AIエージェント

ジェフリーズのアナリストが、主要なAIエージェント8製品を5種類の実務タスクで比較し、AlibabaのQwen Officeが総合1位となった。評価はモデル性能だけでなく、実行基盤であるHarnessとタスク単価の重要性も示している。

Agentic ESOptは、長期的で分岐の多いエージェントの微調整に進化戦略を用いる手法を提案する。推論時に近いメモリ使用量でパラメータを探索し、モデルとコンテキストの同時最適化を目指す。

複数のベンチマーク、エージェント基盤、LLMを横断した研究は、Agent Skillsの主な効果が不足した知識の注入ではなく、ノイズの多い実行履歴を手順のアンカーへ変換することにあると示した。一方、スキル数の増加は検索精度を大きく低下させる。

新たな研究は、推論やツール利用、コード生成、ワークスペース操作を行うLLMエージェントに、データベースのACID原則を応用する「エージェントトランザクション」を提案した。関連ベンチマークでは既存エージェントを10.6%上回ったと報告している。

UI-Mateは、環境に根差した学習基盤と、コンテキスト内の操作デモから学ぶ仕組みを組み合わせたGUIエージェントです。UI-Mate-27BはOSWorld-Verifiedで77.0%を記録したと、提供された論文概要で報告されています。

StateMはモデルの重みを変更せず、状態管理や手順の検証を行うランタイムによって長期タスクの信頼性を高める。Terminal-Bench 2.1ではGPT-5.6 Sol xhighで95.3%の生精度を報告した。

VibeLifeBench は、短い指示ではなく、数週間続く生活タスクと静かに変化する環境を使って AI エージェントを評価する新しいベンチマークです。

Ouroboros は、ツール、プロンプト、コンテキスト構築、コア実装までを改善対象にする自己発展型のエージェント基盤だ。論文は複数のベンチマークで高い結果を報告しつつ、自己改変システムにおける安全設計の重要性を強調している。

Cloudflare は、人間ではなく AI エージェントの利用を前提にしたクラウドホスト型ブラウザ Kitesurf を発表した。一般的な自動化タスクで Chromium より少ない計算資源を使える点を訴求している。

Ant Groupは、マルチエージェント協調のための基盤「Avernet」をオープンソース化し、コミュニティ版を公開した。初版はエージェントの発見、合意形成、協働、ガバナンスに重点を置く。

Video-DeepResearch は、静止画像中心のマルチモーダルエージェントを連続動画へ拡張する提案です。視覚ツールを飛ばして検索に逃げる傾向と、内部記憶に頼る問題に正面から取り組んでいます。

LongHorizon-Harness は、長期タスクにおける実行履歴とタスク状態を分離し、環境で検証された事実だけで状態を更新する仕組みを提案している。

SKTは、言語モデル型エージェントが再利用可能なスキルを選び、使い、組み合わせる力を高めるためのデータ合成パイプラインだ。生成したタスクと実行軌跡を検証し、教師あり微調整に使える高品質なデータを構築する。

Skill-α は、Agent のスキル生成を一連の編集プロセスとして扱い、各編集が下流タスクの実行を改善するかどうかで評価する。文書由来と経験由来のスキル生成の両方で、既存のヒューリスティック型・パイプライン型手法を上回った。

Mu は、検索、ニュース、メール、天気、ファイル、カレンダーなどを AI Agent から使えるようにするオープンソースのツール基盤です。単なる API ラッパーではなく、自己ホスト可能なサービス群として提供する点を強調しています。

Qwen-UI-Agent は、モバイル、デスクトップ、ブラウザ、DeepSearch を単一の GUI エージェントとして扱うことを目指す技術報告です。焦点は単なる画面操作ではなく、実デバイス上で長いワークフローを安定して実行する能力にあります。

Beacon は、視覚推論エージェントにおけるツール利用を「多く使う」問題ではなく、「必要な時に有効に使う」問題として捉え直す研究です。鍵となるのは、ツール呼び出しの適応性と実際の効果です。

Microsoft Research の Echoverse は、見た目だけの模擬サイトではなく、状態と振る舞いを持つ合成アプリでコンピュータ利用エージェントを訓練する手法だ。環境の修復とモデル学習を同じ実行ログから進める点が特徴である。

Metaは、個人向けAIエージェントを次世代プロダクトの中核に据えようとしている。ザッカーバーグ氏は、5年以内に数十億人が自分専用のAIエージェントを持つ可能性を示した。

Google は Gemini API の Managed Agents に、Gemini 3.6 Flash の標準化、環境 hooks、トークン予算、スケジュール実行、無料枠対応を追加した。

Perplexityは、エージェント型ツール「Personal Computer」をWindowsに拡大した。ローカルファイル、Microsoft 365、Teams、Webをまたいで作業できるAIワーカーを目指す。