記事とガイド

長期的なツール利用では、次の操作が今すぐ妥当かだけでなく、最終的なタスク成功につながるかを判断する必要があります。CITAは、実行前に候補となるツール呼び出しを比較する仕組みを提案します。

データの来歴を記録した合成タスクを使い、表形式基盤モデルの挙動に本当に影響した事前学習データを検証する研究が発表された。結果は、介入による因果的な寄与と、データの来歴上の類似性は同じではないことも示している。

ArrivalBenchは、固定スナップショットで一度正しく動いたデータパイプラインでも、遅延・重複・順不同・再試行の記録を処理すると誤った状態を残し得ることを示した。時間と配送順序を含めた再実行が、従来評価の盲点を明らかにする。

Inherit-MASは、マルチエージェントシステムの進化にワークフロー継承と実行継承を導入する。既存の有効な構造を保ちながら、条件が完全に一致する過去の実行結果を再利用し、不要な再計算を抑える。

Googleは、自動化された脆弱性報告が大幅に増え、その大半が有効ではないとして、オープンソースソフトウェア向けの脆弱性報奨金制度を一時停止した。

ドナルド・トランプ米大統領は、政府の先端AI政策を調整する「スーパーインテリジェンス・フォース」の設立を発表した。作業部会は120日以内に、AIのリスクと機会に関する報告書をまとめる見通しだ。

オープンソースプロジェクトのStrataは、約1250億パラメータのQwen3.8-Flash-Nextを、12GB以上のVRAMを持つ個人向けPCで動かすための仕組みを提供する。公開された測定では、RTX 5070やRX 9070 XTで毎秒数十トークンの生成速度が示されている。

MicrosoftとHugging FaceのThinkingBoxは、エージェントの発言やツール呼び出しではなく、処理後に残されたバックエンド状態と副作用を検査します。さらに各タスクを20回実行し、再現性も評価します。

カプコンはRE: 2026で、REエンジンをAI対応へ段階的に進化させる構想を示した。現時点では、AI生成アセットよりも開発ワークフローの効率化を重視している。

OpenAIの主要製品に伴う安全性レポートの作成を担ってきたDavid Robinson氏が退職し、同社の文化に問題があると訴えました。最先端AIには、試行錯誤型の展開ではなく、高信頼性分野に近い安全体制が必要だと主張しています。

主要モデルの公開に伴う安全報告書を作成していたDavid Robinson氏がOpenAIを退職し、AI業界の企業文化を公に批判した。 同氏は、最先端AI研究所には原子力発電所や空港のような多層的な安全対策が必要だと訴えている。

OneStreamerは、ストリーミング動画におけるリアルタイム知覚、再利用可能な記憶、能動的な応答を統合する4Bモデルです。時間情報付きのキャプションとイベント要約を生成し、映像が直近の視覚ウィンドウから外れた後も事実を参照できるようにします。

対話履歴を覚えているだけでは、エージェントが現在の世界を一貫して理解し、目標に近づいているとは限りません。PoSは推論時に明示的な信念状態を維持し、停滞やループ、逸脱を検出して回復を促します。

AutoGUIWorldは、画像生成モデルの視覚的な事前知識とタスクプランナーを組み合わせ、実際のソフトウェアを起動せずにGUI操作軌跡を合成する。複数のOSやブラウザを対象としたデータで、コンピュータ操作エージェントの性能向上を検証した。

新たな研究は、多くの事前学習済みTransformerが長い参照連鎖を処理できないのではなく、計算を途中で止めている可能性を示した。初期層にrank-8 LoRAを加えるだけで、凍結された中間層がより長い連鎖を運べるようになる。

X-Treeは、エージェントの軌跡から繰り返し現れ、成功と結び付く行動のまとまりを自動抽出し、再利用可能な経験ツリーにまとめる手法です。LLMを追加で呼び出さず、オフライン強化学習、RLVR、自己蒸留に活用します。

PhysVistaは、視覚言語モデルが映像の見た目を認識するだけでなく、物理的な一貫性を理解しているかを評価するベンチマークです。物理状態の知覚、力学的推論、物理的妥当性の判断を、実映像とAI生成映像で一体的に検証します。

新しい研究は、ユーザーが変更・撤回した要件が回答やツール操作に残り続ける「意図ドリフト」を測定可能な失敗モードとして整理した。IntentFluxとStateForgeの評価から、明示的な状態管理は有効だが、単一ターンの性能を完全には取り戻せないことが示された。

RouteFMは、LLMルーティングを環境ごとの再学習ではなく、再利用可能な基盤能力として捉える。匿名の候補モデルを少量の行動データから評価し、異なるタスクやモデルプールへ適応する。

OpenTumorBoardは、公開された腫瘍ボードの記録を基に、専門医への応答と会議全体のシミュレーションを評価するベンチマークです。先端モデルであっても、専門家の回答や実際の合意を再現する能力には大きな差が残ることが示されました。

音声LLMは命令を正しく認識しても、それが自分への呼びかけでなければ行動すべきではありません。VGBenchは、ツール実行前に対象者を判断できるかを評価します。