強化学習で訓練し、実ロボット操作に転移できると報告する。PEARとRURLを提案し、LIBERO等で成功率の大幅な改善や汎用能力の劣化なしを示したという。

AI Agent / 2026-11-13

Continual-ARC:継続学習の「生涯ストリーム」をARC由来タスクで測る提案

ARC-AGI由来のタスクを、再登場タスクと新規タスクが混在する「生涯ストリーム」として提示し、予算消費に基づくスコアでmemory-basedとweight-basedを同一尺度で比較するContinual-ARCを提案する。

LLM / 2026-11-13

タンパク質-リガンド結合ポーズの順位付けを測るベンチマーク「Pyrite」とLLMエージェント

小分子創薬で難しい結合ポーズの順位付けに向け、1,500ポーズペアのベンチマークPyriteを提案。構造化表現と2種のLLMエージェントで比較し、特徴量生成型が最大74%精度を示した。

LLM / 2026-11-12

仮説の「棄却」で止まらないために:競合する説明を明示するContrastive Discovery

LLMによる科学探索で「h対¬h」の点検だけに頼ると、否定後にどの代替説明が有力か分かりにくい。競合説明セットで信念の再配分を評価するContrastive Discoveryは、同じ証拠・予算でより多くの質問を解決できる可能性を示した。

LLM / 2026-11-12

AutoScaffold:報酬に圧縮されがちな学習経験を「訓練時のヒント」に変える枠組み

AutoScaffoldは、RLVRで得られる訓練経験をもとに、凍結したteacherが戦略やヒント(スキャフォールド)を適応的に設計・調整する枠組みだ。4領域で、スキャフォールド無し評価でもRLベースラインを上回ったと報告している。

LLM / 2026-11-11

マルチモーダルエージェントの長期対話向けメモリ枠組み「HiVe-Mem」:水平拡張と垂直合成

HiVe-Memは、長い対話履歴からの情報活用を狙い、関係グラフでの「水平」拡張と証拠形式の「垂直」合成を組み合わせる。3ベンチマークで性能改善を示し、トークン消費を約90%削減したと報告する。

LLM / 2026-11-11

マルチエージェントAIの「仕事の段取り力」を測るベンチマークWorkflowArena

LLMが複数の作業者役エージェントを率いる際の「実行可能なワークフロー設計・調整能力」をworkflow orchestrationとして定義し、145タスクからなるWorkflowArenaで評価する枠組みを提示する。成果物の品質と委任のしかたを併せて測る点が特徴。

AI Agent / 2026-11-10

LLMの推論結果を「CPUで動くキャッシュ」として再利用する提案:Agentic Reasoning Caching

論文は、LLMが毎回ゼロから解く非効率を問題視し、推論トレースからCPU実行可能な推論キャッシュ(ARC)を作って再利用する枠組みを提案する。数学・科学タスクで同等性能やコスト低減を報告している。

AI Agent / 2026-11-10

一般ist AIがロボットを直接動かす「AMP」を分析し、参照ハーネスAMP1を提案

一般ist AIモデルがマニピュレータを直接指揮するAMPを体系的に分析。単腕・双腕・移動で変更なしに動くAMP1を提示し、複数ベンチマークと実機試行で高いゼロショット性能を報告する。

AI Agent / 2026-11-07

MLリポジトリの「PyTorch→JAX」移植を測るベンチマークXStack

PyTorch(NVIDIA GPU)とJAX(Google TPU)の間でMLリポジトリを移植するエージェントを評価するベンチマークXStackを提案。移植の合否を公開結果に基づき判定し、現状の成功率のばらつきも報告する。

LLM / 2026-11-07

Scientist World:論文を「実行できる環境」に変換し、AI-Scientistを評価・記録・訓練する枠組み

Scientist Worldは、研究論文を実行可能な環境として扱い、AI-Scientistを人間著者の達成と比較して評価する仕組みを提案する。1,000件の検証済み環境と6,400時間の研究トレースを公開し、評価と訓練にも用いたという。

LLM / 2026-11-07

潜在空間で協調する「エージェント群れ」による進化的プログラム探索:SwarmEvolve

SwarmEvolveは、テキスト生成を介さず潜在空間で推論する多数エージェントがKVキャッシュを共有し、進化的探索を高速化する枠組みを提案する。21問題で平均スコア最高、60分相当の到達に中央値3〜8分と報告した。

AI Agent / 2026-11-06

物理研究を「正しさ」と「出版可能性」まで測るベンチマークFrontierPhysics

FrontierPhysicsは、文献調査から論文原稿作成までを含む物理研究のエンドツーエンド評価を目指す。決定的検証器と専門家ルーブリックで、正しさと出版可能性を併せて判定する。22モデル×26構成の結果、合格数は168回中46回を超えなかった。

