arxiv生成AI論文解説 by ずんだもん

ずんだもん＆四国めたんが最新のarXiv AI論文を解説！

今回のラインナップ：

① シコファンシー（おべっか）を線形特徴で検出・制御する手法（2606.26155）

② ベンチマーク精度が飽和した後も評価できる6次元フレームワーク（2606.26158）

③ 「拒否」はペルソナの下流で決まる——拒否率97%→2%の実験（2606.26161）

④ 自然言語から数学的に正確な折り紙設計図を生成するCOrigami（2606.26299）

⑤ コーディングエージェントの報酬検証に「銀の弾丸」は存在しない（2606.26300）

⑥ マルチモーダルエルエルエム評価に欠落している4つの軸（2606.26348）

⑦ プロンプトモジュール間の静かな干渉「Instruction Bleed」（2606.26356）

⑧ エルエルエム駆動のメタ進化でアルゴリズム取引戦略を自動生成（2606.26173）

📄 論文リンク：

https://arxiv.org/abs/2606.26155

https://arxiv.org/abs/2606.26158

https://arxiv.org/abs/2606.26161

https://arxiv.org/abs/2606.26299

https://arxiv.org/abs/2606.26300

https://arxiv.org/abs/2606.26348

https://arxiv.org/abs/2606.26356

https://arxiv.org/abs/2606.26173

#AI #機械学習 #論文解説 #ずんだもん #生成AI #深層学習 #LLM #arxiv

arxiv 論文解説 2026/06/27

今日のハイライト:

「役に立とうとすること」がAIの倫理観を破壊する？ファインチューニングの副作用を実証

大規模モデルが小規模モデルに圧勝する本当の理由は「制約付き推論」にあった

拡散型LLMを訓練なしで10倍高速化する手法が登場

論文1: 知識境界評価ベンチマーク「Know2Guess」——LLMは「知っている」と「推測している」を区別できるか

著者: Renwei Meng, Bowen Zhang, Jian Wang ほか（複数機関）

arXiv: 2606.26101

背景: LLMの評価では「知っている知識」と「データ汚染で記憶している答え」と「推測」を混同しがちだ。これらを分離して測定するベンチマークが必要とされていた。

手法:

「解答可能な知識」から「棄権が期待される未知の質問」への移行を測定するマルチゾーンベンチマーク「Know2Guess」を構築

ビルドタイムのラベルを固定し、データ汚染・プロンプトの癖・汎用拒否行動を排除した設計

「知識ゾーン」「境界ゾーン」「未知ゾーン」の3区域でモデルの自己認

arxiv 論文解説 2026/06/26

今日のハイライト:

ウィキペディアの小さな編集がLLMの価値観を変えていた！わずか125編集で驚異の影響力

「知っている」と「制御できる」は別物？LLMの解釈可能性に根本的な問題

拡散モデルベースの言語モデルiLLaDAが自己回帰モデルに肉薄する性能を達成

論文1: ウィキペディア編集がLLMの価値観を形成する仕組み

著者: Jasmine Brazilek, Maria Navas, Alexa Gnauck

arXiv: 2606.24890

背景: ウィキペディアはほぼすべての主要LLMの訓練データに含まれており、ウェブクロールテキストより高い重みで扱われている。「ProAnimal Wikipedians（PAW）」というボランティアグループが動物福祉関連記事に125回の編集を行い、それがLLMの応答にどう影響したかを追跡した研究。

手法:

