MLinfo | 機械学習・AI論文まとめ

コンピュータビジョン物体検出分類セグメンテーション画像

label-studio — Label Studio is a multi-type data labeling and annotation tool with standardized output format

データラベル化と注釈化を行うためのツールです。

用途: データラベル化ツール
難易度: Easy
コスト: Low

cs249r_book — Machine Learning Systems

マシンラーニングシステムの理論と実装に関する本。

深層学習テキスト

用途: 機械学習システム
難易度: Easy
コスト: Medium

自然言語処理大規模言語モデルテキスト音声マルチモーダル

screenpipe — YC (S26) | Open Computer History | Record your screen continuously locally and provide context to your agents (Claude, Codex, Openclaw, Hermes, Runner...)

ユーザーの行動を認識し、オートエージェントを構築するためのツール。

用途: オートエージェント構築
難易度: Easy
コスト: High

unsloth — Local UI to run and train LLMs and diffusion models. Supports GGUF, MLX, Qwen3.8, DeepSeek-V4, MiniMax-H3, Gemma 4, FLUX and more.

Unsloth Studioは、オープンモデルのトレーニングと実行を支援するWebUIです。このライブラリは、Gemma4、Qwen3.5などのオープンモデルのテストとトレーニングを支援するために使われます。

自然言語処理大規模言語モデル生成画像テキスト

用途: オープンモデルのトレーニングと実行
難易度: Easy
コスト: High

深層学習Transformer画像テキストマルチモーダル

sglang — SGLang is a high-performance serving framework for large language models and multimodal models.

SGLangは、大規模言語モデルのサービングフレームワークです。このライブラリは、高性能なサービスフレームワークで、大規模言語モデルのサービングをサポートしています。

用途: 大規模言語モデルのサービングフレームワーク
難易度: Easy
コスト: High

表形式向き自然言語処理大規模言語モデル画像テキスト表形式

unstructured — Convert documents to structured data effortlessly. Unstructured is open-source ETL solution for transforming complex documents into clean, structured formats for language models. Visit our website to learn more about our enterprise grade Platform product for production grade workflows, partitioning, enrichments, chunking and embedding.

ドキュメントを構造化するために使えるオープンソースのETLソリューション。

用途: ドキュメントの構造化
難易度: Easy
コスト: High

transformers — 🤗 Transformers: the model-definition framework for state-of-the-art machine learning models in text, vision, audio, and multimodal models, for both inference and training.

🤗 Transformersは、テキスト・ビジョン・音声など複雑なモデル定義をサポートするフレームワークで、インフェレンスターやトレーニングに使用できる。

深層学習Transformer分類テキスト音声

用途: 機械学習モデル定義
難易度: Easy
コスト: High

paperless-ngx — A community-supported supercharged document management system: scan, index and archive all your documents

paperless-ngxは、コミュニティによってサポートされたスーパーチャージドのドキュメント管理システムで、ドキュメントのスキャン・インデックス・アーカイブが可能である。

自然言語処理大規模言語モデル分類テキスト

用途: ドキュメント管理
難易度: Easy
コスト: High

diffusers — 🤗 Diffusers: State-of-the-art diffusion models for image, video, and audio generation in PyTorch.

.diffusion モデルのライブラリ。画像・動画・音声生成に利用可能。

生成AI拡散モデル生成画像テキスト

用途: 画像・動画・音声生成
難易度: Easy
コスト: High

testtimescaling.github.io — "what, how, where, and how well? a survey on test-time scaling in large language models" repository

大規模言語モデルのテスト時間調整に関する調査のリポジトリ。

用途: 大規模言語モデルのテスト時間調整
難易度: Easy
コスト: High

Meshroom — Node-based Visual Programming Toolbox

ノードベースのビジュアルプログラミングツールです。

コンピュータビジョン3D・点群画像テキスト3D

用途: ビジュアルプログラミングツール
難易度: Easy
コスト: High

自然言語処理大規模言語モデルテキストマルチモーダル

ai-agent-book — 《深入理解 AI Agent：设计原理与工程实践》（李博杰著）开源主仓库：全书正文、编译版 PDF 与按章配套代码

この論文では、現在のVision-Language-Benchmark（VLB）を超える、MLLMがアクティブな観察を実演できるようにするためのバenchmark、ActiveVisionを提案する。このActiveVi

用途: 弁論の実際的な対象を形成するためにAIが活用される
難易度: Easy
コスト: High

Sana — SANA: Efficient High-Resolution Image Synthesis with Linear Diffusion Transformer

SANAは、高解像度画像生成モデルSANAを紹介する本研究であり、低計算コストで優れた高解像度画像を生成できる。

深層学習Transformer生成画像テキスト

用途: 高解像度画像合成
難易度: Easy
コスト: High

MOVA — A foundation model that generates synchronized video and audio in a single model

統計チャートの生成は、タブラーのデータから生成することが難しい。新しい作成フローでは、データのスクリーン、プロット提案、コード生成、レンダリング、検証による改良が含まれる。

自然言語処理ファインチューニング生成テキスト音声

用途: 可視化された統計チャートの生成
難易度: Easy
コスト: High

FunASR — Open-source speech recognition toolkit for training, inference, streaming ASR, VAD, punctuation, speaker diarization pipelines, and OpenAI-compatible/MCP serving.

電気生理信号から表現を学習し、脳コンピューターインターフェースの開発を支援する。

深層学習Transformer分類検出テキスト

用途: 電気生理信号から表現を学習する
難易度: Easy
コスト: High

DocsGPT — Private AI platform for agents, assistants and enterprise search. Built-in Agent Builder, Deep research, Document analysis, Multi-model support, and API connectivity for agents.

