Archive
Agent、MCP、coding agent、工作流自動化與評測。
推論系統
新たなオープンソースのベンチマークスイートは、小型モデルをJetson、Mac、Raspberry Pi、Androidデバイスで動かし、データセンターGPUのスループットだけでなく、デコード速度、tokens/J、レイテンシ、温度を測定する。作者は約1,000通りのJetson構成をテスト済みとしているが、現在、公開リーダーボードにはデータが1件も読み込まれておらず、ユーザーは当面、リポジトリ内のレポートとraw artifactsを参照して結果を検証する必要がある。
最新模型
上海人工知能研究所はIntern‑S2‑Preview‑397Bを正式版へアップグレードし、長期的なエージェント能力を追加するとともに、Apache 2.0ライセンスのBF16およびFP8重みを公開した。APIユーザーは`intern-s2`へ移行する必要があるが、公式ドキュメントではlatest aliasに関する記述が依然として矛盾しているため、移行時にはレスポンスで返される実際のモデルバージョンを確認すべきだ。
推論系統
最近コミュニティで注目度が高まっているColibrìは、純C製エンジンでスパースなエキスパートをオンデマンドに読み込み、744Bから2.8Tパラメータのモデルをデータセンター向けではないハードウェアでも起動可能にする。引き下げられるのはモデルの常駐メモリ要件であり、実際のデコード速度は依然としてSSD帯域幅、エキスパートのヒット率、量子化品質に大きく左右される。
AI evaluation / scientific reasoning
6つの物理学評価を対象とした人手による監査で、自動採点により誤答とされた回答の多くが、実際には誤った参照解答、採点器の欠陥、または問題文の不備に起因していたことが判明した。問題を修正または除外した後、GPT‑5.6‑Solは残されたCritPt問題で94.4%のpass@4を記録したが、これは元の全問題を対象としたランキング成績と同一ではない。
代理工具
新たな研究は、マージ済みPRから逆算してタスクを構築し、リポジトリのSKILLが同じcoding agentの問題解決能力を本当に高めるかを直接測定した。GEPAが生成した文書は平均4.9ポイントの改善をもたらした一方、SkillOptの効果はほぼ見られず、実行間のばらつきを排除するにはサンプル数がなお不足している。
代理工具
Alibabaが社内で利用してきたOpenCodeReviewが今週、オープンソースとして急速に注目を集めている。ファイル選択、ルールマッチング、コメント位置の特定は決定論的なプログラムに任せ、LLMエージェントにはコンテキスト探索を担わせる設計だ。公式ベンチマークでは汎用coding agentと比べてtoken使用量を約90％削減した一方、recallは低い。
代理工具
Astah Pro MCPの実験的なmainブランチにprogrammatic tool callingが追加され、direct modeの約400種類の細粒度な操作が83種類のツールに置き換えられた。これにより、エージェントが大規模なツールカタログを読み込む負荷が軽減される。この変更は、Astah公式が掲載している安定版0.2.9の情報にはまだ反映されておらず、モデルデータやログ、編集権限は引き続き外部エージェントに渡される。
推論系統
Hugging Faceは9月13日から、通常のモデルリポジトリに保存されていた旧版の演算kernelを削除している。ユーザーは`kernels`をアップグレードし、新しいkernelリポジトリタイプへ移行する必要がある。この移行ではAPIバージョンの明示と信頼できる公開者への制限も必須となるが、ダウンロード時の署名検証はまだ自動的には有効化されていない。
代理工具
OKF Agent Memory 0.2は、`code_refs`を使ってMarkdownの意思決定文書をソースコードのglobに紐付け、CLIとMCPからファイルごとに`hold`、`constraint`、`context`の3段階のルールを照会できるようにした。新版ではパストラバーサルとワークスペース外への逸脱も防止するが、ルールが実際に遵守されるかどうかは、依然としてエージェントの統合方法に左右される。
代理工具
macOS向けベータ版のLumaeでは、エージェントがタイムラインを読み取り、カーソルのクリック位置に基づいてズームを配置し、フレームをプレビューして動画を書き出せる。すべての変更にはGUIと同じアトミックコマンドとundo履歴が使われる。メディア処理はローカルにとどまる一方、モデルに見せるフレームは接続先のエージェントサービスへ送信され、現時点では独立したセキュリティ監査も行われていない。
最新模型
DeepSeek は9月14日04:00 UTCより、すべての `deepseek-v4-pro` リクエストを新しい V4.1 Flash に一時的にルーティングする。新アーキテクチャでは KV cache が token あたり890 bytes に圧縮された一方、独立評価では推論出力が長くなるため、タスク単位のコストが前世代の Flash を上回る可能性が示されている。
代理工具
NVIDIAはNemotron IMO 2026のリソースを更新し、SFT／RLの重み、データ、プロンプト、再開可能な完全版推論プログラムを公開した。システムは30／42点を獲得したが、その成果は3つの561B checkpointと膨大なテスト時計算に大きく依存しており、単一モデルによる1回の回答能力とは見なせない。