OS-Helix、GUI操作とコード実行を統合するコンピューターエージェント
OS-Helixは、グラフィカルな操作とコード実行を単一の方策で学習し、デスクトップ作業で「クリックするか、コードを書くか」を判断できるエージェントを目指す。強化学習版はOSWorld-Verifiedで66.44%の成功率を報告している。
続きを読むClaude API 中継局のガイド、検出の仕組み、LLM API の実測ノウハウ
全 2320 件の記事
RSS 購読OS-Helixは、グラフィカルな操作とコード実行を単一の方策で学習し、デスクトップ作業で「クリックするか、コードを書くか」を判断できるエージェントを目指す。強化学習版はOSWorld-Verifiedで66.44%の成功率を報告している。
続きを読むPPMemは、壁や床、建物の立面などを更新可能な平面として記憶し、後続の動画生成に利用する。長時間のロールアウトや大きな視点移動で起きる空間のずれを抑えることが狙いだ。
続きを読む人間やAIが作成した査読コメントは、論文の内容を誤って記述することがある。PremiseCheckは、LLMでコメントを明示的な前提に分解し、より安価な判定モデルで各前提を論文と照合する。
続きを読むFC-SWEは、検証に失敗したパッチとテスト結果を次の修復試行のコンテキストとして利用する強化学習手法です。複数回の試行を前提としたSWE-bench Verifiedで、累積解決率の向上を報告しました。
続きを読む長期タスクで表面化する失敗は、数ステップ前の判断に起因することがある。BELIEFWEAVERは、継続的な証拠、関係的な信念状態、暗黙的な世界モデルを組み合わせ、ロールバックや修復、探索の方向を選びやすくする。
続きを読む新たな論文は、型付きMCP呼び出しと優先順位付きの権威コンテキストを組み合わせるStructured Authority Injection(SAI)を提案した。計画サイクルをまたいで操作者の修正を維持し、指示の曖昧さや権威の弱まりを抑える一方、効果はモデルによって異なる。
続きを読むPRIMEは、あらかじめ定めた証拠ルートと独立した検証台帳によって、LLMエージェントの判断を制約する手法です。公開記録480件のタスクで、根拠のない結論をゼロにし、正当化できる結論の質も高めました。
続きを読むLean4AgenticRLは、ツール呼び出し、ワークフローの段階、最終結果を対象に、Lean4形式化に基づく検証可能な報酬を導入します。学習したLAR-27BはTerminalBench-2.1で77.3%を達成しました。
続きを読む新たな研究は、エージェントのharness進化による性能向上を、ベンチマーク過適合、テスト時スケーリング、残余の改善に分解する評価手法HDAを提案した。
続きを読む安全な出力と無害な手がかりだけを使っていても、再帰的な自己蒸留によってモデルの安全な応答が段階的に崩れる可能性がある。研究チームはこの現象を「Progressive Misalignment」と呼んでいる。
続きを読むDeepSeekはV4.1 Flashをバージョン1017に更新し、ゼロからプロジェクトを構築する能力を高めるとともに、自社開発の検索APIを公開しました。特にAPIの提供は、DeepSeekを使う開発者に直接影響する可能性があります。
続きを読むAnthropicは、同社株式の5%を拠出する「公益基金」を設立すると発表した。非営利団体への寄付や特定層への直接分配、AIと雇用に関する取り組みなどが想定されているが、運営体制はまだ明らかになっていない。
続きを読む破産手続きに入ったチャットボット企業Character.AIに対し、ディズニーは少なくとも60人へ採用を提示することで合意した。大半の提示対象者は受け入れたとされるが、他社がより高い条件を出す可能性は残っている。
続きを読むAnthropicは非営利の評価機関METRから6人を社内に受け入れ、ハードウェアや内部ツール、リスク評価システムへのアクセスを認めた。METRはAnthropicの承認なしに分析結果を公表できるが、機密情報は削除の対象となる。
続きを読むVASTが、簡略化されたシーンや操作状態を連続的な映像へ変換するリアルタイム世界モデルEdenLiveを公開した。RTX 5090単体の720p環境で、5Bモデルが24FPSを超えると説明している。
続きを読むReplitは、AIコーディング基盤の標準モデル提供者をAnthropicからOpenAIへ切り替えたと説明しました。一方で、ユーザーは引き続きClaudeを選択でき、判断には性能、コスト、提携条件が影響しています。
続きを読むMetaは、AIの学習目的でウェブサイトのコンテンツを取得できるようにも読めた商用規約の文言を削除した。同社は、変更は規約の適用範囲を明確にするためであり、ウェブクローラーの運用を変えるものではないとしている。
続きを読むOpenAIやMeta、Googleがユーザーに代わって検索や買い物、予約を行うAIエージェントを推進する一方、サイト側ではライセンス制限やセキュリティ対策による遮断が広がっています。
続きを読むDeepSeekがV4.1-Flash-1017を公開し、Web版、アプリ、APIに展開しました。新モデルはベンチマークの向上だけでなく、エージェントの実行時間、出力トークン、利用コストの削減を重視しています。
続きを読む清華大学THUNLP実験室、面壁智能、OpenBMBなどのチームが、AIエージェントの記憶混乱や長時間タスク、モデル利用コストに対応するPilotDeck 2.0を公開した。ワークスペース、編集可能な記憶、バックグラウンド実行、モデルルーティングを備える。
続きを読むOmniCompass は、時間グラウンディング、空間グラウンディング、質問応答を組み合わせた動画理解ベンチマークです。テキストのみとテキスト+画像による対象指定を比較し、モデルが妥当な回答を作るだけでなく、動画内の根拠を一貫して利用できるかを検証します。
続きを読む