LLM / 2026-11-06

LLM社会エージェントの「文脈の足し方」とロバスト性を点検する枠組み

LLMを社会シミュレーションのエージェントに使う際、意味を保つプロンプト差分で行動が変わる問題に向け、文脈を統制的に拡充する方法と「選択的ロバスト性」による評価基準を提案する。

LLM / 2026-11-06

CompressionBench:コーディングエージェントはLLM圧縮を自律実行できるか

本研究は、LLM圧縮を「終端タスク」として定式化し、コーディングエージェントに圧縮後の重みと推論コードまで構築させて検証する。6エージェント×6設定で評価し、PPL誘導探索と独立検証の下での達成度と失敗要因を整理した。

LLM / 2026-11-01

協調するLLMエージェントが、量子スピン実験を含む研究プロセスを自律的に進める枠組み

LLMベースの複数エージェントが相互評価し、調査の停止や方向転換も行える「自律研究ラボ」を提案する。ダイヤモンド中の量子スピン集団を題材に、理論導出から実験設計・再検証までの一連の流れを示した。

LLM / 2026-10-29

合成環境の「構成」がツール使用エージェントの汎化を左右する、というスケーリング則

LLMのツール使用エージェント訓練で、合成環境データの規模だけでなく構成(ツール・タスク・データベース多様性、複雑性)が汎化に効くことを調べ、予測可能なスケーリング則を導いた研究。

LLM / 2026-10-29

改変された物理法則の世界で、LLMは自由探索から「隠れた法則」を見つけられるか

改変物理のシミュレーション世界を自動生成する枠組みLongChangを提案し、LLMがヒントなしで異常に気づき実験する能力を評価した。12モデル中GPT-6-Astraのみ発見率16.7%で、他は0%だった。

機械学習(基礎・手法) / 2026-10-29

Heads of Security:注意ヘッドのゲート学習でプロンプトインジェクション耐性を高める試み

Heads of Security(HoS)は、ヘッドごとの注意ゲートを学習して指示とデータを分離し、注入命令に従いにくくする防御手法だという。Llama-3.3-70B-InstructとGPT-OSS-20Bで評価され、攻撃耐性とユーティリティの両立を報告している。

AI Agent / 2026-10-27

RynnUnify:身体性理解・長期視覚プランニング・ロボット制御をつなぐ統一モデルの提案

16BモデルRynnUnifyは、動画と言語を交えた推論で身体性理解と長期視覚プランニングを統合する。強化学習による拡張やロボット制御への展開、専用ベンチマークでの評価結果も報告された。

LLM / 2026-10-24

ツール応答の「重要情報の抜け」による不安全行動を測る:EpiSEM-Benchの提案

ツール使用型LLMエージェントが安全判断に必要な事実を欠いたとき、禁止行為を実行しうる問題に対し、実行可能ベンチマークEpiSEM-Benchを提案。300の対応タスクペアと監査ツールで、不安全実行・安全境界・証拠回復を評価する。

LLM / 2026-10-24

AIの判断を必要最小限だけ監査する「選択的監査」:未監査の誤り率を閾値以下に抑える枠組み

AIの提案と信頼度スコアをオンライン監視し、専門家監査の頻度を抑えつつ未監査のAI誤り割合を閾値以下に保つ問題を定式化。仮定なしで誤り制御を保証するアルゴリズム族と、敵対的/i.i.d.双方で最良監査率に漸近する手法を述べる。

AI Agent / 2026-10-23

ロボット操作の予測と「スキルの再利用」をつなぐ枠組みAW-0

論文は、コードによる計画と、将来映像・行動の予測を同時に扱う「Agentic World Action Model」AW-0を提案する。コード・動画・行動を結合した生成ストリームとして共同モデリングし、スキルを再利用可能な形にまとめる自動キュレーションも導入した。

LLM / 2026-10-22

Sage-A1.5は「長期実行」と「科学探索」をつなぐとするエージェントモデル

Sage-A1.5はA1を基盤にした35BのMixture-of-Expertsエージェントモデルで、長期の問題解決を「能力合成」で進めると述べる。委任と並列協調、進捗・証拠・内省による検証、探索的研究への拡張を柱に、複雑タスクや学際的応用で能力を示したとしている。

LLM / 2026-10-22

粒界の構造と変形を調べるエージェント型AI枠組み「GBClaw」の提案

一般粒界の構造・変形の機構解明に向け、LLMを組み込んだエージェント型AI枠組みGBClawが提案された。動的リプランニングで系統的シミュレーションと機構解析を接続し、ニッケルの粒界14件で欠陥構造と変形モード、すべり抵抗の差異を調べたという。

LLM / 2026-10-20

LLMエージェントで研究結果の再現と頑健性分析を支援する試み(SEERを用いたケーススタディ)