勾配ベースのデータ帰属手法（BergsonおよびMAGIC）を用いて、PAW編集がモデル行動に与える影響を追跡

Llama 3.1 8B でTrackStar検索帰属を

2026年6月25日のarXiv生成AI論文から注目の10本をずんだもんと四国めたんが解説！

【今日のラインナップ】

📌 EXPO-SQL：句レベル報酬でText-to-SQL精度を大幅改善（成均館大）

📌 RAGの事前知識優位性を正規化コンテキスト利用度で定量化（独立研究）

📌 自己認識ファインチューニングで創発的ミスアライメントを予防（ソウル国立大）

📌 学習不要エンティティ識別でVQA性能を向上（ニュージャージー工科大）

📌 LLMのメンタルヘルス対話における安全性問題が1年後も継続（継続調査）

📌 RAG帰属評価指標の転移性を8スコアラーで横断監査（独立研究）

📌 長期ツール使用エージェントで検索指標が意思決定改善と乖離（独立研究）

📌 QuechuaTok：ケチュア語トークナイザーに形態素境界精度指標を提案（IIT）

📌 埋め込みモデルの数学的同値表現能力をベンチマーク評価（PNNL）

📌 スペック学習：少数の好みペアから推論時アライメント（カーネギーメロン大）

【arXivリンク】

・EXPO-SQL: https://arxiv.org/abs/2606.23693

・RAG Prior Dominance: https://arxiv.org/abs/2606.23695

・Self-Recognition Finetuning: https://arxiv.org/abs/2606.23700

・Ground Then Rank: https://arxiv.org/abs/2606.23881

・LLM Mental Health Harms: https://arxiv.org/abs/2606.23884

・LLM Attribution Metrics: https://arxiv.org/abs/2606.23915

・Retrieval Metrics Mislead: https://arxiv.org/abs/2606.23937

・QuechuaTok: https://arxiv.org/abs/2606.23943

・Math Equivalence Embeddings: https://arxiv.org/abs/2606.23959

・Spec Learning: https://arxiv.org/abs/2606.24004

#生成AI #機械学習 #深層学習 #NLP #LLM #RAG #AI安全性 #arxiv #ずんだもん #論文解説

arxiv 論文解説 2026/06/24

今日のハイライト: ランダム化YaRNで長文コンテキスト推論を強化（8Kで学習しても128Kで汎化）、SPIRALが推論時の探索・集約を強化学習で統合（テスト時スケールを学習ループに組み込む新手法）、そしてLLMは自分の出力が攻撃されたと気づけない（10モデルで検証、平均27%しか正しく自己申告できず）の3本が特に注目です。

論文1: ランダム化YaRN — 長文コンテキスト推論の長さ汎化を改善する訓練法

arxiv: 2606.23687 テキサス大学オースティン校（Mehta, Yin, Durrett）

LLMは短い系列で事前学習されたあと、長文対応のための追加訓練を受けるが、さらに長い系列への汎化は依然困難だ。本研究は「ランダム化YaRN」を提案し、YaRNベースの位置外挿・ランダム化位置エンコーディング・長さカリキュラムを組み合わせることで、8K以下の訓練データで16K〜128Kへの推論を可能にする。

著者・所属機関: Manas Mehta, Fangcong Yin, Greg Durrett（テキサス大学オー

今日のarXiv生成AI論文解説（2026年6月23日）では、8本の最新論文をずんだもんと四国めたんがわかりやすく解説します！

🔬 今日のラインナップ：

1. NRT-Bench（2606.20408）― 原子力発電所シミュレーターでLLMエージェントを多ターン攻撃。GPT-4o・Gemini 2.5・Claude 3.7・Llama-4 すべてがゼロではない失敗率

https://arxiv.org/abs/2606.20408

2. CWE-Trace（2606.20502）― 74種のLinuxカーネル脆弱性でLLMを診断。スコアが高くても「本物の推論」ではなかった

https://arxiv.org/abs/2606.20502

3. UltraQuant（2606.20474）― 4ビットKVキャッシュ圧縮でエージェントの並列セッション数を2倍に、コストはFP16比4分の1以下

https://arxiv.org/abs/2606.20474

4. AutoPass（2606.20373）― コンパイラの中間表現をLLMに読ませてパフォーマンスチューニングを自動化

https://arxiv.org/abs/2606.20373

5. 知識競合解決（2606.20245）― 「どちらも誤り」を含む4種類の競合タイプに対応するRAG精度向上フレームワーク

https://arxiv.org/abs/2606.20245

6. 緊急ミスアライメント（2606.20225）― 不安全コードのファインチューニングで生じる危険方向を活性化空間で特定・制御

https://arxiv.org/abs/2606.20225

7. 心理プロファイルの幻想（2606.20205）― 56種のLLMを心理測定。プロファイルは「性格」でなく応答バイアスのアーティファクト

https://arxiv.org/abs/2606.20205

8. 推論最適化サーベイ（2606.20295）― トークン演算を軸に4層（融合・最適化・計算-モデル融合・分散）に体系化

https://arxiv.org/abs/2606.20295

#生成AI #ChatGPT #Claude #LLM #AI #人工知能 #arxiv #論文解説 #ゆっくり解説 #ずんだもん #OpenAI #Anthropic #機械学習 #ディープラーニング

今日は生成AI・エルエルエム・マルチエージェント関連の最新論文10本を解説。DiffusionGemmaの解釈可能性、エージェントバイアスの伝染、暗黙的フィードバックでのアライメント改善など注目研究を紹介します。

