【週刊論文ウォッチ 10/23〜10/29】LLMエージェントの続報と、フルデュプレックス音声モデルの弱点を調べる論文

【週刊論文ウォッチ 10/23〜10/29】LLMエージェントの続報と、フルデュプレックス音声モデルの弱点を調べる論文 AIエージェント

毎週、arXiv の cs.SE(ソフトウェア工学)・cs.CR(セキュリティ)・cs.CL(自然言語処理)に投稿された論文すべてのタイトルとアブストラクトを機械的に集計し、2 つの観点で拾います。1 つは、月次の「急上昇ワード」で取り上げたテーマのその後。もう 1 つは、抽出した過去 13 か月の論文には出てこなかったのに、今週いくつもの論文に現れた「新語」です。

今週の対象は 654 本(1 本を 1 つの分野に割り振って cs.CL 374 本・cs.SE 141 本・cs.CR 139 本)でした。


🔁 急上昇テーマの続報:LLMエージェント(今週 58 本)

月次レポート(2026-09、直近 3 か月の急上昇ワード)で取り上げた「LLM エージェント」は、cs.CL でこの語に触れる論文の割合が、直近 3 か月(2026-07〜2026-09)にその前の半年の約 1.9 倍(2.7% → 5.1%)に伸びたテーマです。週次の続報で取り上げるのは今回が初めてです。今週はタイトルかアブストラクトで LLM エージェントに触れた論文が 58 本あり、そのうち実務に効きそうな 3 本を紹介します。

同じ説明の MCP ツールが差し替わっていないかを、プローブへの応答で確かめる

ProbeID: Verifying MCP Tool Identity for LLM Agents under Registry Drift(arXiv:2610.33633)

エージェントはツールの説明文だけで実装を選ぶため、実際に動いているのが本物かなりすましかは分かりません。ProbeID は、スキーマに沿ったプローブ(試しの呼び出し)への応答を、登録時に取った信頼できる参照と比べ、曖昧なら判定を保留します。なりすます側は、プローブで観測できる振る舞いまで真似る必要があります。

  • キャッシュ済みの MCP-IdentityDrift のケースで、厳格な選択は hit@1 0.956 に達し、説明文に頼るルーターは偶然と同程度の精度だった(より単純な完全一致の比較も同じ値だった)
  • エージェントのプローブ集では、一致判定は 64 回、上限付きの距離による判定は 512 回のプローブで、到達可能な差し替えをすべて拒否した。一方、どのプローブも振る舞いの変化に届かない 2 つのツールは常に通過した
  • MCP-Bench のエージェントでは、検証を入れることで汚染されたタスクを 16 件中 15 件から 9 件に減らし、タスク成功率は変わらなかった
  • 11 週間、59 個の実ツールを追跡したところ、バージョンを固定していても 7 個が応答を変えていた。著者らは、検証は参照の完全性・プローブの網羅性・応答のノイズに左右されるとしている

権限チェック漏れの自動修正は、素の LLM で 4 割弱、ちょっとした足場で 6 割超に

Repairing Broken Access Control in Web Applications with LLMs: An Empirical Benchmark Study(arXiv:2610.34290)

アクセス制御の欠陥(BAC)は、メモリ安全性の欠陥と違ってアプリ固有の権限モデルやビジネスロジックの理解が要るため、自動修正がほとんど手付かずでした。広く使われる 6 つの Web アプリ(4 言語)から集めた 46 件の実世界の BAC 脆弱性からなるベンチマーク BAC-Bench を作り、8 種の素の LLM と 2 つの市販 LLM エージェントを評価しています。

  • 単発で投げるだけの素の LLM 8 種は、平均 37.68% の脆弱性を修正できた
  • 「Apply-Feedback」「Navigate-and-Locate」という最小限の足場を足すと平均 66.03% に、最良の素の LLM は 75.36%(最良の LLM エージェントの 78.99% に近い)まで伸びた
  • LLM が作ったパッチには公式パッチを上回るものがあり、3 年間気づかれずに潜んでいたゼロデイ脆弱性を偶然ふさいだ例もあった

プロンプトキャッシュの組み込みミスは、エラーを出さずにコストを膨らませる

Silent and Costly: Characterizing and Detecting Prompt-Caching Mis-Integration in LLM Agents(arXiv:2610.34817)

推論コストと遅延を下げるプロンプトキャッシュは、提供元ごとに API や仕様が異なり、正しく組み込むのが難しい領域です。人気のオープンソースのエージェント系システム 10 個から、キャッシュ関連の pull request 120 件を調べました。

  • 不具合は「リクエスト側の設定ミス」と「読み取り側のカウントミス」の両方で起きており、ほとんどは目に見える実行時の障害を起こさず、静かに失敗していた
  • 検出手法 CACHELINT(CodeQL で呼び出し箇所を見つけ、正しく組み込むための前提条件を確かめる)は、ラベル付きの 120 件の不具合に対し精度 0.71・再現率 0.78 で、571 の実エージェントプロジェクトでは精度 0.86 で 32 件の不具合を見つけた
  • これらの発見は開発者から 21 件の確認を得て、18 件が upstream で修正された(うち 1 件は Anthropic の公式 SDK)