このリポジトリでは、トークナイザーの最適化を提供しています。

深層学習Transformerテキスト

用途: トークナイザーの最適化
難易度: Easy
コスト: Medium

表形式向き深層学習Transformer分類検出画像

presidio — An open-source framework for detecting, redacting, masking, and anonymizing sensitive data (PII) across text, images, and structured data. Supports NLP, pattern matching, and customizable pipelines.

presidioは、テキスト、画像、構造化データを含む敏感データを検出、削除、マスク、アノニマイズするオープンソースフレームワークです。自然言語処理、パターンマッチング、カスタマイズ可能なパイプラインをサポートします。

用途: データのプライバシーを保護する
難易度: Easy
コスト: Low

When Does Scale-Invariant Optimization Become Unstable? An Exact Schedule Law with Weight Decay

Normalization renders large parts of neural networks effectively scale invariant, inducing a hidden feedback l

深層学習CNN回帰テキスト

用途: 回帰
難易度: Hard
コスト: High

説明可能品質予測/異常検知深層学習Transformer生成テキスト

SAEScientist-Bench: Can AI Agents Conduct Autonomous SAE Interpretability Research?

While research on recursive self-improvement (RSI) has predominantly automated model training pipelines, relia

用途: 生成
難易度: Hard
コスト: High

コンピュータビジョン物体検出テキストマルチモーダル

To Adapt or Not to Adapt? Selective Adaptation for Vision-Language Models

Test-time adaptation (TTA) has emerged as a prominent strategy for adapting vision-language models to distribu

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

EMBLEM: Enhancing Multi-script Table Detection through Masking

Table detection is a core task in document analysis, supporting downstream applications such as information re

自然言語処理ファインチューニング検出QA検索

用途: 検出
難易度: Hard
コスト: High

説明可能品質予測/異常検知深層学習Transformer検出生成異常検知

SIM: Subspace Interaction-based Method for Token-Level Text Anomaly Detection

Token-level text anomaly detection, as an emerging trend of text anomaly detection, moves beyond coarse-graine

用途: 検出
難易度: Easy
コスト: Low

コンピュータビジョンセグメンテーション生成画像テキスト

Geodesic-informed Generative Diffusion Model For Topology-preserved Image Video Generation

Generative diffusion models have emerged as a class of powerful techniques for various imaging applications, i

用途: 生成
難易度: Hard
コスト: High

品質予測/異常検知深層学習Transformerテキスト

SkillAdam: Stable and Efficient Skill Evolution for Agents

Agent skills provide a lightweight way to equip frozen language-model agents with domain knowledge and procedu

用途: 技術検証・論文読解補助
難易度: Easy
コスト: Medium

Do New Attention Mechanisms Actually Fix Attention Sinks at Million-Token Context?

Long context language models now advertise windows of one million tokens, but two habits limit how much of tha

深層学習Transformerテキスト

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

FPicker: Topology-Guided Evolution for Filament Tracing in Low-SNR Microscopy

Automating filament tracing in Cryo-Electron Microscopy (Cryo-EM) is essential for 3D helical reconstruction b

深層学習Transformer検出画像テキスト

用途: 検出
難易度: Hard
コスト: High

MemForest: Efficient Agent Memory Management via EventTree Partitioning and Progressive Merging

Agent memory systems have demonstrated significant potential in long-term dialogue, personalized assistants, a

深層学習軽量化・量子化テキスト動画マルチモーダル

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

3DWay: Generalizing Robot Manipulation via 3D Consistent Waypoints

Intermediate representations are key to bridging the modality gap between generalizable manipulation policies

コンピュータビジョン3D・点群画像テキスト3D

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Router Prior Bias: Preserving Base Routing Structure in MoE Post-Training

Mixture-of-Experts (MoE) pretraining relies on an auxiliary load-balancing loss (LBL) to drive per-expert util

自然言語処理ファインチューニングテキスト

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

センサ/時系列自然言語処理大規模言語モデル検出生成QA

From Coordinates to Candidate Regions: Temporal Change Localization via Region Selection in Remote Sensing Multimodal LLMs

Remote sensing multimodal large language models (RS-MLLMs) have advanced scene understanding and visual questi

用途: 検出
難易度: Hard
コスト: High

Snugi-AI-v2 @ eRisk 2026 Task 2: Early Depression Detection via a Learned Stopping Policy with Sustained Confidence Gate

We describe the Snugi-AI-v2 submission to eRisk 2026 Task 2, the second edition of contextualized early depres

深層学習Transformer分類検出テキスト

用途: 分類
難易度: Hard
コスト: High

自然言語処理プロンプトエンジニアリング生成セグメンテーション画像

MorphoOrgaAgent: A Foundation-Model-Based Multi-Agent System for Autonomous Organoid Analysis

Organoids are three-dimensional tissue models whose morphology provides important insights into tumor developm

用途: 生成
難易度: Easy
コスト: Medium

深層学習Transformerセグメンテーションテキスト3D

TRIUNE-Net: Harmonizing Scale, Shape, and Efficiency in Pancreatic Tumor Segmentation

Pancreatic tumor segmentation in 3D CT volumes is challenged by extreme scale variability across both the panc

用途: セグメンテーション
難易度: Hard
コスト: High

品質予測/異常検知自然言語処理大規模言語モデル検出生成画像

Human-Centric Image Captioning with Subject-Centered Spatial Understanding

While multimodal large language models (MLLMs) achieve remarkable performance on generic image captioning, the

用途: 検出
難易度: Hard
コスト: High

Bridging Language and Physics: Automated Design of Continuum Robots with Large Language Models

Large language models (LLMs) have recently emerged as a promising tool for automating robot design from high-l

自然言語処理大規模言語モデル生成テキスト強化学習

用途: 生成
難易度: Hard
コスト: High

githubGitHubあり2026-09-08

FinGPT — FinGPT: Open-Source Financial Large Language Models! Revolutionize 🔥 We release the trained model on HuggingFace.

