放課後論文ラジオ

By 放課後論文ラジオ

AIの最新論文を、ゆい＆かなでが放課後のおしゃべり感覚で解説するポッドキャストです。論文は読まなくてOK。1エピソード1論文、約10分でAI研究の最前線がざっくりわかります。... more

· Technology

Download on the App Store

Download on the App Store

Get it on Google Play

FAQs about 放課後論文ラジオ:

How many episodes does 放課後論文ラジオ have?

The podcast currently has 83 episodes available.

放課後論文ラジオ episodes:

April 19, 2026#13 AIへのヒントは「短く的確」が最強だった
今回の論文
タイトル: KnowRL: Boosting LLM Reasoning via Reinforcement Learning with Minimal-Sufficient Knowledge Guidance
著者: Linhao Yu, Tianmeng Yang, Siyu Ding et al.（天津大学、Baidu、中国科学院）
発表: 2026年4月（arXiv）
このエピソードのポイント
AIに難しい問題を解かせるとき、ヒントは「長く詳しく」より「短く的確に」のほうが効く
ヒントを少しずつ増やすと、ある瞬間に性能が急ジャンプする「クリティカル・セグメント効果」を発見
1.5Bという小さめのモデルで数学推論の最高性能を更新、エッジ活用の可能性も
キーワード
知識ポイント（KP）: 問題を解くのに必要な「原子レベル」の数学的原理や定理の1単位。細かく分解したヒントのかけら。
報酬スパースネス: 難問すぎてAIが全く正解できず、学習の手がかりが得られない状態のこと。
クリティカル・セグメント効果: ヒントの量を増やしていくと、ある地点で性能が突然ジャンプし、それ以上は伸びなくなる現象。
剪定の逆説: 不要そうなヒントを1つずつ削ると性能が上がるのに、まとめて削ると逆に下がる不思議な現象。
CSS（制約付き部分集合探索）: 明らかに要らないヒントを削ぎ落とし、残った候補の組み合わせだけを全探索する効率的な選択手法。
論文リンク
論文URL: https://arxiv.org/abs/2604.12627
...more
6min
April 19, 2026#12 AIはまだゲーム初心者にも勝てない
今回の論文
タイトル: GameWorld: Towards Standardized and Verifiable Evaluation of Multimodal Game Agents
著者: Mingyu Ouyang et al.（シンガポール国立大学・オックスフォード大学）
発表: 2026年4月
このエピソードのポイント
ブラウザで遊べる34種類のゲーム・170タスクで、最新AI18種を同じ条件で評価する仕組みを作った
トップのGemini-3でもタスク進捗41.9%・クリア率21.2%で、人間の初心者（進捗64.1%）にすら届かない
「記憶を増やすほど賢くなる」とは限らず、操作履歴がノイズになってAIの性能が落ちる現象も発見
キーワード
マルチモーダルAI: 文章だけでなく画像も同時に理解できるAI。GPT-5やGemini、Claudeなどが代表例です。
Computer-Use Agent (CUA): 人間と同じように「座標をクリック」「キーを押す」といったレベルでPCを操作するAIのこと。
汎用型エージェント: 「ジャンプ」「右に動く」のように意味の単位で指示を出すAI。座標計算は別の仕組みが担当します。
状態検証型評価: ゲーム内部のデータを直接読み取って成否を判定する仕組み。画面認識のあいまいさを排除できます。
進捗度（Progress）: 完全クリアできなくても「どこまで近づけたか」を0〜1で表す指標です。
論文リンク
論文URL: https://arxiv.org/abs/2604.07429
...more
7min
April 18, 2026#11 AIに「採点理由」を語らせたら画像生成が激変した
今回の論文
タイトル: RationalRewards: Reasoning Rewards Scale Visual Generation Both Training and Test Time
著者: Haozhe Wang, Cong Wei, Weiming Ren et al.（香港科技大学、ウォータールー大学、アリババ）
発表: arXivプレプリント, 2026年4月