▼ 今日の論文ラインナップ

・DiffusionGemmaの透明性解剖 — 拡散LLMは解釈可能か — Google DeepMind（arxiv:2606.20560）

・LedgerAgent：台帳型状態管理でポリシー遵守エージェントを実現 — アリゾナ州立大学（arxiv:2606.20529）

・StylisticBias：MLLMの社会的バイアスを引き起こす視覚手がかりは少数 — イリノイ大学（arxiv:2606.20527）

・マルチエージェントLLMの評価バイアス伝染ネットワーク — Contagion Networks（arxiv:2606.20493）

・AIエージェントの確率的検証 — 分布ロバスト最適化で堅牢な安全上界 — ウィスコンシン大学・Google（arxiv:2606.20510）

・安全アライメントLLMが混合コンプライアンスデモから学ぶこと — スタンフォード大学（arxiv:2606.20508）

・H-RePlan：クロスデバイスエージェントの階層的リカバリー — 清華大学（arxiv:2606.20487）

・マウスと視線でLLMアライメントを改善 — 暗黙的フィードバックの価値 — マサチューセッツ大学（arxiv:2606.20482）

・Multi-LCB：12言語でLLMコード生成能力を評価 — Toloka AI（arxiv:2606.20517）

・Mixture-of-Expertsの分布シフト下キャリブレーション — ジョンズ・ホプキンス大学（arxiv:2606.20544）

▼ 参考論文（arXiv）

https://arxiv.org/abs/2606.20560 — DiffusionGemmaの透明性解剖 — 拡散LLMは解釈可能か

https://arxiv.org/abs/2606.20529 — LedgerAgent：台帳型状態管理でポリシー遵守エージェントを実現

https://arxiv.org/abs/2606.20527 — StylisticBias：MLLMの社会的バイアスを引き起こす視覚手がかりは少数

https://arxiv.org/abs/2606.20493 — マルチエージェントLLMの評価バイアス伝染ネットワーク

https://arxiv.org/abs/2606.20510 — AIエージェントの確率的検証：分布ロバスト最適化で堅牢な安全上界

https://arxiv.org/abs/2606.20508 — 安全アライメントLLMが混合コンプライアンスデモから学ぶこと

https://arxiv.org/abs/2606.20487 — H-RePlan：クロスデバイスエージェントの階層的リカバリー

https://arxiv.org/abs/2606.20482 — マウスと視線でLLMアライメントを改善：暗黙的フィードバックの価値

https://arxiv.org/abs/2606.20517 — Multi-LCB：12言語でLLMコード生成能力を評価

https://arxiv.org/abs/2606.20544 — Mixture-of-Expertsの分布シフト下キャリブレーション

#生成AI #ChatGPT #Claude #LLM #AI #人工知能 #arxiv #論文解説 #ゆっくり解説 #ずんだもん #OpenAI #Anthropic #機械学習 #ディープラーニング

拡散言語モデルの大規模実証、LLMが内省で倫理を自己獲得するEmergent Alignment、畳み込み・アテンション・再帰を統一するITNetなど、今週の注目生成AI・LLM論文を10本解説します。