このリポジトリでは、Lecture Learning Modelsに対してReinforcement Learningを実行するライブラリを提供しています。

用途: 可搬性のあるReinforcement Learning
難易度: Easy
コスト: High

githubGitHubあり2026-09-08

txtai — 💡 All-in-one AI framework for semantic search, LLM orchestration and language model workflows

LLMを利用するために、セマンティック検索やLLMのオーケストレーションなどを行えるフレームワーク。

深層学習Transformer生成テキスト

用途: セマンティック検索
難易度: Easy
コスト: High

githubGitHubあり2026-09-08

TextBlob — Simple, Pythonic, text processing--Sentiment analysis, part-of-speech tagging, noun phrase extraction, translation, and more.

テキスト分析、センチメント分析や単語分割などを行えるライブラリ。

自然言語処理テキスト音声

用途: テキスト分析
難易度: Easy
コスト: Medium

MetaKV: Adaptive KV Cache Compression for Constrained LLM Inference

Key--value (KV) cache compression is an effective way to reduce the memory overhead of large language model (L

深層学習軽量化・量子化QAテキスト

用途: QA
難易度: Hard
コスト: High

Think Wider: Mitigating Latent Rank Collapse in Implicit Chain-of-Thought Reasoning

Chain-of-thought (CoT) reasoning improves the reasoning ability of large language models by introducing interm

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

TFTrack: A Template-Free Framework for Efficient 3D Point Cloud Tracking

LiDAR-based 3D Single Object Tracking (3D SOT) is critical for robotic perception and navigation and aims to l

深層学習軽量化・量子化検出テキスト3D

用途: 検出
難易度: Hard
コスト: High

From Citations to Contributions: LLM-Assisted Credit Scoring of Research Articles

Citation-based measures of scientific influence typically treat citations as uniform signals, ignoring the dif

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

ObGynLongBench: Revealing the Evidence-to-EHR Gap in Longitudinal EHR Decision-Making

The application of large language models (LLMs) to personalized medical assistants has garnered growing intere

自然言語処理大規模言語モデルQAテキスト

用途: QA
難易度: Hard
コスト: High

品質予測/異常検知深層学習Transformerテキスト

SPARROW: Scalable Taxonomy Induction via Structure-Preserving Partitioning and Constraint-Guided Merging

Taxonomy induction aims to organize concept sets into coherent hierarchical structures. Recent LLM-based metho

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Probing the Structure and Dynamics of LLM Value Expression through Value Conflicts

Ethical evaluation of Large Language Models (LLMs) often characterizes model values as static and monolithic.

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

品質予測/異常検知深層学習軽量化・量子化テキスト強化学習

Revisiting Complete Reasoning Traces for Post-Training

Large language models (LLMs) are often post-trained on pre-collected reasoning trajectories to improve their r

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

品質予測/異常検知深層学習軽量化・量子化検出生成QA

Where to Look and What to Use: Retrieve-Localize-Generate for Long-Term Conversational Memory Question Answering

Retrieval-augmented generation (RAG) enables large language models (LLMs) to answer questions by accessing ext

用途: 検出
難易度: Hard
コスト: High

Aha-Flow Distillation: Flow Markers Matter in LLM Reasoning

We identify the Flow Moment, a reasoning pattern characterized by sustained, process-confirming verbalizations

MI向き深層学習軽量化・量子化テキスト

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Train Overcomplete, Deploy Compact: Scaling Recovery Capacity for Structured LLM Pruning

Large language models achieve strong performance across diverse tasks, but deployment remains costly because o

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Unified Vision-Centric Pedestrian Crossing Action Prediction via Adaptive Patch Projection and Proactive Spatial Rectification

Vision cues are available and informative for pedestrian action prediction, but obtaining stable target-centri

深層学習軽量化・量子化画像テキスト動画

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

コンピュータビジョンマルチモーダル画像テキスト動画

NutriBench-Kitchen: Benchmarking Embodied AI for Nutrition Management

An embodied kitchen assistant must do more than recognize food in isolated frames. It must track ingredient st

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

表形式向き自然言語処理大規模言語モデル分類検出テキスト

SupGRPO: Enhancing GRPO with Matching-based Online SFT for Text Spotting

Text spotting requires both accurate text recognition and precise spatial localization. Current specialised sp

用途: 分類
難易度: Hard
コスト: High

品質予測/異常検知コンピュータビジョンセグメンテーション画像テキスト

Continuous Token-Level Spatio-Temporal Context Modeling for Visual Object Tracking

Spatio-temporal context has become increasingly crucial for visual tracking. However, most existing approaches

用途: 技術検証・論文読解補助
難易度: Easy
コスト: Medium

SpatialBlock: Enhancing Spatial Intelligence in LVLMs via Synthetic Block-Stacking Problem

Large Vision-Language Models (LVLMs) have achieved strong performance on diverse visual tasks, yet their abili

自然言語処理RAGQA画像テキスト

用途: QA
難易度: Hard
コスト: High

少数データ向き自然言語処理プロンプトエンジニアリング画像テキストマルチモーダル

Re-calibrated Contrastive Loss for Transformation-Aware Prompt Conditioning in Vision-Language Models

Ensuring effective transfer learning for vision-language models without compromising their generalization perf

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Functional-SLAM: Interaction-Aware Mapping with Online Functional Scene Graphs

Existing SLAM systems lack modeling of the functional relations required for fine-grained robotic interaction.

