AIエージェント

StateAct は、スクリーンショット中心のコンピュータ操作エージェントを、ファイル、バックエンド、DOM などのプログラム状態中心へと転換する。必要な場面だけ GUI サブエージェントを使い、成功率とコスト効率を同時に改善した。

Multi-Head Latent Control は、凍結済みLLM/VLMの隠れ状態の軌跡を読み取り、推論時の制御信号を生成する手法だ。プロンプトや外部ルーターだけに頼らず、回答、確認、ツール使用、棄権、強いモデルへの委譲を判断する。

Microsoftは、脆弱性の発見・評価・修正を支援するMAI-Cyber-1-FlashとProject Perceptionを発表した。ベンチマークとコスト面での優位性を掲げるが、AIエージェントの制御リスクは依然として重要な論点だ。

Microsoft CEOのサティア・ナデラ氏は、企業がデータ、プロンプト、文脈、記憶、エージェントツールを単一のAIモデル提供者に委ねることは、自社の思考を外部化することに近いと警告した。企業にはAIゲートウェイやマルチモデル構成による主導権の確保が求められる。

Microsoftは、サイバーセキュリティ向けAIモデル「MAI-Cyber-1-Flash」と、複数のエージェントで防御業務を支援する「Perception」を発表した。

Cursorは、835ページのSQLiteマニュアルだけを与えたエージェント群にRust製データベースエンジンを実装させた。注目点は成果物そのものより、計画役と実装役を分けたときのコストと品質の差にある。

AWSは、企業規模でAIエージェントを構築・展開・管理するためのオープンソース参考プラットフォーム「Loom」をAWS Labsで公開した。焦点は、ID伝播、権限制御、登録管理、人間による承認フローにある。

Andrew Ng氏が公開した OpenWorker は、会話だけでなく成果物の作成を目指すデスクトップAIエージェントだ。オープンソース、ローカル優先、プライバシー保護、モデル非依存を特徴としている。

北京の産業セッションは、AIが映像制作、商業デザイン、3D仮想スタジオに入り始めたことを示した。一方、杭州の学術セッションは、自己進化するAgentはまだ初期段階だと慎重に見ている。

OpenForgeRL は、Codex や OpenClaw のような複雑な推論 harness を、既存のオープンな RL 訓練基盤につなぐためのフレームワークです。モデル呼び出しを代理で記録し、Kubernetes で rollout を分離実行することで、実環境に近い形で Agent を訓練します。

NVIDIA Labs は、AIエージェントをネイティブな Python オブジェクトとして記述するフレームワーク NOOA を提案した。プロンプト、ツール定義、コールバック、ワークフロー図に分散しがちな開発を、クラス、メソッド、フィールド、型注釈という馴染みのある構造に寄せる狙いがある。

AREX は、複数制約を持つ深層リサーチ課題に対し、暫定回答を制約ごとに監査し、未解決点を次の調査へつなげる再帰的自己改善型エージェントを提案する。

Meta は自社の AI チャットボットを、質問応答や画像生成にとどまらない生産性ツールへ近づけている。新機能では、カレンダーに基づく日次ブリーフィング、イベント計画、継続タスク、方向修正できる調査が追加される。

OpenAIはChatGPTデスクトップアプリに新しいChatGPT Voiceを追加し、ユーザーが音声でChatGPT WorkやCodex、コンピューター操作機能を指示できるようにした。音声は単なる対話手段ではなく、複数ステップの作業を動かすインターフェースになりつつある。

AgentDebugX は、LLM エージェントの失敗を検出・原因特定・修復・再実行のループで扱うオープンソースフレームワークです。エラーが表面化したステップと、実際の原因ステップが異なるという問題に焦点を当てています。

DataFlow-Harness は、自然言語の指示と永続的なデータパイプライン成果物の間にあるギャップを埋めようとする研究です。LLM に自由なスクリプトを書かせるのではなく、プラットフォーム固有の DAG を段階的に構築させます。

API を呼び出すエージェントの学習には、大量の高品質な軌跡が必要です。しかし本物の環境を整備するのは重い作業です。本論文は、API 仕様だけを使って LLM に状態付き環境を模擬させる方法を提案します。

NexForge は、LLM Agent の後学習に必要な実行可能データの不足に取り組むフレームワークです。固定ツールやリポジトリではなく、高レベルな能力要件からタスクと専門家軌跡を合成します。

この研究は、検索エージェントが自分の軌跡から学び直せる訓練環境を作ることに主眼があります。鍵になるのは、正しさを確認できる再現可能な検索・閲覧環境です。

新しい論文は、交渉中の値を暗号化しても、譲歩の速度や提示額の軌跡、収束パターンから私的制約が推測され得ると指摘する。著者らは、性能を保ちながら推論攻撃を弱める適応的なランダム化方策を提案している。

RESOURCE2SKILLは、動画チュートリアル、コードリポジトリ、記事、参考成果物から、ソフトウェアAgentが再利用できる実行可能スキルを抽出する枠組みです。