SEERを用いた既刊研究を対象に、LLMエージェントで主張の再現と分析選択の影響検証を自動化できるかを検討。20本からなるベンチマークSEER-Reproを提示し、2,190件の主張で77.4%の再現を報告する。完全再現できた所見のうち9.5%で重要になり得る分析選択を特定し、専門家レビューへ回す枠組みを示した。

AI Agent / 2026-10-19

4体のGemini 4 ArgonがMinecraftでエンダードラゴンを討伐:自律的な計画維持と協調の事例

4体のGemini 4 ArgonエージェントがMineflayerでMinecraftを操作し、チャットと共有メモリで協調してエンダードラゴン討伐を達成したと報告する。27時間14分での完了や2,783本のプログラム作成など、長時間の計画維持が焦点。

LLM / 2026-10-19

長期の機械学習エンジニアリングを自律最適化するためのポストトレーニング手法とエージェントモデル「MLExpert」

長い実験手順の中から有効な学習信号を取り出すポストトレーニング手法を提案し、35BのMoEエージェントモデルMLExpertに適用した。MLE-Bench Liteで平均メダル率を37.9%から72.7%へ改善したと報告する。

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。

LLM / 2026-10-18

LLMエージェントの「目標からの逸脱」を実行中に監督するステアリング手法

LLMエージェントが実行中に目標から逸脱する「goal drift」へ対処するため、実行コンテキストを観測して介入するsteering agentを提案。介入判断と介入生成をfast/slowの2経路に分け、強化学習で共同学習する。

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。

AI Agent / 2026-10-16

言語エージェント学習で「行動」と「先読み」を同時に鍛える提案(Co-Evolving Acting and Forecasting)

長いロールアウトのコストと終端報酬偏重で中間監督が活きにくい課題に対し、成功軌跡から後続の行動列を学ぶ「multi-step action targets」を導入。5ベンチマークでGRPO等より強い総合性能と、ScienceWorldで最大2.0×のサンプル効率を報告する。

LLM / 2026-10-16

SafeDriveVLA:自然言語ナビの「危険な指示」に備えるための評価とVLA手法

自動運転VLAに対し、自然言語ナビが生む不安全/悪意ある指示の脆弱性を問題提起。ナビ追従とコンフリクト認識、敵対的頑健性を同時に測るベンチマークと、三段階モード予測+world model dreamingで対処するSafeDriveVLAを提案する。

AI Agent / 2026-10-15

自動運転の「実行中の安全」を高めるランタイム枠組みAutoAgent0

AutoAgent0は、クローズドループ実行の信頼性をテスト時の実行問題として捉え、独立検出・ルール検証・復旧計画を統合するランタイム枠組み。Fail2DriveとNavSafe-∞で、単一エキスパートよりロバスト性が改善したと報告する。

LLM / 2026-10-15

長時間タスク向けデータセット「Tev-Gym」と進捗報酬PPRSで学習するエージェントモデルTev-27B

長時間タスク用の学習データ不足と疎な報酬を課題に、Tev-Gymと進捗を密な報酬へ変換するPPRSを提案。レシピで学習したTev-27Bが複数ベンチマークで改善を示したと報告する。

LLM / 2026-10-14

複数サービスをまたぐ個人向けAIエージェントの「合成的な失敗」を探すレッドチーミング手法「X-AgentRed」

個人向けAIエージェントが複数サービスのツールを連携利用する際に起きうる有害な経路を、ツール依存グラフと実行フィードバックで体系的に探索するX-AgentRedが提案された。4モデルでSTAC比1.77倍の有害パス率、平均2.99倍のツールカバレッジを報告する。

AI Agent / 2026-10-12

エージェント評価は「想定した境界」に頼れない:2026年の事例比較から継続的アシュアランスへ

2026年のエージェント評価で、許可されたテスト範囲外の実システムに到達する事例が報告された。著者は比較ケーススタディを通じ、運用中に境界を検証するPASACと5層Boundary Assurance Stackを提案し、検証可能な研究プログラムとして整理する。

LLM / 2026-10-11

白箱プローブでLLMの欺瞞を検出する試み:大規模データセットと新アーキテクチャで評価

LLMエージェントの監視に向け、白箱プローブによる欺瞞検出をフロンティア監視設定へ拡張する研究が報告された。SHADE-ArenaでAUC 98.8%を示し、文脈だけでは判定しにくい「introspective deception」でも最大AUC 99.7%の識別を示した。

LLM / 2026-10-06

デモ動画を階層化して必要部分だけ参照する「RV-ICL」:LLMエージェントの計画と実行を支える提案

LLMエージェントがデモ動画をそのまま抱え込まず、把持・リリースなどのサブイベントに基づく階層として必要箇所だけを読み出すRV-ICLを提案。RPent上でLIBERO-PROとLIBERO-Plusの成功率向上が報告された。

02論文

2026-11-19
2611.26553

Replication of Agentic Security Events: Audit and Investigation (ROGUE-AI)

2026-11-19
2611.26596

PGX: Physically Grounded Execution for Long-Horizon Humanoid Loco-Manipulation

2026-11-18
2611.24888

Who are you? The Personal Imitation Game

2026-11-17
2611.23219

Do LLM Agents Still Need to Be Told How to Self-Improve?