このエピソードのポイント
画像生成AIの「採点係」に点数だけでなく理由を語らせると、生成品質が大きく改善する
再訓練せずとも、批評してプロンプトを書き直すループだけでRL訓練と同等の効果が出る
「AIは既に良い出力を出せる力を持っていて、プロンプト次第で引き出せる」という潜在能力仮説を提示
キーワード
報酬モデル: 生成AIの出力がどれだけ良いかを採点するAI。この点数を使って生成AIを訓練します
リワード・ハッキング: 生成AIが「本当に良い画像」ではなく「採点係が高得点をつけやすい画像」を作るようになってしまう現象
Generate-Critique-Refine ループ: 生成→批評→プロンプト改良→再生成、という繰り返しで、モデル自体を鍛えずに出力を改善する仕組み
PARROT: 「AとBどちらが好き」という選好データから、理由付きの採点データを自動で作り出す訓練パイプライン
潜在能力仮説: 生成AIは既に高品質な出力を出す能力を持っているが、プロンプトが曖昧で発揮できていないだけ、という考え方
論文リンク
論文URL: https://arxiv.org/abs/2604.11626
...more
7min
April 17, 2026#10 スマホを操るAIを誰でも作れる時代へ
今回の論文
タイトル: ClawGUI: A Unified Framework for Training, Evaluating, and Deploying GUI Agents
著者: Fei Tang, Zhiqiong Lu et al.（浙江大学）
発表: 2026年4月（arXiv）
このエピソードのポイント
スマホ画面をタップ・スワイプで操作するAI「GUIエージェント」を、訓練・評価・実機運用まで丸ごとオープンソース化
1ステップごとに採点する仕組みで、2Bの小さなモデルが36倍大きい72Bモデルを上回る成功率を達成
LINEやSlack感覚でスマホを遠隔操作できる時代が現実に。APIのない業務アプリが多い日本でも応用が広がりそう
キーワード
GUIエージェント: 人間と同じように画面を見て、タップやスワイプでアプリを操作するAI。APIがないアプリにも対応できます。
オンライン強化学習: AIが実際に試行錯誤しながら「うまくいった行動」を学んでいく方式。現場で経験を積むイメージです。
Process Reward Model (PRM): 最終結果だけでなく、途中の一手一手に点数をつける仕組み。将棋の棋譜検討に近い発想です。
GiGPO: 一連の操作を場面ごとにグループ分けして、どの場面のどの手が良かったかを細かく評価するアルゴリズム。
再現率: 他の論文の数字を同じ条件でやり直したときに再現できた割合。研究の信頼性を支える基礎的な指標です。
論文リンク
論文URL: https://arxiv.org/abs/2604.11784
...more
7min
April 17, 2026#9 AIの「検算」が100分の1のデータで賢くなった理由
今回の論文
タイトル: Process Reward Models That Think
著者: Muhammad Khalifa et al.
発表: 2025年4月（arXiv初出）、2025年12月更新
このエピソードのポイント
AIの解答を「ステップごとに採点するAI」に自分でも考えさせたら、精度が大幅アップした
必要な学習データはたった約1,000件。従来の100分の1以下のコストで、より高性能な採点係AIが作れる
数学で学習しただけなのに、科学やプログラミングの検証にも使える汎用性の高さがすごい
キーワード
PRM（プロセス報酬モデル）: AIの解答を最終結果だけでなく、途中のステップごとに正しいかどうか採点する仕組みのこと
Chain-of-Thought（思考の連鎖）: AIが答えにたどり着くまでの考えた過程を文章として書き出したもの。人間でいう途中式やメモ書きにあたる
LLM-as-a-Judge: 汎用AIをそのまま「審判役」として使うアプローチ。専用の訓練なしで手軽だが、精度や安定性に課題がある
Best-of-N: 同じ問題に対してN個の解答を生成し、一番良いものを選ぶ手法。選ぶ役の精度が結果を大きく左右する
合成データ: AIが自動生成したデータのこと。人手で作る代わりにAIに生成させ、品質の良いものだけを選別して訓練に使う
論文リンク
論文URL: https://arxiv.org/abs/2504.16828v5
...more
8min
April 17, 2026#7 AIが「意味のない単語」をガン見してしまう現象の正体
今回の論文