深層学習軽量化・量子化画像テキスト3D

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

MEMOBench: A Process Level Memory Benchmark for Robotic Manipulation

Robotic manipulation often requires acting on information that is no longer visible, yet Vision-Language-Actio

自然言語処理RAGテキストマルチモーダル

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

huggingfaceGitHubありHugging Faceあり2026-09-07

Online Draft Co-Training for Speculative Decoding in Large-Scale, Long-Context RL Post-Training

Speculative decoding accelerates rollout generation, which dominates the cost of reinforcement learning (RL) p

強化学習方策勾配 (PPO / A3C)生成テキスト

用途: 生成
難易度: Easy
コスト: High

自然言語処理大規模言語モデル生成テキストマルチモーダル

githubGitHubあり2026-09-07

generative-ai — Comprehensive resources on Generative AI, including a detailed roadmap, projects, use cases, interview preparation, and coding preparation.

ゼネレーティブAIに関連するリソースの一覧。

用途: ゼネレーティブAI
難易度: Easy
コスト: High

githubGitHubあり2026-09-07

langextract — A Python library for extracting structured information from unstructured text using LLMs with precise source grounding and interactive visualization.

LLMを使用して、自然言語処理における情報抽出を行うためのPythonライブラリです。

自然言語処理大規模言語モデル画像テキスト

用途: 自然言語処理情報抽出
難易度: Easy
コスト: High

githubGitHubあり2026-09-07

awesome-nlp — :book: A curated list of resources dedicated to Natural Language Processing (NLP)

このリポジトリは自然言語処理(NLP)に関するリソースをまとめたものです。

自然言語処理テキスト

用途: NLPリソースのまとめ
難易度: Easy
コスト: Medium

AuthBench: A Large-Scale Multilingual Benchmark for Authorship Representation across Genres and Lengths

Authorship signals matter in settings where writing style carries identity: digital forensics, plagiarism anal

自然言語処理RAG検出テキスト

用途: 検出
難易度: Easy
コスト: Low

Data Efficient Sample Selection for In-Context Learning

The In-context learning (ICL) paradigm aids large language models (LLMs) to adapt to new tasks without need fo

説明可能深層学習軽量化・量子化テキスト

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

EviMap: Evidence-Grounded Hierarchical Topic Maps for Exploring Unlabeled Corpora

Research teams and organizations often explore unfamiliar free-text collections, from survey comments and revi

自然言語処理大規模言語モデルテキスト動画

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Cross-Lingual Representation Alignment by Token-Level Optimal Transport in a Language-Agnostic Space

Cross-lingual alignment (CLA) aims to align the representations of large language models (LLMs) across languag

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

huggingfaceHugging Faceあり2026-09-06

Multi-Grid Post-Training for Long-Form Multi-Shot Video Generation

Generating long-form multi-shot videos requires coherent within-shot motion and visually consistent narratives

自然言語処理埋め込み・検索生成セグメンテーション画像

用途: 生成
難易度: Easy
コスト: High

huggingfaceGitHubありHugging Faceあり2026-09-05

Steering Geometry: Validating Human Value Geometry in LLM Steering Space

As large language models (LLMs) are increasingly deployed in alignment-sensitive contexts, activation steering

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-09-05

Cadence: Error-Bounded Lossy Compression of Demand Time Series with a Time-Series Foundation Model

We present Cadence, an error-bounded lossy compressor for numeric time series pairing a 330M-parameter time-se

センサ/時系列コンピュータビジョンセグメンテーション検出テキスト時系列

用途: 検出
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-09-05

VDiff-Bench: A Challenging Benchmark for Fine-Grained Image Difference Identification

Multimodal Large Language Models (MLLMs) perform strongly on general visual understanding tasks such as visual

自然言語処理大規模言語モデルQA画像テキスト

用途: QA
難易度: Easy
コスト: High

arxivGitHubあり2026-09-04

RoboSPA: Can VLA Models Go Beyond Simple Scenes and Short-Horizon Tasks?

Vision-Language-Action (VLA) models have shown promising progress in language-conditioned robotic manipulation

コンピュータビジョンマルチモーダルテキスト

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

huggingfaceGitHubありHugging Faceあり2026-09-04

SceneMosaic: Efficient and Diverse Simulation-Ready Scene Generation via Hybrid Agentic Layout Evolution

Diverse and simulation-ready indoor scenes are essential for interactive entertainment and embodied AI, yet th

品質予測/異常検知深層学習軽量化・量子化生成画像テキスト

用途: 生成
難易度: Easy
コスト: High

BeaconKV: Key-Value Cache Compression Guided by Beacon Queries for Efficient Large Reasoning Model Inference

Large Reasoning Models (LRMs) achieve superior problem-solving through extended Chain-of-Thought (CoT) generat

深層学習軽量化・量子化生成テキスト

用途: 生成
難易度: Easy
コスト: High

品質予測/異常検知自然言語処理大規模言語モデル回帰テキスト

What LLM Trading Agents Actually Do in Production: A Six-Month, Population-Scale Record from Two Fleets

