MakiMaki

なぜ音声AIは「思考」が苦手なのか？テキストの呪縛を解く「Step-Audio-R1」

Sun, 23 Nov 2025 00:00:00 -0500

テキストや画像AIでは「長く考えるほど賢くなる」のが常識ですが、音声AI界隈では逆に性能が下がる「逆スケーリング現象」が起きていました。その謎を解明し、解決した技術レポートの解説です。

【主なトピック】
• 思考の病理: 従来の音声AIは音そのものではなく、「テキスト（書き起こし）」を代理にして思考していたため、推論精度に限界があった。
• 解決策 MGRD: 思考をテキストベースから音響特徴量に接地させるフレームワーク「Modality-Grounded Reasoning Distillation」を開発。
• SOTAの達成: 開発されたモデル「Step-Audio-R1」は、Gemini 2.5 Proを上回り、Gemini 3 Proに匹敵する性能を記録。
• 思考崩壊の回避: 強化学習における「フォーマット報酬」の重要性と、学習データの「質（適度な難易度）」がモデルの進化に不可欠であることを実証。

「私は音が聞こえません」というハルシネーション（自己認識エラー）をDPOで克服し、音声AIが真に「思考」を手に入れたブレイクスルーの全貌です。

AIは物理世界を理解できるか？800万データで「空間知能」を実装するSenseNova-SI

Sun, 23 Nov 2025 00:00:00 -0500

最先端のマルチモーダルモデルでも苦手としていた「空間知能（Spatial Intelligence）」を、アーキテクチャの変更ではなく、徹底的なデータスケーリングで解決するプロジェクト「SenseNova-SI」の解説資料です。

【主なトピック】
• 800万サンプルの威力: 空間知能を5つの要素（測定、関係性、メンタル再構築、視点取得、統合推論）に分解し、体系的に学習させることで性能を飛躍的に向上
• GPT-5超えの性能: VSI-BenchやMindCubeなどの主要ベンチマークで、GPT-5やGemini-2.5-proを凌駕するSOTAを達成
• 視点取得 (Perspective-taking) の重要性: これまで不足していた「視点変更」に関するデータを重点的に強化し、AIの空間理解を深める
• 実世界への応用: ファインチューニングなしで、ロボットアームの操作タスク（EmbodiedBench）における指示追従能力が大幅に改善

テキストベースの推論（CoT）の限界を示し、身体性AGI（Embodied AGI）に向けた「データ中心アプローチ」の有効性を実証します。

人間のデータはもう不要？自己進化するAIエージェント「Agent0」の全貌

Sun, 23 Nov 2025 00:00:00 -0500

LLMエージェントの性能向上においてボトルネックとなっていた「人間によるデータ作成」の限界を突破するフレームワーク「Agent0」の解説資料です。

【主なトピック】
• 人間のデータからの脱却: コストとスケーラビリティの壁を超える
• エージェントの共進化 (Co-evolution): 「先生（カリキュラムエージェント）」と「生徒（実行エージェント）」の2つのモデルが相互作用し、タスクの生成と解決を繰り返す仕組み
• 最適化手法 ADPO: 不確実性を考慮し、学習を動的に調整する新しい強化学習手法 (Ambiguity-Dynamic Policy Optimization)
• SOTAの達成: Qwen3-8Bを用いたベンチマークで、従来の自己進化手法やMATHベンチマークを凌駕する性能を記録

ツール利用と強化学習を組み合わせ、AIが自ら賢くなる「好循環」の仕組みを紐解きます。