推論系統
PELM、DVFSと投機的デコーディングを協調制御し、エッジLLMの消費電力を最大52.4%削減
PELMはプロセッサの周波数を調整するだけでなく、投機的デコーディングの設定と検証深度も動的に選択し、熱制約下でハードウェアとモデルの処理量を協調制御する。論文では最大23.1%の高速化と52.4%の省エネルギーを報告しているが、ピーク値をスマートフォンや他のモデルへそのまま外挿することはできない。
Archive
代理工具
Agent、MCP、coding agent、工作流自動化與評測。
推論系統
AI 安全
Datasette、マルチモデルのコーディングエージェント監査で権限・キャッシュの脆弱性を発見、1.0a39と0.65.4で同時修正
Datasetteは初めてClaudeおよびGPTシリーズのエージェントを用いた包括的なセキュリティ監査を実施し、その後、2人の開発者が相互にテストと修正コードを作成した。新版では非公開データの権限、SQL／HTML escaping、認証、HTTPキャッシュを強化したが、一部の再現テストは公開が延期されており、外部から脆弱性の範囲を完全かつ独立に検証することはまだできない。
代理工具
ToolGrad、ツール利用データの生成プロセスを逆転—500件の合成データでGemma 3 12BのBFCLスコアを83.1に向上
GoogleのToolGradは、まず実行可能なAPIチェーンを構築し、その後で対応する指示を逆向きに生成することで、従来のエージェントが探索を繰り返して答えを偶然見つける非効率を回避する。実験では、小規模なデータセットでも未知のツールに対する関数呼び出し能力を改善できることが示されたが、結果は依然として単一ターンのベンチマークと合成ワークフローに集中している。
AI 安全
AgentAuditはエージェント評価を10のライフサイクル段階に分解するが、モデル審査員が依然として最大の変動要因
AgentAuditはタスクが完了したかどうかを計算するだけでなく、実行軌跡から計画、メモリ、ツール選択、安全性、実行の完全性を個別に検査する。5モデルの総合信頼スコアには大きな差があるものの、9つのタスクと単一のモデル審査員だけでは汎用的なランキングを裏付けるには不十分だ。
生成式音訊
YuE2-3B、編集可能な楽譜で楽曲全体を設計――8候補からのベスト選択でようやくSuno v5を上回る
YuE2は、メロディーとコードの記号的プランニング、セマンティックトークン、flow matchingによる音声合成を単一の生成パイプラインに統合した。重みは24GB GPUで実行できるが、非商用ライセンスであることや、8候補から最良の結果を選ぶ評価方式を採用しているため、商用システムとの比較は慎重に解釈する必要がある。
代理工具
Φ-Bench、85件の実世界インフラタスクでコーディングエージェントを評価――最高モデルでも総合スコアはわずか36.53%
Φ-Benchは評価範囲を単一のGPU kernelから、複数ファイルにまたがる実装やエンドツーエンドのシステム最適化へと拡大した。8つの最先端モデルはいずれも有効な変更を時折見つけられたものの、推論予算の増加がより良いエンジニアリング成果へ安定的に結びつくことはなかった。
代理工具
AWSがPizza Botをオープンソース化、長時間実行されるエージェント作業を再開可能な非同期インボックスに
Pizza Botはエージェントの状態、承認要求、スケジュール実行の結果をサーバーに保存し、ユーザーが会話を離れた後も作業を継続する。複数のモデル、MCP、Agent Skillsをサポートするが、ローカルファーストだからといってツールの安全性が保証されるわけではなく、リモート展開やプラグインには独自の信頼境界を設ける必要がある。
應用研究
NASAとIBM、幾何条件付けと混合解像度で11種類の観測データを統合する月面基盤モデルを公開
NASA‑IBM Lunar Foundation Modelは、約200万組の位置合わせ済み月面データを用い、1ピクセル当たり1メートルから100メートルまでのスケール差を橋渡しする。モデル、データ、ファインチューニング用コードは公開されたが、氷の分布に関する出力は依然として間接的な推定であり、着陸や探査の意思決定には使用できない。
最新模型
Cognition、SWE-2を発表：単一の強化学習で複数の推論コストを学習
SWE-2は、2.8TパラメータのKimi K3をベースモデルとし、コストペナルティ、低精度rollout、同期更新されるdraft modelを活用して、コーディングエージェントの効率を改善する。公式ベンチマークでは最先端のクローズドモデルに迫るが、結果の大半はCognition自身が測定したもので、現時点では独立したAPIやモデル重みは提供されていない。
LLMOps 與向量資料庫
Dify 1.17.1、ナレッジベースのキー権限を縮小。ただし内蔵 Weaviate は12バージョンを順次アップグレードする必要あり
Dify の新バージョンでは、データセット単位の API キーと明示的なデータベース session が導入され、Redis の肥大化を抑えるためエージェントイベントの保持期間も短縮された。既存の内蔵 Weaviate 環境ではイメージを直接更新できず、強行するとオブジェクトを読み取れる状態でもベクトル検索が恒久的に損なわれる可能性がある。
具身 AI 與機器人
FolDeX、2,000時間超の実ロボットデータで長期シーケンスの衣類折り畳みを評価
FolDeXは、衣類の折り畳みを20以上のタスクと10種類以上のロボット形態を網羅する実世界ベンチマークとして体系化し、異種データをタスク、環境、ハードウェアをまたいで再利用できるかを重点的に検証する。チームは実機によるリモート評価も提供しているが、データライセンス、完全なデータセットのダウンロード方法、初期の比較可能なベースラインについては、なお確認が必要だ。
代理工具
TRACE、隠れた介入から検証可能な報酬を合成し、35Bエージェントにデータ異常の追跡を学習させる
TRACEは既知の障害をシミュレーターに注入し、エージェントにPythonとSQLを使わせて、ノイズや交絡因子を含む観測データから根本原因を逆推定させる。SFTと強化学習を施したQwen3.5-35B-A3Bは、ホールドアウトテストセットにおいて、論文で評価されたプロンプトベースのフロンティアモデルを上回った。ただし、成果は依然として単一の合成広告環境に限られる。