タイトル: Attention Sink in Transformers: A Survey on Utilization, Interpretation, and Mitigation
著者: Zunhai Su et al.（清華大学、香港大学、Meituan LongCat Team 他）
発表: 2026年4月
このエピソードのポイント
AIが文頭の記号など「意味のない場所」に注意力の大半を吸い取られる「Attention Sink」という現象が、ハルシネーションやコスト増大の一因になっている
この現象は「どこにも注目しない」という選択肢がないAIの仕組み上の制約が原因で、モデルが情報の混ざりすぎを防ぐ"自衛手段"でもあった
ゲート付き注意機構や改良Softmaxなどの対策技術が急速に進み、Qwen3など最新の商用モデルにもすでに採用されている
キーワード
Attention Sink（注意の吸い込み口）: AIが文章や画像を処理するとき、意味のないトークンに注意力の大部分が吸い取られてしまう現象。文頭の記号などが「排水口」のような役割を果たしてしまう
Softmax: AIの注意スコアを「合計1」の確率に変換する関数。「どこにも注目しない」という選択肢がないため、余った注意が意味のないトークンに流れ込む原因になっている
KVキャッシュ: AIが文章を生成するときに過去の情報を一時保存するメモリ領域。長い文章を扱うほどメモリが膨れ上がるため、Attention Sinkの仕組みを使った圧縮技術が注目されている
Gated Attention（ゲート付き注意機構）: 注意の出力に「門番」を設けて、不要な注意をゼロにできるようにした改良版の仕組み。注意の集中を46.7%から4.8%まで減らせたという結果が報告されている
ハルシネーション: AIがもっともらしいウソを生成してしまう現象。見るべきところを見ずに回答してしまうAttention Sinkがその一因とされている
論文リンク
論文URL: https://arxiv.org/abs/2604.10098
...more
9min
April 17, 2026#6 小さなAIでも名医になれる？推論を見守る"審判役AI"の正体
今回の論文
タイトル: Process Reward Agents for Steering Knowledge-Intensive Reasoning
著者: Jiwoong Sohn, Tomasz Sternal, Kenneth Styppa et al.（ETH Zürich / Heidelberg University）
発表: 2026年4月
このエピソードのポイント
AIの推論を「最後にまとめて採点」するのではなく、1ステップごとにリアルタイムで監視・評価する"審判役AI"（PRA）を導入した
推論AI本体には一切手を加えず、外側からの制御だけで小型モデル（4Bパラメータ）が医療問題の正答率80%超えを達成した
訓練に使っていない別のモデルにもそのまま適用でき、最大25.7ポイントもの正答率アップを実現した
キーワード
プロセス報酬モデル（PRM）: AIの推論を「途中経過の各ステップごと」に採点する仕組み。最終回答だけでなく、思考の過程そのものを評価する
凍結ポリシー（Frozen Policy）: パラメータを一切変更しない推論AI。審判役AIはこの「凍結された」AIの外側から制御だけを行う
ビームサーチ: 複数の推論候補を同時に進め、スコアの高いものだけを残していく探索手法。将棋の「読み」を複数同時に進めるイメージ
RAG（検索拡張生成）: AIが回答する前に外部データベースから関連文書を検索し、それを参考にして回答を生成する手法
マージンシフト: 外部文献を参照した場合としなかった場合で、AIの判断がどれだけ変わるかを測る指標。変化が大きいほど文献検索が有用だったことを示す
論文リンク
論文URL: https://arxiv.org/abs/2604.09482
...more
7min
April 17, 2026#5 使うほど全員のAIが賢くなる「集合知スキル進化」の正体
今回の論文
タイトル: SkillClaw: Let Skills Evolve Collectively with Agentic Evolver
著者: Ziyu Ma et al.（DreamX Team）
発表: 2026年4月（プレプリント）
このエピソードのポイント
ユーザーがAIを使った記録（成功・失敗）を自動で集めて、AIが自分でスキルの改善案を考えて書き直す仕組みがある
改善されたスキルはテストに合格したものだけが配信されるので、品質が下がらない一方通行の設計になっている