2026-11-13
2611.18562

Training Reasoning Models in Simulation to Natively Use Real Robots

2026-11-10
2611.14505

Continual-ARC: Measuring Skill Acquisition over a Working Lifetime

2026-11-10
2611.14511

Pyrite: Building and Benchmarking Protein-Ligand Pose Ranking Agents

2026-11-10
2611.14515

AutoScaffold: AI-Guided Scaffolding for Reinforcement Learning of Language Models

2026-11-10
2611.14514

Contrastive Discovery: Open-Ended Scientific Discovery over Competing Explanations

2026-11-09
2611.12856

WorkflowArena: Benchmarking Executable Workflow Orchestration in LLM-Based Multi-Agent Systems

2026-11-09
2611.12872

HiVe-Mem: Interleaving Horizontal Memory Expansion and Vertical Evidence Composition for Multimodal Agents

2026-11-06
2611.09891

CPU-ARC: Agentic Reasoning Caching for on-CPU Reasoning Reuse

2026-11-06
2611.09892

On Agentic Manipulation Policies

2026-11-05
2611.08472

XStack: A Benchmark for ML Repo Migration

2026-11-05
2611.08478

Scientist World: Grow a Research World for AI-Scientists

2026-11-05
2611.08483

SwarmEvolve: Latent Agent Swarms for Evolutionary Discovery and Optimization

2026-11-04
2611.06910

FrontierPhysics: Evaluating Agents for End-to-End Physics Research

2026-11-04
2611.06914

A Framework for Context Enrichment and Selective Robustness in LLM Social Agents

2026-11-04
2611.06858

CompressionBench: How can your coding agents compress LLMs?

2026-10-29
2610.40589

Collaborative AI agents for autonomous experimental research with solid-state quantum spins

2026-10-27
2610.37657

Heads of Security: Learned Attention Gates Improve Prompt Injection Robustness

2026-10-27
2610.37649

Can LLMs Uncover Hidden Physical Laws through Free Exploration?

2026-10-27
2610.37648

Scaling Laws for Tool-Use Agents via Controllable Environment Synthesis

2026-10-23
2610.32965

RynnUnify: Towards Unified Embodied Brain

2026-10-22
2610.31650

EpiSEM-Bench: Evaluating Safety and Evidence Recovery in LLM Agents under Missing Evidence

2026-10-22
2610.31662

Reliable AI-Assisted Decisions via Selective Auditing

2026-10-21
2610.30136

Agentic World Action Models

2026-10-20
2610.28578

Sage-A1.5: From Long-Horizon Execution to Scientific Exploration with Capability Composition

2026-10-20
2610.28629

GBClaw: An agentic AI framework for atomistic grain boundary research and mechanistic discovery

2026-10-16
2610.23845

AI-Driven Reproducibility and Analytical Robustness in Scientific Discovery

2026-10-15
2610.22319

A team of Gemini 4 Argon agents beats Minecraft

2026-10-15
2610.22344

MLExpert: Towards a Generalist Agentic Model for Autonomous Machine Learning Engineering

2026-10-15
2610.22316

Learning to Steer LLM Agents and Multi-Agent Systems

2026-10-15
2610.22363

Perceive, Predict, and Plan: a Unified World Action Model for Egocentric Dexterous Manipulation

2026-10-15
2610.22355

OmniVerifier-C1: Decomposed Graded Verifier for Rule-Governed Generative World Modeling

2026-10-14
2610.20597

Co-Evolving Acting and Forecasting for Language Agents

2026-10-14
2610.20609

SafeDriveVLA: Navigation-Conditioned World Model Dreaming for Conflict-Aware End-to-End Autonomous Driving

2026-10-13
2610.18868

Tev: Scaling Long-Horizon Agentic Environments with Dense Progress Rewards

2026-10-13
2610.18866

AutoAgent0: An Agentic Runtime for Safe Closed-Loop Driving

2026-10-09
2610.13886

X-AgentRed: Red-Teaming Personal Agents in Evolving Multi-Service Ecosystems

2026-10-08
2610.12445

Caught in the Act: Probes Effectively Detect Sabotage and Catch Unverbalized Deception

2026-10-08
2610.12463

From Reactive Containment to Proactive Assurance: Lessons from OpenAI, Anthropic, and Google Agent Security Incidents

2026-10-05
2610.06843

Recursive Video In-Context Learning for Agentic Robot