▼ 今日の論文ラインナップ

・拡散言語モデルの実験的分析 — イタリア モデナ・レッジョ・エミリア大学（arxiv:2606.19475）

・Emergent Alignment（LLMの自己アライメント） — チェコ工科大学（arxiv:2606.19527）

・ITNet：積分変換による統一アーキテクチャ — MIT（arxiv:2606.19538）

・マルチエージェントLLM審議の隠れアンカー — テキサス大学ノーステキサス校（arxiv:2606.19494）

・AgenticRei：エージェントAIのランタイムガバナンス — メリーランド大学（arxiv:2606.19464）

・LLMの認識的盲点（臨床表形式データ） — ミネソタ大学（arxiv:2606.19509）

・LLMエージェントの不確実性分解と明確化要求（arxiv:2606.19559）

・DPO後学習で比較すべきペアの選び方 — コロンビア大学（arxiv:2606.19607）

・ACIE：医療情報抽出のエージェントRAG — エッセン大学病院（arxiv:2606.19602）

・LLMソルバーループの叙述ギャップ — パデュー大学（arxiv:2606.19588）

▼ 参考論文（arXiv）

https://arxiv.org/abs/2606.19475 — 拡散言語モデルの実験的分析

https://arxiv.org/abs/2606.19527 — Emergent Alignment：LLMが内省で倫理を獲得

https://arxiv.org/abs/2606.19538 — ITNet：積分変換が畳み込み・アテンション・再帰を統一

https://arxiv.org/abs/2606.19494 — マルチエージェントLLM審議の隠れアンカー

https://arxiv.org/abs/2606.19464 — AgenticRei：エージェントAIの義務論的ポリシーガバナンス

https://arxiv.org/abs/2606.19509 — LLMは自分が何を知らないかを知らない

https://arxiv.org/abs/2606.19559 — LLMエージェントの不確実性分解と明確化要求

https://arxiv.org/abs/2606.19607 — DPO後学習で比較すべきペアの選び方

https://arxiv.org/abs/2606.19602 — ACIE：医療情報抽出のエージェントRAG実装

https://arxiv.org/abs/2606.19588 — LLMソルバーループの叙述ギャップ

#生成AI #ChatGPT #Claude #LLM #AI #人工知能 #arxiv #論文解説 #ゆっくり解説 #ずんだもん #OpenAI #Anthropic #機械学習 #ディープラーニング

2026年6月20日の生成AI・LLM最新論文10本を解説します。

今回のラインナップ：

1. DeepSeek-V4 — 100万トークンコンテキストの高効率MoEモデル（arXiv:2606.19348）

2. 拡散LLMにおける位置バイアス — Auto-ICLでクエリ配置を動的最適化（arXiv:2606.19349）

3. GRACE — テスト時スケーリングにおける検証粒度の最適理論（arXiv:2606.19354）

4. LLM-as-Judge 大規模体系評価 — 54万件で信頼性と妥当性の乖離を実証（arXiv:2606.19544）

5. CAP — 因果的帰属でアテンションヘッドの重要度を測るプルーニング（arXiv:2606.19350）

6. LUCID — LLMナレッジグラフ推論のハルシネーション検出（arXiv:2606.19351）

7. Argent Signaling Protocol — マルチエージェントの意味的ドリフトを防ぐ（arXiv:2606.19356）

8. TreeTracer — 確率木集約でLLMバイアスを可視化（arXiv:2606.19344）

9. 自己関数ベクトルによるICL不確実性分解（arXiv:2606.19353）

10. NarraDolma — 3兆トークンのプレトレーニングデータに物語構造を測る（arXiv:2606.19468）

arXivリンク：

https://arxiv.org/abs/2606.19348

https://arxiv.org/abs/2606.19349

https://arxiv.org/abs/2606.19354

https://arxiv.org/abs/2606.19544

https://arxiv.org/abs/2606.19350

https://arxiv.org/abs/2606.19351

https://arxiv.org/abs/2606.19356

https://arxiv.org/abs/2606.19344

https://arxiv.org/abs/2606.19353

https://arxiv.org/abs/2606.19468

#生成AI #LLM #DeepSeek #機械学習 #論文解説 #ずんだもん #四国めたん #arxiv

今日は生成AIの高速化・エージェント・RAG・アンラーニングの最前線を8本解説！

JetFlowがLLM推論を9.64倍に高速化、VISUALSKILLがマルチモーダルスキルでエージェントを+15ポイント改善、CoreMemがエッジデバイスで長期記憶を実現します。

▼ 今日の論文ラインナップ

・JetFlow: 投機的デコーディングを並列ツリー下書きで9.64倍高速化（arXiv:2606.18394）

・VISUALSKILL: 図入りスキルライブラリでコンピュータ操作エージェントが+15ポイント改善（arXiv:2606.18448）

・CoreMem: リーマン検索×フィッシャー情報蒸留で8GB VRAMの長期記憶対話エージェント（arXiv:2606.18406）

・マルチエージェント企業展開: 適応+FP8量子化で4.48倍のスループット（arXiv:2606.18502）

・SproutRAG: アテンション誘導ツリーで多粒度RAGを実現、IE+6.1%（arXiv:2606.18381）

・MCompassRAG: トピックメタデータコンパスでRAGをIE+8.24%・5倍高速化（arXiv:2606.18508）

・PreUnlearn: LLMアンラーニング前に副次被害を事前監査（arXiv:2606.18473）

・Distance-Adaptive Representation: KVキャッシュを位置で次元分離、全次元と同等性能（arXiv:2606.18587）

▼ 参考論文arXiv URL

https://arxiv.org/abs/2606.18394

https://arxiv.org/abs/2606.18448

https://arxiv.org/abs/2606.18406

https://arxiv.org/abs/2606.18502

https://arxiv.org/abs/2606.18381

https://arxiv.org/abs/2606.18508

https://arxiv.org/abs/2606.18473

https://arxiv.org/abs/2606.18587

#生成AI #ChatGPT #Claude #LLM #AI #人工知能 #arxiv #論文解説 #ゆっくり解説 #ずんだもん #OpenAI #Anthropic #機械学習 #ディープラーニング