We present a continuous, population-scale measurement record of autonomous language-model trading agents opera

用途: 回帰
難易度: Easy
コスト: High

What Did I Just Say? Self-Listening for Full-Duplex Speech Models

Full-duplex spoken language models can listen and speak simultaneously, enabling them to handle interruptions

生成AI音声・音楽生成生成テキスト音声

用途: 生成
難易度: Easy
コスト: High

MI向き深層学習Transformer異常検知画像テキスト

RenderFormer-V2: Neural Rendering with Heterogeneous Scene Primitives

We present 'RenderFormer-V2', a unified learned transformer-based neural rendering model, complementary to mod

用途: 異常検知
難易度: Easy
コスト: High

huggingfaceGitHubありHugging Faceあり2026-09-04

Learning 3D Editing without Paired Supervision via Generative Prior Distillation

Instruction-guided 3D editing is essential for interactive content creation, yet it faces a significant bottle

品質予測/異常検知深層学習軽量化・量子化生成画像テキスト

用途: 生成
難易度: Easy
コスト: High

Don't Drop Dropout: Optimizing Layer Sparsity for Efficient LLM Training and Inference

Layer dropout (a.k.a. stochastic depth) has been shown to enable faster training, higher accuracy, and robustn

深層学習Transformerテキスト

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

Ask Before You Optimize: Dynamic Pre-Formulation Clarification for Interactive Optimization

Large language models (LLMs) are increasingly used to formulate optimization models from natural-language prob

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

huggingfaceGitHubありHugging Faceあり2026-09-04

Beneath the Surface of Chains-of-Thought: A Mechanistic Interpretation of Reasoning Operations in LLMs

Reasoning in large language models unfolds through diverse functional operations, such as problem formulation,

MI向き自然言語処理大規模言語モデルテキスト

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

品質予測/異常検知深層学習Transformerテキスト3D

UniMate: One Unified Model to Animate Diverse Skeletons

Recent advances in automatic rigging now deliver animation-ready 3D assets at scale, yet generating the motion

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

品質予測/異常検知深層学習軽量化・量子化生成テキスト

RISE: Recursive Improvement via Self-Extrapolating Policy Distillation

On-policy distillation (OPD) provides dense, per-token supervision for language model post-training, but its e

用途: 生成
難易度: Easy
コスト: High

自然言語処理ファインチューニング画像テキストマルチモーダル

Knowing What Not to Answer: Selective Non-Compliance in Vision-Language Models

Vision-language models (VLMs) are expected to respond helpfully to appropriate requests while withholding comp

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

Refuse without Refusal: A Structural Analysis of Safety-Tuning Responses for Reducing False Refusals in Language Models

Striking a balance between helpfulness and safety remains a fundamental challenge in aligning large language m

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

githubGitHubあり2026-09-04

Awesome-Video-Diffusion-Models — [CSUR] A Survey on Video Diffusion Models

この論文では、映像 diffuision モデルを用いて変化する動画の差分を予測する方法を説明する。

生成AI拡散モデル生成テキスト動画

用途: 変化する動画の差分予測
難易度: Easy
コスト: High

説明可能MI向き品質予測/異常検知コンピュータビジョン物体検出検出画像テキスト

arxivGitHubあり2026-09-03

Understanding Autonomous Driving Datasets by Describing Differences between Image Subsets in Natural Language

Understanding the composition of large-scale autonomous driving datasets is essential for safety, robustness,

用途: 検出
難易度: Hard
コスト: High

arxivGitHubあり2026-09-03

Abstraction Agent

Information abstraction, which groups strategically similar private states into a tractable number of buckets,

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

品質予測/異常検知深層学習軽量化・量子化生成テキスト

Unlocking Lossless Speedups in LLMs via Discrete Diffusion

Large Language Models (LLMs) owe much of their success to next-token prediction (NTP), but their autoregressiv

用途: 生成
難易度: Easy
コスト: High

FlowBalance: Verifier-Grounded Self-Improvement from On-Policy Reasoning Experience

A reasoning model can improve from its own on-policy experience, but this inner loop is fragile: terminal veri

自然言語処理RAGテキスト

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

品質予測/異常検知自然言語処理RAG分類セグメンテーション画像

ENEAS: Embedding-guided Neural Ensemble for Adaptive Segmentation

We present ENEAS, a unified, text-promptable method for instance tracking and semantic discovery. Text-prompta

用途: 分類
難易度: Easy
コスト: High

What Else Needs Fixing? Exploring Cost-Effective Test-Time Compute for Revision Propagation in Artifacts Generated Through Conversation

Large Language Models (LLMs) often help users generate artifacts through iterative cycles of generation and re

自然言語処理大規模言語モデル生成テキスト

用途: 生成
難易度: Easy
コスト: High

Iris: Climbing to the Search Frontier

We present Iris-mini and Iris-pro, two search agents trained at the 35B-A3B and 397B-A17B scales, together wit

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

品質予測/異常検知深層学習Attention機構生成画像テキスト

The Attention Triangle in Audio-Video Models

Audio-video diffusion models rely on cross-modal attention to coordinate text, sound, and visual content, yet

用途: 生成
難易度: Easy
コスト: High

MaxKernel: Agentic Kernel Generation for TPUs

Designing and authoring high-performance custom kernels for accelerators is a complex task that requires deep

自然言語処理大規模言語モデル生成テキスト

用途: 生成
難易度: Easy
コスト: High

Unfold The World: Factorize 4D Properties in Reinforcing Spatial Reasoning

Despite the remarkable prowess of Vision-Language Models (VLMs) in general multimodal tasks, they remain funda

