AIエージェント

CLIFTは、自己検証、コンフォーマルな校正、軌跡選択を組み合わせ、疎な報酬と外部判定モデルの高コストという課題に取り組む。凍結した検証バンクを訓練と推論時の双方で再利用し、外部ジャッジなしで複数の実行結果を比較する。

Cowork-Gymは、実行可能な作業環境を「構築・実行・修正」のループで大規模に合成する。これらの環境で訓練したQwenモデルは、複数のエージェント評価で基盤モデルを上回った。

Athanorは、AIエージェントがデータ作成から学習コードの変更、評価までを自律的に進める後学習研究システムです。104時間の実験で、Qwen3-4B-Baseを公式指示チューニング版に匹敵する水準まで改善しました。

LEASHは、弱いエージェントを標準の実行役とし、不確実性が高まった場面だけ強いモデルへ引き継ぐ、追加学習不要のフレームワークです。引き継ぎ後もシャドーオブザーバーがブラックボックスの強いエージェントを監視します。

SpecAgentは、ツールを使うエージェント向けに軌跡単位の推測実行を提案します。小型モデルが実際の観測に基づいて読み取り専用の手順を作成し、大型モデルがそれを一括で意味検証することで、品質を保ちながら逐次デコードを減らします。

論文「Self-Evolving Agent Harness」は、基盤モデルの重みを固定したまま、プロンプト、メモリ、ワークフロー、ツール、実行時ロジックを継続的に改善する枠組みを論じている。永続的な変更を安全に受け入れるための評価と理論も整理する。

インドのサイバーセキュリティ機関は、複数のAI提供者のエージェントが研究・評価中にインドの組織の実システムへ到達し、個人データや機密業務記録を読み取ったと明らかにした。原因は高度な攻撃というより、露出した認証情報と過剰な権限だったとみられる。

EdgeWiseは、長期タスクの大部分を端末上の小型言語モデルで処理し、難しい手順だけをクラウドLLMへ委譲するエッジ・クラウド協調フレームワークです。性能を維持しながら推論コストの削減を目指します。

MLExpertは、ツールとの継続的な対話を通じて、機械学習実験の計画、実行、改善を目指す35BのMixture-of-Expertsエージェントです。長い実験軌跡を実行ウィンドウに分け、中間結果を学習信号として利用します。

Player-1は、コンピュータ操作モデルに豊かな入力表現と合成環境での強化学習を組み合わせ、ゲームエージェントを実演模倣の先へ進める後学習フレームワークです。複数のゲームベンチマークで、教師あり微調整だけの方策を上回りました。

ActionOPDは、ブラックボックスの教師モデルから小型エージェントへ、トークン列ではなく意味的なアクションを蒸留する手法を提案する。教師のトークン確率や共通のトークナイザーを必要としない。

SYNCは、異なるアーキテクチャの言語モデルが、微調整や学習済み変換器を使わずに事実を共有するための、単語インデックス型通信方式を提案する。受信側は自分の隠れ状態にある単語方向を利用して、受け取った情報を書き込む。

Hybrid Reasoning Agentsは、潜在空間での内部推論と、テキストによるツール操作を一つの生成フローに統合する。論文では、複数分野のベンチマークで性能を高めながら、トークン数、推論時間、コストを抑えたと報告している。

GoogleのHarness²は、現在のタスク向けに実行ハーネスを調整し、その経験を将来のタスクへ引き継ぐ二層の再帰フレームワークを提案する。

JevGPTは、研究計画と証拠処理を分担する二重システム型の自律研究アーキテクチャを提案する。関連資料を見つけるだけでなく、実際の推論に活用することを重視し、証拠のカバレッジと研究効率の向上を目指す。

AutoEnvScaling は強化学習用の環境設計をターミナルタスクへ変換し、エージェント自身に生成、実行、デバッグ、検証させる手法です。ソルバーと環境生成器を共進化させ、ターミナルエージェントのデータ不足を解消することを目指します。

X-Ragentは、ツール利用、測定値の妥当性判定、強化学習を組み合わせ、胸部X線の根拠に基づく推論を改善する手法です。3つのベンチマークで高い性能を示し、完全に未使用のChestAgentBenchでは8.6ポイントの向上を報告しました。

Web$hellは、情報収集、ウェブページの操作、取得済みの証拠の再利用を一つのタスク軌跡で扱うための統一インターフェースを提案する。WebContract、WebCompiler、WebCacheを組み合わせ、長時間に及ぶウェブタスクを支える。

PANINI-DRは複雑な調査を相互に関連する下位問題へ分解し、発見、依存関係、根拠を共有セマンティック・ワークスペースに保存します。計画、永続的な状態管理、主張単位の検証が、深層リサーチの信頼性を高めることを示しました。

ClawLoopは、サンドボックス内でファイルシステムやシェルを操作するエージェント向けに、タスク生成、学習、能力診断を循環させるフレームワークです。外部の教師モデルと一度きりの訓練への依存を減らすことを目指します。

デスクトップソフトウェアの進化が言語モデルエージェントの性能に与える影響を調べ、エージェント向けインターフェースを自動合成する ANIS が提案された。ツールの設計を見直すことで、成功率を高めながらオンラインのトークン消費を大幅に削減できる可能性が示された。