本記事は Advancing the frontier of video understanding with Gemini 2.5 — Google Developers Blog の解説記事です。 ブログ概要（Summary） Google Developers Blogが2025年5月9日に公開した本記事では、Gemini 2.5 Proの動画理解能力について詳細に報告している。著...

本記事は OctoTools: An Agentic Framework with Extensible Tools for Complex Reasoning (arXiv:2502.18145) の解説記事です。 論文概要（Abstract） OctoTools は、複雑な推論タスクにおける複数ツールの協調利用を効率化するエージェントフレームワークである。従来のエージェントシステムが...

論文概要（Abstract） MCTS-RAG（Hu et al., 2025）は、Monte Carlo Tree Search（MCTS）とRetrieval-Augmented Generation（RAG）を統合するフレームワークです。RAG単体の「推論深度不足」とMCTS単体の「事実的接地の欠如」を同時に解決し、7Bパラメータの小規模言語モデルでGPT-4oと競合する性能を実現し...

論文概要（Abstract） MindSearchは、人間の認知過程を模倣したマルチエージェント型Web検索フレームワークです。WebPlanner（DAG構造でサブクエリを計画）とWebSearcher（階層的情報検索を実行）の2エージェント構成で、複雑な質問に対して人間が3時間かかるタスクを3分で完遂します。HotpotQA（マルチホップQA）でReActベースラインを+7.0% EM...

論文概要（Abstract） Speculative RAGは、小型の特化LLM（ドラフター）が複数の文書サブセットから並列に「ドラフト回答」を生成し、大型の汎用LLM（ベリファイアー）が最良のドラフトを選択・洗練する2段階アーキテクチャを提案する。従来のRAGが全文書を1つのLLMに投入する「逐次処理」パターンを、「並列ドラフト + 単一ベリファイ」パターンに変換することで、Trivia...

論文概要（Abstract） ARES（Automated RAG Evaluation System）は、Retrieval-Augmented Generation（RAG）システムをコンテキスト関連性・回答忠実性・回答関連性の3次元で自動評価するフレームワークである。従来のRAG評価は大量の人手アノテーションに依存していたが、ARESは合成データによるLLM Judgeの学習とPre...

本記事は arXiv:2405.09818 Chameleon: Mixed-Modal Early-Fusion Foundation Models の解説記事です。 論文概要（Abstract） Chameleonは、Meta（FAIR）が提案したEarly-Fusion型のトークンベースマルチモーダル基盤モデルである。テキストと画像を任意の順序で理解・生成できる統一アーキテクチャを...

本記事は Google Developers Blog: New Gemini API updates for Gemini 3 の解説記事です。 ブログ概要（Summary） Google Developers Blogが公開したGemini 3 APIの主要アップデート記事では、推論深度を制御するthinking_levelパラメータ、画像・動画・ドキュメント入力のトークン使用量を調...

本記事は MCP-Zero: Active Tool Discovery for Autonomous LLM Agents (arXiv:2503.23278) の解説記事です。 論文概要（Abstract） MCP-Zero は、Model Context Protocol (MCP) 環境において LLM エージェントが利用可能なツール数が大規模（100件以上）になった場合に発生す...

論文概要（Abstract） CoRAG（Chain-of-Retrieval Augmented Generation）は、モデルが反復的・動的に検索クエリを生成しながら情報を取得するフレームワークです（Wang et al., 2025）。最終回答を生成する前に、モデルは過去の検索結果と中間回答に基づいて複数回の検索を行います。Rejection Samplingを用いた学習により、人...