コンピュータビジョン3D・点群画像テキスト動画

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

品質予測/異常検知自然言語処理大規模言語モデルテキスト強化学習

When Models Edit Too Much: On the Fidelity of Minimal Code Edits

Large language models (LLMs) are increasingly used to edit existing code, but correctness alone is not enough:

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

コンピュータビジョンセグメンテーション分類生成画像

AdaptVPR: Route-Aware Hard Positive Generation for Robust Visual Place Recognition

Visual Place Recognition (VPR) localizes a query image by retrieving database images of the same or nearby pla

用途: 分類
難易度: Easy
コスト: High

Compile by Training: Turning Natural-Language Specifications into Local Neural Functions

Many recurring text functions are easy to describe but difficult to implement with rules, while calling a larg

コンピュータビジョン3D・点群テキスト3D

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

Terminal-Universe: Turning Agent Trajectories into Scalable Terminal Environments

As terminal-based code agents become prevalent, agent trajectories have accumulated at scale, while realistic,

自然言語処理ファインチューニングテキスト

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

LLaDA-Image: Building Strong Image Generators with Fully Open Training Recipes

We introduce LLaDA-Image, a unified framework that pairs a 6B Diffusion Transformer (DiT) trained from scratch

深層学習Transformer生成画像テキスト

用途: 生成
難易度: Easy
コスト: High

Random Attention: Rethinking KV Cache Eviction for Efficient Reasoning

Large language models achieve superior performance on tasks that require extended reasoning, but long chains o

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

Rethinking On-Policy Distillation of Large Language Models II: One Training Example

On-policy distillation (OPD) combines student-generated rollouts with dense token-level supervision from a tea

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

Why Gated DeltaNet Survives 4-Bit Quantization: NVFP4 W4A4 for the Recurrent Half of a Hybrid 27B LLM

Hybrid LLMs pair softmax attention with linear-attention layers such as Gated DeltaNet (GDN), whose recurrent

深層学習RNN / LSTMテキスト

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

Last Translation Benchmark

For scientific progress, we need benchmarks that test the limits of state-of-the-art models, and evaluation me

深層学習Transformer翻訳画像テキスト

用途: 翻訳
難易度: Easy
コスト: High

Beyond Retrieval: Progressive Latent Memory Evolution for Streaming Video Understanding

Streaming video understanding requires multimodal large language models (MLLMs) to process continuous visual i

自然言語処理大規模言語モデル画像テキスト動画

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

品質予測/異常検知自然言語処理大規模言語モデル画像テキスト動画

WorldReward: Reward Modeling for Camera-Conditioned World Models

Camera-conditioned world models generate interactive videos in which commanded actions should induce the expec

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

品質予測/異常検知強化学習マルチエージェント検出テキスト

PACE: Towards Surfacing Hidden Conflicts in User Requests

Personalized assistants should not only comply with user requests but also assess whether those requests are a

用途: 検出
難易度: Easy
コスト: Low

Principia: Relational Physics Tests for Video Models

Evaluating physical reasoning in video models is difficult because absolute motion measurements depend on fram

深層学習Transformer生成画像テキスト

用途: 生成
難易度: Easy
コスト: High

Select, Compress, Reinvest: A Controlled Study of Visual-Token Allocation in Long-Video MLLMs

Long-video language models cannot look at every frame: an hour sampled once per second is 3,600 images, and a

自然言語処理大規模言語モデル画像テキスト動画

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

自然言語処理プロンプトエンジニアリングテキスト3D

arxivGitHubあり2026-09-02

H3DNAS: Hardware-Aware ONNX-Native 3D Point Cloud Model Compression

Deploying 3D point cloud models on edge hardware such as the NVIDIA Jetson Orin Nano is severely constrained b

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

huggingfaceHugging Faceあり2026-09-02

MasterControl Seventeen Every Time

We study a governed approach to enterprise analytics: a language model interprets the question, while determin

機械学習教師あり学習テキスト

用途: 技術検証・論文読解補助
難易度: Easy
コスト: Medium

huggingfaceGitHubありHugging Faceあり2026-09-02

Bilevel Coordinated Reflection: A Game-Theoretic Approach to Multi-Agent LLM Systems

Multi-agent LLM systems commonly use an orchestrator to decompose a task for a team of workers and then improv

品質予測/異常検知自然言語処理大規模言語モデルテキスト

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

huggingfaceGitHubありHugging Faceあり2026-09-02

ShallowStream: Index Shallow then Answer Deep for Streaming Video Understanding

Streaming video understanding is a critical capability for real-world applications, including embodied intelli

深層学習軽量化・量子化画像テキスト動画

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-09-02

The Missing Temporal Link: Temporal Context Routing for Script-Driven Audio-Video Generation

Joint audio-video generation models have made substantial progress in visual quality and audio-visual synchron

品質予測/異常検知コンピュータビジョン動画認識生成画像テキスト

用途: 生成
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-09-02

VeriPhy: Agentic Physical Reasoning for World Model Evaluation and Refinement

Visual fluency in generated video does not imply physical reliability, and a scalar quality score alone is inc

MI向き品質予測/異常検知コンピュータビジョンセグメンテーション検出生成画像

用途: 検出
難易度: Easy
コスト: High

githubGitHubあり2026-09-02

VoxCPM — VoxCPM2: Tokenizer-Free TTS for Multilingual Speech Generation, Creative Voice Design, and True-to-Life Cloning