6日間の運用シミュレーションで、クリエイティブ生成タスクが相対88%向上するなど、使うほど全員のAIが賢くなることが確認された
キーワード
スキル（Skill）: AIが特定のタスクをこなすための「手順書」のこと。APIの呼び方やツールの使い方がまとめられている
Agentic Evolver（自律進化エンジン）: ユーザーの使用記録を分析して、スキルの改善案を自分で考えて作るAI。人間の指示なしで動く
セッション軌跡: ユーザーとAIのやりとりの全記録。何を指示して、何が返ってきて、最終的にどうなったかの流れ
集合的進化: 個々のユーザーの経験を集めて、全員で共有するスキルを継続的に良くしていくこと
バリデーション: 改善したスキルを実環境でテストして、本当に良くなったか確認するプロセス。合格したものだけ配信される
論文リンク
論文URL: https://arxiv.org/abs/2604.08377v1
...more
7min
April 17, 2026#4 あらゆるソフトをAIの練習場に変えるフレームワークの正体
今回の論文
タイトル: Gym-Anything: Turn any Software into an Agent Environment
著者: Pranjal Aggarwal, Graham Neubig, Sean Welleck（カーネギーメロン大学）
発表: 2026年4月（arXiv プレプリント）
このエピソードのポイント
AIがソフトウェアのテスト環境を自動で作り、別のAIがスクリーンショットで監査する「作成・監査ループ」がすごい
200種類のソフト・1万件超のタスクという桁違いのベンチマークが誕生し、AIの実力がリアルに測れるようになった
最強モデルでも達成率27.5%——AIに仕事を丸投げできる時代はまだ先だけど、小型モデルの急成長にも注目
キーワード
Computer-Use Agent（CUA）: 人間のようにマウスやキーボードでパソコンを操作するAIのこと。画面を見てクリックやタイプを行い、ソフトウェアを使いこなすことを目指します
作成・監査ループ: AIが環境を作り、別のAIがスクリーンショットなどの証拠でチェックして不備を指摘する品質管理の仕組み。施工者と検査員のような関係です
提案→増幅（Propose-and-Amplify）: 高性能なAIが少数のお手本タスクを作り、安価なAIがそれを参考に大量のタスクを生成する二段階のデータ作成手法
蒸留（Distillation）: 大きく高性能なAIの「解き方」を小さなモデルに学習させて性能を移す技術。大型モデルの知恵を圧縮して持ち運べるようにするイメージです
GDP基盤のソフト選定: テスト対象のソフトを「その職業がどれだけ経済価値を生んでいるか」から逆算して選ぶ方法。経済的に重要なソフトを優先的にカバーします
論文リンク
論文URL: https://arxiv.org/abs/2604.06126v1
...more
8min
April 17, 2026#3 AIはサイコロを振れない？LLMの「ランダムのフリ」の正体
今回の論文
タイトル: The Illusion of Stochasticity in LLMs
著者: Xiangming Gu et al.（Google DeepMind / シンガポール国立大学）
発表: 2026年4月（プレプリント）
このエピソードのポイント
LLMに「ランダムな数を出して」と頼むと、どのモデルでもめちゃくちゃ偏る（7や42ばかり出てくる！）
外部から乱数を渡して「これを変換して」と頼むと、ちゃんと正確にできる。問題は乱数を"生み出す"こと自体にある
AIエージェントを実用化するなら「ランダム性は外から注入する」という設計がカギになりそう
キーワード
サンプリング: 決められた確率のルールに従って、サイコロを振るようにランダムに値を選ぶこと
一様分布: どの値も同じ確率で出る分布。公平なサイコロのイメージ
適合度検定: 実際のデータが理論上の分布にどれくらい合っているかを数学的に判定する方法
knowing-doingギャップ: 正しい答えを「知っている」のに、行動として「実行できない」ズレのこと。人間にもある現象
疑似乱数生成器（PRNG）: 計算式で「ランダムっぽい」数列を作る仕組み。完全なランダムではないが実用上は十分使える
論文リンク
論文URL: https://arxiv.org/abs/2604.06543v1
...more
7min

FAQs about 放課後論文ラジオ:

How many episodes does 放課後論文ラジオ have?

The podcast currently has 83 episodes available.