AI Paper Yearbook 2026 (Japanese Edition)

AI論文年鑑 2026 ── 商用利用可能な最先端AI研究200本を厳選解説■ 本書についてNeurIPS、CVPR、ICLRをはじめとする20以上の著名な国際学会から、商用利用可能なコードが公開されているAI論文200本を厳選し、各論文の要約と重要図表を収録した年鑑形式のサーベイ本です。昨年刊行した初版に続く2冊目となる本書では、論文の選定方法・収録範囲・解説の両面で大幅な改良を施しました。本書の最大の特徴は、LLMを中心とした自動化パイプラインによって論文を選定・解説している点です。初版では「被引用数×GitHubスター数」という人気度ベースのスコアリングでしたが、本書ではLLMによるOriginality（独創性）とElegance（洗練性）の評価を主軸に据えました。引用数やスター数では埋もれがちな「ダークホース」的論文を正当に評価し、選定に反映しています。また、初版ではCV系がクラスタの大半を占めていましたが、本書ではCV・NLP・音声などの分野ごとにクラスタリングを行い、各分野に最低クラスタ数を保証。収集対象も20以上のカンファレンスに拡充し、ICASSP・Interspeech（音声）、KDD（データマイニング）、NAACL・EMNLP（自然言語処理）などを新たにカバーしています。さらに、各章の冒頭にサーベイ記事を新設しました。クラスタに属する全論文をLLMに入力し、研究動向・主要アプローチ・今後の展望をまとめています。各論文を読む前に全体像をつかむことで、個別の論文の位置づけが理解しやすくなります。各論文の解説は「どんな論文か？」「既存研究の課題」「独自性や貢献」「手法の詳細」「結果」の5観点で構成。論文ごとにカンファレンス名、被引用数、GitHubスター数、独創性・洗練性スコア、ライセンス情報、GitHubリポジトリへのQRコードも掲載しており、気になった論文のコードにすぐアクセスできます。■ 対象読者最新のAI研究動向を効率よくキャッチアップしたい研究者・エンジニア商用利用可能なオープンソースAI技術を探している実務家・プロダクト開発者限られた時間の中で「何を読むべきか」の指針が欲しい方CV、NLP、音声、ロボティクスなど幅広い分野に関心のある方■ 各章の紹介本書は全10章構成で、各章がAI研究の主要トピックを網羅しています。【第1章】DiTによる映像・3D生成の統合Diffusion Transformer（DiT）の学習効率化、3D Gaussian Splattingのスケーリング、動画生成におけるモーション制御、そして理解と生成を統合するマルチモーダル基盤モデルの最前線を扱います。Depth Anything 3、REPA-E、Structured 3D Latents、VACEなど40本を収録。【第2章】視覚基盤モデルの進化とロボット操作学習視覚言語モデルの推論強化、ロボティクス・具象化AIへの応用、SAM 3やYOLOv12などの視覚基盤モデルの進化、そして生成AIのセキュリティまでを網羅。強化学習を推論プロセスやロボット制御に導入する最新アプローチを22本収録。【第3章】人物画像生成・3Dシーン理解・動画行動理解拡散モデルによる高精度な人物生成とアイデンティティ保持、単眼画像からの3D空間推定、動画行動理解、リモートセンシング基盤モデルまで、物理世界と視覚情報を紐づける多彩なアプローチを11本収録。【第4章】LLMのアライメントとコード生成・自動開発LLMの自己対局による推論強化、SWE-GymやKimi-Devなどの自律的ソフトウェア開発エージェント、テキスト向け拡散モデル、三値化LLMによるエッジ推論、視覚言語融合検索など多岐にわたるテーマを26本収録。【第5章】報酬モデルの高度化と特化型AIエージェントプロセス報酬モデル（PRM）のスケーリング、GUI操作・医療・Web探索などのドメイン特化エージェント、長文脈理解とRAGの高度化、SWE-benchシリーズの最新展開を18本収録。【第6章】LLMアーキテクチャ革新と自然科学応用TokenFormerやMulti-Token Predictionなどのアーキテクチャ革新、分子設計・タンパク質構造予測への生成モデルの応用、AI生成テキストの検出とセキュリティを16本収録。【第7章】数理推論・定理証明と知識駆動エージェントDeepSeek-Prover-V1.5やContinuous Thought Machinesなどの高度な推論手法、WebWeaverによる動的RAG、Agent-as-a-Judgeによるエージェント評価、科学的発見ベンチマークを18本収録。【第8章】音声・音楽生成と大規模音響モデルStable Audio Open、JavisDiT++による音声・動画同時生成、低ビットレート音声コーデック、ゼロショット音声変換、音楽生成基盤モデルなど、音響AI分野の最前線を24本収録。【第9章】生体信号AIと音声駆動アニメーション脳波（EEG/MEG）と言語モデルを統合する生体基盤モデル、音声駆動の複数人対話動画生成、実環境音声処理、AIフェイク音声検知など新興分野の研究を6本収録。【第10章】構造化基盤モデルとWebエージェント時系列・表形式データの基盤モデル、Webブラウジングやコンピュータ操作を自動化するエージェント、気象予測やグラフ生成などの科学ドメイン向けモデルを19本収録。■ 目次・はじめに・第1章 DiTによる映像・3D生成の統合　・Depth Anything 3 / Wan-Move / REPA-E / Diffusion as Shader / Structured 3D Latents / VGGT / RF-DETR / Show-o2 / VACE ほか全40本・第2章 視覚基盤モデルの進化とロボット操作学習　・SAM 3 / Absolute Zero / Cosmos Policy / DeepEyes / Data Scaling Laws in Imitation Learning / Flow-GRPO ほか全22本・第3章 人物画像生成・3Dシーン理解・動画行動理解　・FaceXFormer / UniPortrait / SkySense V2 / AnyCam / EmbodiedSAM ほか全11本・第4章 LLMのアライメントとコード生成・自動開発　・Large Language Diffusion Models / SWE-Gym / Kimi-Dev / Samba / Bitnet.cpp / Thinkless / YuE ほか全26本・第5章 報酬モデルの高度化と特化型AIエージェント　・ReSearch / RM-R1 / ReTool / xLAM / SWE-bench Goes Live! / Scaling Agents ほか全18本・第6章 LLMアーキテクチャ革新と自然科学応用　・TokenFormer / Multi-Token Prediction Needs Registers / Graph Diffusion Transformers / Concept Bottleneck Language Models ほか全16本・第7章 数理推論・定理証明と知識駆動エージェント　・DeepSeek-Prover-V1.5 / Continuous Thought Machines / WebWeaver / Agent-as-a-Judge / SynLogic ほか全18本・第8章 音声・音楽生成と大規模音響モデル　・DrVoice / Stable Audio Open / JavisDiT++ / FocalCodec / NotaGen / EMOVA ほか全24本・第9章 生体信号AIと音声駆動アニメーション　・BrainOmni / NeuroLM / Let Them Talk / SONICS ほか全6本・第10章 構造化基盤モデルとWebエージェント　・Moirai-MoE / WebThinker / ScaleCUA / TabDPT / OneForecast / DeFoG ほか全19本・手法の紹介と、昨年からの改良・限界と今後の展望 Read more