arXiv生成AIニュース（2026年7月14日）

キーワード: LLM推論 / RAG安全性 / アライメント / 長文コンテキスト / 知識グラフ / AIエージェント

7月13日に公開された生成AI・言語モデル関連のarXiv論文から10本を選んだ。計算を必要な箇所へ振り向ける推論、RAGの安全性、長文読解、対話AIの整合性、専門領域での検索と推論が中心テーマである。

論文1: 追加計算を必要なトークンへ配分するHALO

論文: HALO: Hybrid Adaptive Latent Reasoning for Language Models
著者: Micah Zhang
arXiv: 2607.08775

凍結済み言語モデルに追加の潜在表現の精錬を加える際、全トークンを同じ回数だけ処理すると計算が無駄になりうる。HALOは粗い一段目の後、トークンのスコアと停止判定で選んだ一部だけを二段目で精錬する。MMLU-ProとGPQA-Diamondによる比較で、固定一段・固定二段・基盤モデルを上回る総合平均を報告した。追加計算の量より、どこへ配分するかが重要だという結果である。

論文2: アライメント急変は再現性があるのか

論文: An Emergent Mirage: Is Emergent Misalignment and Realignment Indeed a Robust Phenomenon?
著者: Abhinav Rao, Liancheng Gong, Bin Hu, Atharva Naik
arXiv: 2607.09053

狭い不整合データで微調整した言語モデルが、広範な不整合行動を急に示すという報告を検証した。制御した学習ループで整合・不整合の反復とLoRA表現を追跡すると、現象自体は再現された。ただし応答長などデータセットの表面的特徴に非常に敏感で、長さを統制すると急速な再整合の見かけは大きく消えた。安全性評価では、表面的な要因を厳密にそろえる必要があると結論づける。

論文3: 知識グラフの事実確認を行うAgentKGV

論文: AgentKGV: Agentic LLM-RAG Framework with Two-Stage Training for the Fact Verification of Knowledge Graphs
著者: Yumin Heo, Hyeon-gu Lee, Sumin Seo, Youngjoong Ko
arXiv: 2607.09092

自動構築された知識グラフには、ノイズや抽出失敗による誤りが混じる。AgentKGVは動的な経路選択と反復的な検索文の書き換えを組み合わせ、表記の違いを越えて根拠文書を探す。教師モデルからの蒸留と、検索方策を最適化する二段階学習を導入した。T-RExの長尾述語分割で単一ターンRAGよりマクロF1を5.5ポイント改善し、検索回数も3.24回から1.63回へ減らしたと報告する。

論文4: 法的先例検索をグラフで精密化するPRecG

論文: PRecG: Legal Precedent Retrieval with Graph Neural Networks and Rhetorical Role Segmentation
著者: Devanshu Verma, Vasudha Bhatnagar, Vikas Kumar, Balaji Ganesan
arXiv: 2607.09094

法的文書を一つのベクトルとして比べるだけでは、主張、事実認定、判断理由といった役割の違いを取り落とす。PRecGは文を修辞的役割ごとの区間に分け、各区間の法的実体と関係から知識グラフを作る。区間表現を統合して判決文同士の類似度を求める方式である。インドの法的データセットで既存方式と比較し、有効性を検証したとする。

論文5: 投資分析をRAGで支援する言語モデル

論文: Augmenting Fundamental Analysis with Large Language Models: A RAG-Based System for Generating Investor Briefs
著者: Bartosz Ziółko, Kacper Dobrzeniewski
arXiv: 2607.09121

企業報告書、GDPや物価などのマクロ資料、米国証券取引委員会への提出文書を対象に、RAG形式で投資家向け要約を作る研究である。GPT-4oへ資料と投資知識の文書を与え、9社を4週間追跡して自動ブリーフを生成した。9人の個人投資家に有用性を評価してもらう設計である。論文は機会を検討する段階であり、投資判断を自動化する有効性を主張するものではない。

論文6: 学習済み重みの形を初期化に使えるか

論文: Complexity-Guided Component-wise Initialization for Language Model Pretraining
著者: Konstantin Garbers, Nicholas Oh
arXiv: 2607.09204

11個のGPT-2型チェックポイントを分析し、層や部品ごとの重みの大きさとスペクトルの偏りに共通傾向があるかを調べた。残差を書き込む行列では、深い層ほど規模とスペクトル集中が増す傾向を報告する。その形を模倣した初期化方式も試したが、性能上の優位性は確認できなかった。学習済み重みの粗い統計だけでは、良い初期化に必要な情報を保持しきれない可能性を示す。

論文7: 小型言語モデルの創造性・誠実さ・忘却

論文: Creativity, honesty and designed forgetting emerge in small hyperbolic language models
著者: Kwan Soo Shin, In Seok Kang, Yunkyung Min
arXiv: 2607.09306

個人向けAIコンパニオンが迎合、依存の助長、作り話の記憶を持ちうる問題を扱う。1.46億から30億パラメータの小型モデルで、行動監査器、創造的な提案器、選択的な検索による忘却を調べた。行動監査器は二値判定で90.7%の精度、未知の生成器に対する検出でAUROC 0.804を報告する。信頼できるコンパニオンの測定法自体が未成熟であることも重要な論点である。

論文8: 長文の自然な証拠連鎖を測るWILDTRACE

論文: WILDTRACE: Benchmarking Natural Evidence Trails in Long-Context Reasoning
著者: Zixin Chen ほか
arXiv: 2607.09328

長文の難問では、答えの根拠が遠く離れた複数箇所に自然に散らばる。WILDTRACEは事故報告や文学作品など214文書、481タスクからなる長文推論ベンチマークである。人工的に埋めた手掛かりではなく、文書内の因果・時間・物語の論理から生じる根拠の道筋を対象にする。根拠へ到達することと、散在する根拠を統合して推論することの差を測ろうとする。

論文9: 医療RAGの対象取り違えを検出する

論文: Deceptive Grounding: Entity Attribution Failure in Clinical Retrieval-Augmented Generation
著者: Cedric Caruzzo, Donggeun Yoo, Tae Soo Kim
arXiv: 2607.09349

検索文書に事実があっても、それが質問された薬ではなく別の薬についての根拠なら危険である。論文はこの失敗を「欺瞞的グラウンディング」と呼ぶ。13モデルの統制実験では、敵対的条件で失敗率は8%から87%に及び、実運用RAGでも740の薬剤・疾患ペアの7.8%で検出された。引用の有無だけではなく、根拠が質問対象に適用されるかを検査する必要がある。

論文10: 長文の必要箇所だけでテスト時学習する

論文: Self-Guided Test-Time Training for Long-Context LLMs
著者: Xinyu Zhu ほか
arXiv: 2607.09415

長い入力を与えるだけでは、言語モデルが質問に必要な根拠を使えるとは限らない。テスト時学習は入力文脈に合わせてモデルを適応させるが、全文や無作為な断片で学習すると高コストかつノイズになる。S-TTTは、モデル自身に学ぶべき証拠断片を選ばせ、その部分だけで適応する。LongBench-v2とLongBench-Proで、2種類のモデルに最大15%の相対精度向上を報告した。