マルチラギングスピーチ生成やクリエイティブボイスデザイン、ルートライフクライミングなど、テクスチャファリーTTSの最新技術を実現するためのフレームワークです。

生成AI音声・音楽生成生成テキスト音声

用途: マルチラギングスピーチ生成
難易度: Easy
コスト: Medium

深層学習軽量化・量子化セグメンテーションテキスト音声

arxivGitHubあり2026-09-01

Artificial Rosetta Stone: Constrained Maximum A Posteriori (MAP) Reconstruction of Symbolic Raga Sequences via Order-k Markov Models

Reconstructing a damaged musical fragment is an inverse problem: the observed sequence contains partial inform

用途: セグメンテーション
難易度: Easy
コスト: Low

huggingfaceHugging Faceあり2026-09-01

Enoki: Efficient Multi-Level Hallucination Detection

Ensuring factuality remains a critical challenge for deploying LLMs in high-stakes settings. Existing hallucin

説明可能深層学習軽量化・量子化検出テキスト

用途: 検出
難易度: Easy
コスト: High

huggingfaceGitHubありHugging Faceあり2026-09-01

LatentPress: Context Compression Beyond Text and Vision

Compressed context is usually carried as human-readable text or as rendered images that must be decoded, even

自然言語処理プロンプトエンジニアリング要約画像テキスト

用途: 要約
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-08-31

RealSWE: A Compositional Evaluation of Coding Agents under Realistic User Requests

Coding agents are now commonly evaluated on the SWE-bench family of benchmarks, whose tasks are built from cur

MI向き自然言語処理大規模言語モデルテキスト

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

githubGitHubあり2026-08-31

Matcha-TTS — [ICASSP 2024] 🍵 Matcha-TTS: A fast TTS architecture with conditional flow matching

Matcha-TTSは、高速で条件付き流のマッチングを実現するTTSアーキテクチャであり、話者の特徴を考慮する。

生成AI拡散モデルテキスト音声

用途: TTSアーキテクチャ設計
難易度: Easy
コスト: High

githubGitHubあり2026-08-30

Open-DiffusionGS — Baking Gaussian Splatting into Diffusion Denoiser for Fast and Scalable Single-stage Image-to-3D Generation and Reconstruction (ICCV 2025)

Baking Gaussian Splatting into Diffusion Denoiser for Fast and Scalable Single-stage Image-to-3D Generation an

コンピュータビジョン3D・点群生成画像テキスト

用途: 生成
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-08-29

Recognition-Refusal Misalignment in LLMs: Why Models Answer Structurally Unanswerable Questions

Large language models often answer structurally unanswerable questions, such as computing cot(-540°) or evalua

自然言語処理大規模言語モデル分類生成テキスト

用途: 分類
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-08-29

To See a World in a Living Context: Unified Indoor-Outdoor Urban World Generation

Text-driven 3D generation has advanced rapidly in creating large-scale outdoor environments and detailed indoo

自然言語処理RAG生成画像テキスト

用途: 生成
難易度: Easy
コスト: High

品質予測/異常検知深層学習軽量化・量子化生成テキスト動画

githubGitHubあり2026-08-28

Causal-Forcing — [ICML 2026] Official codebase for "Causal Forcing: Autoregressive Diffusion Distillation Done Right for High-Quality Real-Time Interactive Video Generation" & Causal Forcing++

この論文では、Causal-Forcing: Autoregressive Diffusion Distillation Done Right for High-Quality Real-Time Interactive

用途: 高品質のビデオ生成を実現する。
難易度: Easy
コスト: High

githubGitHubあり2026-08-28

trafilatura — Python & Command-line tool to gather text and metadata on the Web: Crawling, scraping, extraction, output as CSV, JSON, HTML, MD, TXT, XML

trafilaturaはPythonとコマンドラインツールで、Webからテキストとメタデータを取得して、CSV、JSON、HTML、MD、TXT、XML形式で出力を提供します。

表形式向き自然言語処理大規模言語モデルテキスト

用途: Web上から情報を取得してテキスト抽出する
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-08-27

Knowing When Not to Reuse: Conditional Experience Transfer in Autonomous LLM Post-Training

Large language models offer broad capabilities, but adapting them to evolving domains, tools, and requirements

品質予測/異常検知自然言語処理大規模言語モデルテキスト

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

説明可能コンピュータビジョンセグメンテーションテキスト

arxivGitHubあり2026-08-26

Quantum-Inspired Modeling of Driving Behavior

Driver behavior is heterogeneous, context-dependent, and changes over time, and these properties shape the tra

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

品質予測/異常検知深層学習軽量化・量子化生成テキスト

arxivGitHubあり2026-08-26

ES-AHD: An Evolution Strategy Framework for Automatic Heuristic Design

In this paper, we introduce ES-AHD, a novel framework that fundamentally integrates Evolution Strategy (ES) in

用途: 生成
難易度: Hard
コスト: High

huggingfaceHugging Faceあり2026-08-26

One Symptom, Three Levers: A Critical Review of On-Policy Self-Distillation

On-policy distillation trains a language model on its own generations while a teacher scores them token by tok

深層学習軽量化・量子化生成テキスト強化学習

用途: 生成
難易度: Easy
コスト: Medium

githubGitHubあり2026-08-26

vowpal_wabbit — Vowpal Wabbit is a machine learning system which pushes the frontier of machine learning with techniques such as online, hashing, allreduce, reductions, learning2search, active, and interactive learning.

