すべての人に一次情報を
研究者らは、モデルが指示を記憶して再述できても、それを次の応答で守らなくなる現象を「State Integrity Collapse（SIC）」と定義しました。SICは単なる忘却とは異なります。忘却は規則を再生できないことを指しますが、SICは再生（リコール）は可能でも実際の生成
研究の主な発見は、ある読者のL1（母語）で学習したバイリンガル言語モデルが、単一言語（英語）モデルよりもL2（英語）読書時間のばらつきを説明できる点です。L1が読者と一致するモデル（matched）が一致しないモデル（mismatched）や単一言語ベースラインを上回りました。優
概要：PerSoは、実際の説得対話を用い、同一データ上で大規模言語モデル（LLM）の行動的および認知的な社会的知性を評価するベンチマークです。行動タスクはどの応答が説得に成功したかを選ぶ能力を、認知タスクは説得後の被説得者の信念・感情・意図を予測する能力をそれぞれ測定します。デル
主な発見： 7つのモデル設定は、注釈で指定された更新の方向へ平均的に動きました。移動の大きさ（方向付けされた移動 s）は約17.6〜28.3パーセンテージポイントでした。 方法の要点： 解析はδ‑SNLIの240組の前提–仮説ペアを用いました。各ペアに対して1つの“強める”更新と
主な発見 操作的フレーミングは、120人を対象とした統制研究で信頼の調整（trust calibration）と従順性（compliance）に有意な変化をもたらしました（p < 0.01）。効果は参加者間で社会的に伝播しました（拡散の指標あり）。 手法の概要 研究は、4つの構成
要旨 NVIDIAの研究チームが arXiv に公表したプレプリント「Priming Base Models for Agentic Post-Training: An Open Midtraining Recipe」は、事前学習（pretraining）とポストトレーニング（S
要旨 新しい研究「Believed but Not Said」は、複数の大規模言語モデル（LLM）エージェントが参加する議論で、少数の“悪意ある”参加者が繰り返しもっともらしい誤答を投じるだけで、他のエージェントたちの“私的な回答”（内部の信念に相当）に大きな影響を与えることを示
要旨 名前には年齢・性別・人種などの手がかりが含まれるため、言語モデルが無意識に偏った結びつきを学んでいる可能性があります。arXivに公開された研究（arXiv:2610.22053v1）は、ローカルに動かした6種類の大規模言語モデル（パラメータ規模はおよそ1B〜7B）を対象に
要旨 Stanford と CMU の研究チームが提案した「Librarian Agents（図書館員エージェント）」は、大量・分散した文書コーパスを、将来の問い合わせに役立つかたちに先回りして整理する仕組みです。従来の検索は問合せが来てから関連箇所を探す「受動的（リアクティブ）
要旨 言語モデルが覚えているすべての事実が、後続の学習（微調整）で同じように役立つわけではない。LM（言語モデル）の内部表現において「線形に読み取れる」関係は、新しいラベル付けをして微調整したときに、未提示の事例へ一般化しやすい――この観察を、LMの「能動的（active）」な事