難易度を考慮した強化学習による大規模推論モデルの過剰思考の軽減
大規模推論モデル（LRM）が単純な課題に対しても過剰に長い思考プロセスを生成してしまう「オーバーシンキング」問題を解決するため、タスクの難易度を自己認識して推論の深さを動的に調整する強化学習フレームワーク「DiPO」が提案されました。
Cog AI Archive
最新の記事
一貫性から相補性へ：時系列の理解と推論に向けた整列・解きほぐしマルチモーダル学習
時系列データの数値情報と視覚的なプロット図を統合し、自然言語での問いかけに対して高度な分析や推論を行うマルチモーダル言語モデル「MADI」が提案されました。このモデルは、パッチ単位での精密な位置合わせを行う「Patch-level Alignment」と、情報の重複を排除して各モダリティ固有の強みを引き出す「Discrete Disentangled Interaction」を中核としています。 従来の数値中心の手法が持つ構造把握の弱点と、視覚中心の手法が持つ数値精度の欠如という双方の課題を解決するため、数値、画像、テキストの3つのモダリティを物理的に対応付け、さらに情報の「解きほぐし」を行うことで、数値の正確性と視覚的なトレンド把握の両立を高い次元で実現しています。 合成データおよび実世界のベンチマークを用いた広範な検証において、MADIは汎用的な大規模言語モデルや時系列特化型の既存モデルを一貫して上回る性能を示しました。これにより、医療、金融、産業メンテナンスといった複雑な意思決定が求められる専門的なドメインにおいて、より信頼性の高い対話型解析が可能になります。
一貫性から相補性へ：時系列の理解と推論に向けた整列・解絡型マルチモーダル学習
時系列データの数値的な正確性と視覚的な構造把握を両立させるため、パッチ単位での精密な位置合わせを行う「Patch-level Alignment」と、共有情報と固有情報を分離して統合する「Discrete Disentangled Interaction」を備えたマルチモーダル大型言語モデル「MADI」が提案されました。 このモデルは、数値データ、プロット図、統計テキストを物理的に対応付けることで、従来のモデルが抱えていた局所的なハルシネーションを抑制し、トレンドや周期性といった高レベルな特徴と微細な数値変動の両方を正確に捉えることに成功しています。 合成データおよび医療や金融などの現実世界のデータセットを用いた広範な検証の結果、MADIは汎用的な言語モデルや時系列特化型の既存モデルを一貫して上回る性能を示し、複雑な時間的動態に対する柔軟で解釈可能な推論能力を証明しました。
ChipBench: AIチップ設計支援におけるLLM性能評価のための次世代ベンチマーク
既存のAIチップ設計ベンチマークは単純なモジュールに限定され、最新の大規模言語モデル（LLM）が95%以上の成功率を達成するなど飽和状態にあり、実務の複雑な階層構造や設計の機微を評価できていない。
ChipBench: AIチップ設計におけるLLM性能を評価する次世代ベンチマーク
従来のVerilog評価ベンチマークが飽和し、最新のLLMが95%以上の合格率を達成する中で、産業レベルの複雑なチップ設計に対応するため、Verilog生成、デバッグ、リファレンスモデル生成の3つの重要タスクを網羅した「ChipBench」が提案されました。 本ベンチマークは、従来の3.8倍のコード長と13.
SAGE：生成的推薦のためのシーケンスレベルの適応的勾配進化
既存の生成型推薦システムであるOneRecなどは、専用の語彙構築に依存しており、これが高い維持コストや拡張性の欠如、さらには30%を超えるセマンティック衝突を引き起こしていた。また、従来の最適化戦略であるGBPOは静的な勾配境界を持つ「対称的な保守性」という問題を抱えており、コールドスタート項目の露出を44.
SAGE：生成的推薦のためのシーケンスレベルの適応的勾配進化
既存の生成型推薦システムが抱える専用語彙への依存と、固定的な勾配制限によるコールドスタート項目の抑制および多様性の欠如という課題を解決するため、大規模言語モデルの語彙を直接再利用しつつ、シーケンスレベルで最適化を行う新たなフレームワークであるSAGEを提案した。
LION：マルチモーダル属性グラフ学習のためのクリフォード・ニューラルパラダイム
マルチモーダル属性グラフ（MAG）におけるモダリティ間の整列不全と融合の適応性不足を解消するため、クリフォード代数に基づく新しい神経パラダイム「LION」を提案しました。 幾何学的多様体上での高次グラフ伝播（CGP）により、グラフの広域な文脈を考慮した効率的なモダリティ整列を実現し、従来の1ホップ制限やモダリティ固有の制約を数学的に克服しています。 整列済みトークンの幾何学的グレード特性を活用する適応型ホログラフィック集約（AHA）を導入し、エネルギーとスケールに基づく動的なフィルタリングを通じて、9つのデータセットと6つの下流タスクで最高水準の性能を達成しました。
LION：マルチモーダル属性グラフ学習のためのクリフォード神経パラダイム
LIONは、マルチモーダル属性グラフ（MAG）におけるモダリティの整列と融合の課題を解決するために、クリフォード代数を導入した新しい神経パラダイムである。従来のグラフ機械学習手法がグラフの文脈を無視した整列や、トポロジーの事前知識を十分に活用できない融合に陥っていたのに対し、本手法は幾何学的な多様体上での伝播と集約を分離して実行することで、高次の相互作用を捉える。9つのデータセットを用いた広範な実験により、グラフ関連タスクで平均5.24%、モダリティ関連タスクで平均7.68%の精度向上を達成し、数学的な安定性と収束性の証明により、理論的な堅牢性と最先端の性能を実証している。
HER：LLMロールプレイングのための人間らしい推論と強化学習
現在の大規模言語モデル（LLM）によるロールプレイは、キャラクターの口調や知識の模倣には長けているものの、その行動の背後にある内面的な思考や推論をシミュレートすることが困難であるという課題を抱えています。