Vowpal Wabbitは、機械学習を進歩させるためのオンライン学習、ハッシュ、reduceなどの強力なアルゴリズムを含むシステムです。その結果、さまざまな問題に応じて、高品質な解決策を提供できます。

強化学習テキスト

用途: 強い機械学習アルゴリズムを実行し複雑な問題を解決するためのシステム
難易度: Easy
コスト: Medium

自然言語処理大規模言語モデルテキストマルチモーダル自己教師

githubGitHubあり2026-08-26

unilm — Large-scale Self-supervised Pre-training Across Tasks, Languages, and Modalities

Large-scale Self-supervised Pre-training Across Tasks, Languages, and Modalities

用途: 実装・検証基盤
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-08-25

Real-World Knowledge-Guided Change Data Synthesis for Remote Sensing

Change data synthesis provides a cost-effective solution for expanding training data and improving the perform

センサ/時系列自然言語処理RAG検出生成テキスト

用途: 検出
難易度: Easy
コスト: High

githubGitHubあり2026-08-25

wunjo.wladradchenko.ru — Wunjo CE: Face Swap, Lip Sync, Control Remove Objects & Text & Background, Restyling, Audio Separator, Clone Voice, Video Generation. Open Source, Local & Free.

Wunjo CE: Face Swap, Lip Sync, Control Remove Objects & Text & Background, Restyling, Audio Separator, Clone V

生成AI拡散モデル生成テキスト音声

用途: 生成
難易度: Easy
コスト: High

条件最適化自然言語処理ファインチューニング生成回帰テキスト

arxivGitHubあり2026-08-24

JANUS: Online Jacobian-Aligned Infill for Black-Box Optimization

Population optimizers such as CMA-ES, DE, and multi-objective evolutionary algorithms drive search mainly thro

用途: 生成
難易度: Hard
コスト: High

githubGitHubあり2026-08-24

spaCy — 💫 Industrial-strength Natural Language Processing (NLP) in Python

spaCyはPythonで動くIndustrial-strength Natural Language Processing(Language理解の高度なライブラリです。文脈理解、構文解析、名詞の抽出など、複雑なNLPタ

機械学習教師あり学習分類テキスト

用途: ライブラリの紹介
難易度: Easy
コスト: Low

githubGitHubあり2026-08-24

simple-csc — This repository provides an implementation of "A Simple yet Effective Training-free Prompt-free Approach to Chinese Spelling Correction Based on Large Language Models" and "A Training-free LLM-based Approach to General Chinese Character Error Correction".

This repository provides an implementation of "A Simple yet Effective Training-free Prompt-free Approach to Ch

用途: 実装・検証基盤
難易度: Easy
コスト: High

githubGitHubあり2026-08-24

Helios — Helios: Real Real-Time Long Video Generation Model

長時間のビデオ生成を実現するためのモデルのサポートを紹介している。

深層学習軽量化・量子化生成画像テキスト

用途: ビデオ生成
難易度: Easy
コスト: High

githubGitHubあり2026-08-21

aarambh-studio — 🦀 Decoder-only LLM built from scratch in pure Rust using Candle — no Python, no PyTorch. Gated DeltaNet + sparse attention, fine-grained MoE, native video/document understanding, long-horizon tool agents, quantization-aware training. Scales: Tiny (25M) to Large (1.3B).

Rust言語でCandleライブラリを利用して、PythonやPyTorchを使用せずにDecoder-only LLMを自作した。

深層学習軽量化・量子化テキスト動画マルチモーダル

用途: Decoder-only LLMをビルドする
難易度: Easy
コスト: High

githubGitHubあり2026-08-20

ComfyUI-LTXVideo — LTX-Video Support for ComfyUI

医療画像分析で、深層學習モデルが実装されている問題に対する解決策を提示します。治療を導くために、批判的結果に影響を与える変化について特に重点が置かれています。

生成AI拡散モデル生成画像テキスト

用途: 医療画像を分析し治療を導く
難易度: Easy
コスト: High

githubGitHubあり2026-08-16

FlowEdit — Official implementation of the paper: "FlowEdit: Inversion-Free Text-Based Editing Using Pre-Trained Flow Models"

画像エディティング用推論モデルの改良方法についての公式実装であるFlowEdit。

生成AI拡散モデル生成画像テキスト

用途: 画像エディティング用推論モデルの改良
難易度: Easy
コスト: High

githubGitHubあり2026-08-14

Awesome-Embodied-Robotics-and-Agent — This is a curated list of "Embodied AI or robot with Large Language Models" research. Watch this repository for the latest updates! 🔥

Embodied AIやロボットとLarge Language Modelを組み合わせた研究のリポジトリ。

用途: Embodied AIやロボット研究
難易度: Easy
コスト: High

arxivGitHubあり2026-08-08

A Hybrid Nested Harness for Decoupling Structure and Parameters in LLM-Driven Optimization

In evolutionary algorithms powered by language models, the LLM acts as a single operator that simultaneously u

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

huggingfaceHugging Faceあり2026-08-07

Training-Free Speech-Centric Omni Understanding with Frozen VLMs

Audio-visual understanding remains challenging because models must jointly interpret spoken content, visual ev

センサ/時系列自然言語処理RAGQA画像テキスト

用途: QA
難易度: Easy
コスト: High

arxivGitHubあり2026-08-03

Spike-HTR: Spiking Neural Transformer for Handwritten Text Recognition

Handwritten Text Recognition (HTR) is computationally imbalanced in two ways: most image pixels are background

深層学習Transformer分類画像テキスト

用途: 分類
難易度: Easy
コスト: Low