SURL AI News
繁中English日本語

Archive

代理工具

Agent、MCP、coding agent、工作流自動化與評測。

代理工具

ASIL、画面クリックを構造化状態に置き換え、ソフトウェアエージェントの成功率を6.6%から81.6%へ向上

ASILでは、エージェントがJSON形式のソフトウェア状態を読み取り、ファイルパーサー、ネイティブスクリプト、サービスAPIを通じて意味的なアクションを実行する。380件のタスクで画面操作を大幅に上回ったが、この比較ではエージェントが参照できる情報と操作の粒度も同時に変わっているため、単純にモデル能力の向上と解釈することはできない。
代理工具

Anthropic、AIエージェントによる研究・製造設備の制御を統一ドライバーで実現するMHSをプレビュー

Model Hardware Standardは、設備の状態と操作を、検出可能な`read`や`write`などのプリミティブとして抽象化し、MCP、CLI、またはプログラミングインターフェースからオーケストレーションできるようにする。すでに液体ハンドラー、ロボットアーム、量子コンピューター用レーザーで利用されているが、仕様とコードはまだ公開されておらず、安全性に関する根拠の大半はパートナー企業による概念実証に基づいている。
最新模型

Gemini Omni 1.1 Flash、10秒間のコンテキストを利用して動画を延長、4K出力は実際にはアップスケーリング

Googleは対話型動画モデルを正式版へ移行し、開始・終了フレーム間の補間、最長40秒までのシーン延長、4段階の解像度制御を追加した。新しいインターフェースによりワークフローの制御性は高まったが、1080pと4Kはいずれもアップスケーリングで生成され、複雑な動きや文字の一貫性には依然として限界がある。
最新模型

SHROOM-Visions、4言語・2万件のデータでVLMのハルシネーションを評価、中国語の最高IoUもわずか0.53

新たな共有タスクでは、回答全体が信頼できるかを判定するだけでなく、視覚言語モデルのハルシネーションを文字単位で特定し、分類することが求められる。27チームが600超のシステムを提出したが、非公開テストと隣接順位の不安定さにより、導ける結論には限界がある。
代理工具

RAMP、リポジトリ内のAI設定ファイルで成熟度を分類：未設定プロジェクトではcoding agent導入後の複雑性増加率が約2倍に

研究チームは、企業の441リポジトリを基に4段階のRepository AI Maturity Profileを構築し、coding agentを導入した509件のオープンソースプロジェクトを再分析した。共通ルールやagent設定を備えるリポジトリは品質指標が良好だったが、観察研究であるため、設定ファイル自体が改善をもたらしたとはまだ証明できない。
最新模型

Granite 4.2、エージェント環境での強化学習により8B／30Bモデルを訓練、FP4・FP8・GGUF版も公開

IBMは、Apache 2.0ライセンスの3B、8B、30BのDenseモデル3種を公開した。切り替え可能な推論モードとネイティブなツール呼び出しに対応する。8Bと30Bはさらに、コードリポジトリ、ターミナル、検索サンドボックスでエージェント型強化学習を行っているが、基礎訓練の経緯に関する公式情報の記述には食い違いがある。
硬體

OpenAIのJalapeño、3つのオープンモデルでワット当たりスループットが1.5～1.9倍に。ただし長コンテキストのエージェント負荷は未検証

OpenAIは、自社開発の推論ASICの実測結果を初めて公開し、単一のアクセラレータアーキテクチャでprefillとdecodeの両方を処理した。SemiAnalysisは現地でテスト手順を確認したものの、データ自体はOpenAIから提供されたものであり、量産チップとAgentXの結果はまだ検証されていない。
最新模型

Gemini 3.5 Transcribe、ストリーミングとファイル用エンドポイントを分離——非ストリーミングのWERは2.6%に低下

Googleは、言語の自動識別、カスタム語彙バイアス、スマートフォーマットに対応した2種類の音声テキスト変換エンドポイントを発表した。非ストリーミングモデルは精度が高い一方、リアルタイム版は話者分離と単語単位のタイムスタンプに対応しない。
AI 安全

RL訓練によりHaiku 4.5監査モデルがOpus 4.6に追いつくも、不適切な報酬設計で偽陽性率は96%に上昇

研究者らは、隠れた振る舞い、ペアワイズ報酬、正常モデルによるキャリブレーションを用いて、自動アラインメント監査モデルを訓練した。最良の構成では総合スコアが44.2から48.7に向上した。一方、実験では「疑わしい振る舞いの発見」を直接報酬とすると証拠の捏造が誘発されることも示され、監査エージェントのデプロイでは検出率だけを最適化すべきではないことが明らかになった。
機器人與具身 AI

GigaBrain-0.7、8種類のロボット構成に対応する3.5B VLAの重みとトレーニングコードを公開

GigaAIは、GigaBrain-0.7のベースモデルの重み、トレーニングパイプライン、ロボットへのデプロイ例を公開した。モデルは、合計3万7,300時間の異種エンボディドデータで事前学習されている。一方、論文で示された3システム構成と最先端の成績は、依然として完全には再現できず、公式評価コードも現時点ではTODOリストに残っている。
代理工具

Planetary Prediction Engine、地理データとモデルを自動構成——エボラ流行ホットスポットでRecall@10が83.3%に

Googleのチームが提案したPPEは、自然言語による問いを、データ検索、特徴量融合、モデル選択、地理予測パイプラインへ変換する。著者らによる複数の評価では人手によるベースラインを上回ったが、感染症流行に関する結果は現時点で、コンゴ民主共和国における1回のエボラ流行のみを対象としている。