🆕 今週の新語

過去 13 か月の論文(分野ごとに毎月 250〜300 本の抽出)には一度も出てこず、今週は複数の論文に現れ、論文タイトルにも使われた語です(タイトル 2 本以上、またはタイトル 1 本を含む 3 本以上)。

full-duplex speech model(フルデュプレックス音声モデル)— 4 本

  • 「聞きながら話す」全二重音声モデルは、聞いている間も毎フレームトークンを生成するため、数分でコンテキスト窓を使い果たします。長時間の会話を再生してテストする FD-LHB ベンチマークでは、評価した 5 つの全二重モデルすべてが最終的に劣化するかコンテキストを使い果たしました。スライディングウィンドウ型では、無音や意味不明な発話はウィンドウが先頭の KV エントリを捨てること(Initialization-Anchor Eviction)と結びつき、繰り返しはモデル自身の直前の出力によっても強まると分析。先頭エントリを保持する IAP と、無音が続くのを防ぎつつ繰り返しを抑える DRP という再学習なしの対策で、最長 1 時間の再生でも、リアルタイムで動かしたまま崩壊を大きく減らせました(arXiv:2610.32349)
  • 複数の公開済み全二重音声モデルを長時間セッションで評価する枠組みを作り、応答性・発話内容の質・声の一貫性が時間とともに劣化すると確認しました。異なる構造の 3 つのモデルすべてで、自己蒸留による軽量な LoRA 適応が 10 分間セッションでの劣化を抑え、直近のやり取りを詳細に・古い履歴は圧縮して保持する「二解像度コンテキスト(TRC)」を加えると、学習時のセッション長を超えても効果が続き、KV キャッシュの増加を 90% 以上減らせました(arXiv:2610.34991)
  • カウンセリング用途では、全二重モデルが直前の発言に注目しがちで、相談者の抱える問題を見失う「Stressor Blindness」が起きるとして、相談者の沈黙中に短いストレス要因の状態を更新し、聞いている間にそれを入力に差し込む CounselPlex を提案。LLM による判定で、強いベースラインよりカウンセリングの質とストレス要因への接地が改善したとしています(arXiv:2610.32702)
  • ユーザーが割り込んだら発話を譲り、相づち(バックチャネル)だけなら話し続ける、というタイミングを学ぶのに使われる系列単位の強化学習(GRPO)を 4 つの公開モデルで試し、最も学習が必要な場面で勾配がゼロになる・1 回分の報酬が対象外の判断にまで割り振られる、という 2 つの失敗を特定。停止の判断について閉形式で積分する学習法「window likelihood」を提案し、HumDial-FDBench で、構造の異なる 6 つの公開モデルすべてで「譲る/話し続ける」の F1 が最良になりました(arXiv:2610.35581)

mobile use(モバイル操作エージェント)— 2 本

  • モバイル操作エージェントの評価は、クリーンな初期状態からのタスク成功率だけで行われることが多く、エラーからの復旧力を測れていません。記録した操作履歴を、最初の復旧可能なエラーの前・その時点・後のチェックポイントに戻し、異なるエージェントを同じ端末の状態と履歴から続けさせる AndroidFlux ベンチマークを提案し、復旧性能はクリーン開始時の成功率とは部分的にしか相関しないと示しました(arXiv:2610.34384)
  • 実際のユーザーの依頼は情報が足りないことが多く、エージェントは履歴から推測すべき情報と、ユーザーに確認すべき情報を見分ける必要があります。実行できる iOS 環境でこれを測る iPrefBench(26 アプリ・情報が欠けた 130 タスク)を作り、7 つのフロンティアエージェントを評価したところ、操作の完了スコアは最高 91.6% に達する一方、パーソナライズまで含めたタスク成功率は最高でも 47.7% に留まり、特に「確認すべき場面」で確認できていないと分かりました(arXiv:2610.34735)

前号: 【週刊論文ウォッチ 10/16〜10/22】制御フローの続報と、セキュリティ修正が入っているかを判定する論文

集計方法について
  • 対象: arXiv cs.SE / cs.CR / cs.CL に 2026-10-23〜2026-10-29 に投稿された論文すべて(654 本)
  • 続報: 月次の急上昇ワード(直近 3 か月)と記事化済みのテーマについて、タイトルかアブストラクトでその語に触れた論文を拾う
  • 新語: 過去 13 か月の論文(分野ごとに毎月 250〜300 本の抽出)に一度も出てこず、今週はタイトル 2 本以上、またはタイトル 1 本を含む 3 本以上の論文に現れた語
  • 語の抽出は自動のため、表記ゆれや取りこぼしがあります
タイトルとURLをコピーしました