10月 25 2026 0 小規模LLMを強化学習で鍛え、ツール選択を別領域・別検索器へ転移 投稿者: 亜美と智也のAI論文解説 編集部 10,000超のツールから必要なものを選ぶ問題に対し、Qwen3（1.7B/4B/8B）をSFT＋RLで訓練し、指示をサブステップに分解→外部検索器で候補取得→必要ツールを選択するPlan–Retrieve–Selectを学習させる研究。
10月 25 2026 0 検証可能報酬の強化学習は道具的収束を増やすか？OLMo-3チェックポイント分析 投稿者: 亜美と智也のAI論文解説 編集部 TL;DR OLMo-3-7B-ThinkをSFT・DPO・13個の中…
10月 25 2026 0 ユーザー役AIの指示逸脱を、自然さと両立する強化学習で改善するUserLM-2.0 投稿者: 亜美と智也のAI論文解説 編集部 TL;DR 本論文は、LLMでユーザー役を模擬する際に「複雑なタスク意…
8月 21 2026 0 検索クエリの意図を推論で補完する「Think-to-Personalize」：ユーザー履歴を活用した高精度な商品検索 投稿者: ユウ TL;DR Think-to-Personalize（TTP）は、EC…