マルチエージェント世界モデルとドキュメント解析の新境地
MultiWorldが複数エージェントの一貫した世界観を実現し、MinerU2.5が文書理解の精度と効率を同時に引き上げた。
1. MultiWorld: マルチエージェント・マルチビューを統一したスケーラブル動画世界モデル
香港大学のHaoyu Wuらが4月20日にarXivへ投稿した「MultiWorld」（arXiv:2604.18564）は、複数エージェントが異なる視点からそれぞれの行動を実行しつつ、全エージェント間で視覚的一貫性を維持できる統一フレームワークである。従来の動画世界モデルは単一エージェント・単一カメラを前提とすることが多く、マルチプレイヤーゲームや複数ロボットが協調するシーンでは整合性が崩れる課題があった。
MultiWorldはこれをMulti-Agent Condition Moduleで精密なエージェント制御を実現し、Global State Encoderで異視点観測の整合性を保つ2段構成で解決する。エージェント数とビュー数のスケーリングが柔軟であり、複数ビューの合成を並列処理することで高い効率も確保している。マルチプレイヤーゲーム環境と複数ロボット操作タスクの実験では、映像品質・行動追従能力・マルチビュー一貫性のすべてでベースラインを上回る結果を示した。
自動運転の仮想訓練やロボット工学、ゲーム制作のプロシージャル環境生成への応用が見込まれており、現実的なシミュレーションデータ生成コストを大幅に削減する可能性を持つ。コードはGitHub（CIntellifusion/MultiWorld）で公開されている。
2. MinerU2.5: 1.2Bパラメータで最高精度のドキュメント解析VLM
MinerU2.5は1.2Bパラメータの文書解析専用ビジョン言語モデルで、粗→細の二段階解析戦略（coarse-to-fine parsing）により最先端の認識精度と高い計算効率を両立している。学術論文・技術文書・財務レポートなど構造が複雑なPDFを対象に、従来の大規模マルチモーダルモデルと比較して精度では同等以上、速度とリソース消費では優れた特性を示している。
特筆すべきは数式・表・図・脚注など非テキスト要素を含む複合レイアウトへの対応力だ。一般的なOCRや単純なPDFパーサーではレイアウト崩れが発生しやすい複雑な文書構造に対しても、意味的なブロック分解と再構成を自動で行う。RAG（Retrieval-Augmented Generation）パイプラインの前処理として文書を正確に構造化する用途や、科学論文のマルチリンガル翻訳基盤としても有力な候補となる。
1.2Bという小規模パラメータで高精度を達成した点は、エッジ環境や低コスト推論を重視する産業応用での採用を現実的にする。ドキュメント処理の民主化という観点で、オープン研究コミュニティへの波及効果が期待される。
Hugging Face Daily Papershuggingface.co
3. ICLR 2026採択論文動向——スキル蒸留とエージェント単一化の研究が注目
ICLR 2026（第14回国際表現学習会議）の採択論文の中で注目されているのが「From Multi-Agent to Single-Agent: When Is Skill Distillation Beneficial?」（arXiv:2604.01608）だ。本論文は複数エージェントで学習した技能を単一エージェントに蒸留することが有効な条件を理論的・実験的に整理したもので、マルチエージェント強化学習のモデル圧縮に対する設計原則を与える。
スキル蒸留は単にパラメータを減らすだけでなく、タスク間の転移可能性と汎化性能をどう引き継ぐかという問題を含む。本研究は「いつ蒸留が機能し、いつ機能しないか」という問いに明確な答えを提示することで、実際のデプロイにおける判断基準を提供する。エッジ推論や組み込みロボティクスへの応用が念頭に置かれており、2026年以降の軽量エージェント研究の礎となる成果だ。
ICLR 2026全体では、エージェント推論・マルチモーダル処理・効率化アーキテクチャの3テーマが採択数で突出しており、拡大し続けるモデルのパラメータよりも「同等以上の能力をいかに小型モデルで実現するか」という方向へ研究の主軸がシフトしていることが確認できる。
4. Semantic Modeling for World-Centered Architectures——空間AIの意味論基盤
「Semantic Modeling for World-Centered Architectures」（arXiv:2604.01359）は、AIエージェントが物理的・仮想的な「世界」を中心軸として自己と環境の関係を意味論的にモデル化する枠組みを提案した論文だ。従来のエージェントアーキテクチャが自己（agent-centered）または観測（observation-centered）を基点としていたのに対し、世界の構造そのものを意味的に表現することで、より汎用的な空間推論と計画立案が可能になると主張する。
具体的には、3D空間内のオブジェクト・場所・関係・変化を意味ラベルとともにグラフ構造で表現し、エージェントがこの世界グラフを参照しながら行動計画を立てるアーキテクチャを提案している。自律走行・建築ナビゲーション・ロボット作業支援など、実世界の空間認識を必要とするドメインで特に有効とされる。
世界中心の意味モデリングという考え方は、LLMのような言語的な推論能力と、ロボットや自動運転が必要とする空間的・物理的推論を統合するための橋渡しとなる可能性がある。エンボディドAI（身体性を持つAI）の研究加速とともに、今後の参照論文として引用が増えることが予想される。