TreeOPSDは、Criticを用いず木構造を考慮した事後自己蒸留により、長期的な対話タスクにおける言語モデルエージェントの強化学習を可能にする手法である。各対話ターンを木のノードとして扱い、終端報酬を遡ってターン単位のクレジットを推定したうえで、凍結した行動方策に対する尤度比で定まる有界な教師分布に変換する。Qwen3-30B-A3B-Thinking-2507では、Deep Research設定においてGRPOに比べ平均精度が4.97ポイント向上した。
MRTPOは、多報酬強化学習において各報酬のadvantageをその検証器が確認するトークンにだけ割り当てる手法である。各報酬について方策が自身の応答を検証器情報あり・なしで再生成し、次トークン分布のJensen-Shannon距離から各トークンの関連度を測る。補助モデルやトークン単位のアノテーションは不要で、text-to-SQL、複数制約の指示追従、ツール呼び出しで比較手法より速く収束し、高い性能を示した。
ツール利用型LLMエージェントでは、LLMに先に計画を立てさせるPlan-then-Retrieve（PtR）が、複数ツールのクエリでRetrieve-then-Plan（RtP）を上回り、単一ツールのクエリでは劣ることが示された。ToolBench（46,984 API endpoints）での評価では、この傾向が検索件数k=1〜20と1k〜47kのレジストリ規模で一貫していた。PtRは推論コストがおよそ2倍になるため、RtPの上位1件の検索スコアを使う複雑度適応型のルーティングが実用的な方向として挙げられている。
経営幹部300人への調査によると、エージェント型AIプロジェクトのうち本番稼働に至るのは平均34%にとどまり、ナレッジとコンテキストの不足が主因の一つである。本番稼働が進む先行組織では、パイロットを超えて進むプロジェクトが平均61%で、特にセマンティックなナレッジが強い。データの断片化を課題に挙げた回答は55%で、投資先としてはRAGやナレッジグラフなどが優先される。
Google Researchは、集計・匿名化された移動データを言語モデルの場所表現に組み込む「ME-POIs」フレームワークを紹介した。未知の場所を対象とした評価では、訪問意図の予測が最大81.9%の相対的な向上、価格帯分類が75.1%の改善、混雑度推定の精度が24.7%の向上を示した。移動データは公開ベンチマークデータセットから取得され、自己教師あり学習によってテキスト記述と統合される。
Google Researchは、LLMに推論トレースを生成させると、推論なしでは実質的に到達できない正解を引き出せることを示した。COLM 2026で発表される論文「Thinking to Recall」で検証された内容である。
Google が Gemini Enterprise Agent Platform 向けに、Agentic RAG によるクロスコーパス検索（Cross-Corpus Retrieval）の提供を発表した。複数のエージェントが計画、クエリ書き換え、検索を分担し、情報が不足していないかを確認しながら検索を続ける。標準的なRAGと比べて、事実性データセットでの精度が最大34%向上したとされる。