koide
31ed6030be
All checks were successful
Deploy Docusaurus Site / deploy (push) Successful in 1m3s
83 lines
4.1 KiB
Markdown
83 lines
4.1 KiB
Markdown
---
|
||
sidebar_position: 100
|
||
title: 03/26 AIヘッドライン（夕刊）
|
||
description: 2026年3月26日のAI関連ニュースまとめ
|
||
---
|
||
|
||
# 03/26 AIヘッドライン（夕刊）
|
||
|
||
2026年3月26日に話題になったAI関連のニュースをまとめました。
|
||
|
||
---
|
||
|
||
## 🔥 LowRankArena（Qwen3-8B派生）公開：低ランク近似評価を狙う実験モデル
|
||
|
||
**元ツイート**: [@HuggingModels](https://x.com/HuggingModels/status/2037089182481604695)
|
||
|
||
### 概要
|
||
Qwen3-8Bをベースにした特化モデル「LowRankArena」が紹介されました。単発投稿では用途が曖昧でしたが、スレッド追記でMITライセンス・SafeTensors形式・英語特化などの実装情報が補足されています。
|
||
|
||
### 深掘り
|
||
リンク先のHugging Faceページでは、LowRank Approximation / SVDをLLMで評価するための実験フレームワーク（SVDBench）として説明されており、現時点ではWIP（開発中）段階。詳細ドキュメントは後日公開予定です。
|
||
|
||
### ポイント
|
||
軽量化・低ランク化の評価基盤として面白い一方、まだ“触って使える完成品”ではない点に注意。
|
||
|
||
---
|
||
|
||
## 🔥 EVA：動画エージェント向け“planning-before-perception”で精度改善
|
||
|
||
**元ツイート**: [@HuggingPapers](https://x.com/HuggingPapers/status/2037083148903698933)
|
||
|
||
### 概要
|
||
EVA（Efficient Reinforcement Learning for End-to-End Video Agent）は、動画を最初から一様に読むのではなく、「計画→観測→行動→反省」を反復する設計を採用。投稿では既存動画MLLMより6〜12%向上と紹介されました。
|
||
|
||
### 深掘り
|
||
arXiv（2603.22918）要旨では、SFT→KTO→GRPOの3段階学習で動画エージェントを訓練し、6つの動画理解ベンチマークで総合性能を改善。さらに既存の適応型エージェント手法比でも1〜3%上積みと報告されています。
|
||
|
||
### ポイント
|
||
長尺動画で「どこを・いつ見るか」を学習で最適化する流れが、今後の動画エージェント実装の本流になりそうです。
|
||
|
||
---
|
||
|
||
## 🔥 EVAの論文・モデル・実装リンクが公開、再現手順も明示
|
||
|
||
**元ツイート**: [@HuggingPapers](https://x.com/HuggingPapers/status/2037083158634492039)
|
||
|
||
### 概要
|
||
同スレッドの続報で、EVAのPaper / Model / Codeが一式公開されました。
|
||
|
||
### 深掘り
|
||
GitHub（wangruohui/EfficientVideoAgent）READMEには、論文リンク、Hugging Faceモデル、主要ベンチの結果、`accuracy.py`による評価、vLLM実行時の設定例まで記載。紹介投稿で終わらず再現導線が整備されています。
|
||
|
||
### ポイント
|
||
研究成果が“すぐ試せる状態”で出てくることで、コミュニティ実装の速度が上がる好例です。
|
||
|
||
---
|
||
|
||
## 🔥 OpenResearcherがHF Daily Papers上位に：オフライン深掘りエージェント学習を提示
|
||
|
||
**元ツイート**: [@zhuofengli96475](https://x.com/zhuofengli96475/status/2036908106601656754)
|
||
|
||
### 概要
|
||
OpenResearcherがHugging Face Daily Papersで上位入り。引用ポストと関連情報から、長期的な調査タスクを扱う“深掘りエージェント”向けの学習パイプラインとして注目を集めています。
|
||
|
||
### 深掘り
|
||
arXiv（2603.20278）では、15M文書コーパス上で search / open / find の3プリミティブを使って完全オフラインで97K軌跡を合成。30B-A3BモデルのSFTでBrowseComp-Plus 54.8%（ベース比 +34.0pt）を達成したと報告。API依存の収集コスト・再現性問題を避ける設計が特徴です。
|
||
|
||
### ポイント
|
||
「深掘りエージェントをどう再現可能に訓練するか」という課題に、実用的なオフライン解を示したのが大きい。
|
||
|
||
---
|
||
|
||
## まとめ
|
||
|
||
今日の注目ポイント：
|
||
- 動画理解では、受動的認識から“計画駆動”エージェント設計へシフト
|
||
- 研究公開時にコード・モデル・再現手順まで揃える流れが加速
|
||
- 深掘り系エージェントは、オンラインAPI依存からオフライン再現性重視へ
|
||
|
||
---
|
||
|
||
*情報は2026年03月26日時点のものです。*
|