1714 件の論文
本論文は、環境・社会・ガバナンス（ESG）およびサステナビリティ分野における大規模言語モデル（LLM）の能力を評価・強化するための包括的なベンチマーク「ESGenius」を提案し、専門家の検証を受けた 1,136 問の質問と 231 件の基礎文書からなるコーパスを用いた評価により、ゼロショット設定では限界があるものの、信頼性の高い情報源に基づく検索拡張生成（RAG）手法を適用することでモデルの性能が大幅に向上することを示しています。
この論文は、既存のベンチマークが抱える汚染やバイアスの問題を解決し、大規模言語モデルのドメイン専門知識を、他のモデルや人手に頼らず生データから自動的に生成された完成型タスクによって安価かつ公平に評価する決定論的パイプラインを提案するものです。
本論文は、大規模言語モデル（LLM）の重みを固定したまま、ユーザーの入力に応じてシステムプロンプトを適応的に調整する「Sysformer」というトランスフォーマーモデルを提案し、有害な入力への拒否率や安全な入力への対応精度を大幅に向上させ、高度な脱獄攻撃に対しても堅牢性を高めることを実証しています。
本論文は、視覚言語モデル（VLM）の活性化における「視覚トークンの過剰性」と「モダリティ間の分布ギャップ」という 2 つの課題を特定し、勾配駆動の重要度因子を用いて重要なトークンを優先的に保持するポストトレーニング量子化フレームワーク「VLMQ」を提案し、低ビット設定でも最先端の性能を実現したことを示しています。
この論文は、農業機械の取扱説明書を用いたクロスリンガル技術質問応答タスクにおいて、ハイブリッド RAG 方式が 128K トークンのロングコンテキストを直接利用する LLM 提示よりも一貫して優れており、Gemini 2.5 Flash や Qwen 2.5 7B などのモデルで 85% 以上の高い精度を達成したことを示すケーススタディです。
既存のマルチモーダル文書 QA 手法の課題を克服するため、テキストと画像を統合的に活用する「CMRAG」フレームワークと大規模データセットを提案し、複雑な視覚的ドキュメント質問応答タスクの性能向上を実証した。
MERLIN は、一般バイリンガルデータからタスク固有データへと段階的に学習するカリキュラム学習戦略と、少量の DoRA 重みの適応を組み合わせた 2 段階モデルスタックフレームワークであり、低資源言語における推論タスクの精度を大幅に向上させることを提案しています。
本論文は、同時通訳システムにおける遅延評価の課題を解決するため、セグメンテーションに起因するバイアスを克服し、短形・長形両方の音声翻訳システムをより正確に評価できる新たな指標（YAAL、LongYAAL）と再セグメンテーションツール（SoftSegmenter）を提案し、これらを OmniSTEval ツールキットとして実装したことを報告しています。
本論文は、偏微分方程式のタスクにおいて既存手法をそのまま適用するとデコーダ専用モデルがエンコーダ専用モデルに劣ることを示しつつ、並列反転とシーケンス倍増という 2 つの双方向性を模倣する新規手法を提案することで、デコーダ専用モデルの性能を大幅に向上させ、エンコーダモデルとの性能差を解消したことを報告しています。
この論文は、大規模言語モデルの評価におけるマイクロベンチマークが、完全なベンチマークや無作為なデータ抽出と比較してモデルの性能差を一貫して正しくランク付けできず、特に類似した性能を持つモデルを区別するには数百のサンプルが必要となり、その規模では既存のマイクロベンチマーク手法が無作為抽出と同等の信頼性しか持たないことを示しています。
この論文は、LLM の内部状態が出力の真偽ではなく「パラメトリック知識の想起」を反映しており、統計的関連性に駆動された「連想ハルシネーション」は事実と区別がつかないが、知識の欠如に起因する「非連想ハルシネーション」は検出可能であることを示している。
この論文は、ユーザーの行動を受動的に観察してその瞬間の目的を推論し、大規模言語モデル（LLM）をその目的に即座に最適化する「Just-In-Time 目的」アプローチを提案し、これにより汎用的な LLM よりもはるかに高品質で個別化されたツールや応答を生成できることを示しています。
この論文は、大規模言語モデルが文脈依存性を要する翻訳タスクにおいて、Chain-of-Thought 推論を活用することで、特に高性能なモデルほど顕著な精度向上（「賢いほど賢くなる」効果）を達成し、GPT-4 や Phi などのモデルが優れた結果を示すことを明らかにしています。
この論文は、チャットボットを用いたコミュニケーションデータの自動コーディングが、性別や人種・民族といった異なるサブグループ間でも人間の評価者と一貫した結果を示すことを実証し、大規模な協働・コミュニケーション評価への応用可能性を明らかにしたものである。
この論文は、Collaborative Battleship や Guess Who? などのタスクを通じて言語モデルの戦略的情報探索能力を評価し、ベイズ実験設計に着想を得たモンテカルロ推論手法を導入することで、人間のプレイヤーや最先端モデルを凌駕する高効率な自律エージェントの実現とコスト削減を達成したことを示しています。
本論文は、既存の汎用指標では不十分だったドイツ語の自動文章簡易化評価の課題を解決するため、LLM 生成データを用いて訓練されたドイツ語固有の総合評価指標「DETECT」を提案し、人間による評価との高い相関を実証するものです。
この論文は、59 の言語と新規タスクを含むアフリカ言語向けベンチマーク「AfriMTEB」を構築し、これに対応する最先端の埋め込みモデル「AfriE5」を提案するものです。
この論文は、ビッグファイブ性格特性に基づいて LLM の潜在表現から低ランク部分空間を特定し、最適な層を選択するハイブリッド手法により、流暢さや汎用性を損なうことなく性格特性を安定的に制御する新しいパイプラインを提案するものである。
この論文は、LLM の「幻覚」を歴史的記録の欠落を埋める「批判的虚構（critical confabulation）」として活用し、社会的・政治的不平等によって隠された人々の多様な物語を、歴史的正確性を損なうことなく再構築する可能性を検証したものである。
この論文は、大規模言語モデル（LLM）とグリッドベースの整数計画法を組み合わせ、テキストプロンプトから構造化された制約を抽出し、粗い解から詳細な解へと段階的に最適化する「Co-Layout」という枠組みを提案し、既存の2段階パイプラインよりも優れた室内レイアウトと家具配置の自動生成を実現するものです。