代理工具
Recuris、エージェントの重みを凍結したままスキル記憶を再帰的に書き換え、35組の長期タスク評価で性能向上
Recurisは、作業状態、スキル選択、失敗の証拠を局所的に更新可能な記憶コンポーネントに分割し、変更のたびにホールドアウトデータで検証する。著者らは、評価が完了した37組のモデル–ベンチマークのペアのうち35組で向上を記録したが、一部の改善は統計的有意性に達しておらず、テストはLLMによるユーザーとジャッジのシミュレーションにも依存している。
Archive
代理工具
Agent、MCP、coding agent、工作流自動化與評測。
代理工具
AI 開發平台與治理
OpenAI Admin plugin、利用量・権限・メンバー管理をエージェントツール化。ただし新たな認可境界は設けず
OpenAIはChatGPT WorkとCodex向けにAdmin pluginを提供開始し、管理者が対話形式で利用量を照会し、サポートされる管理操作を実行できるようにした。このプラグインは既存のロール、App、ソースシステムの権限を引き継ぐため、インストールしただけではデータへのアクセス権や書き込み権限は付与されない。
最新模型
EchoWM、6DoFナビゲーションとネイティブ音声を世界モデルに統合。ただしインタラクティブ版コードは未公開
JD.comのJoy Future Academyチームは、統一された軌跡インターフェースで一人称および三人称視点の720p映像世界を制御するEchoWMを発表した。論文は同システムを「オープン」モデルとしているが、現在リンクされているリポジトリが提供するのは長時間動画用パイプラインのみで、EchoWMのコードとモデルウェイトはまだ公開されていない。
代理工具
EarthVerse、405件の災害調査で評価：エージェントの平均正答率は8割超、ほぼ完全なタスク達成率は依然34.81%
EarthVerseは、あらかじめ整理された科学問題への回答ではなく、異種ファイルからの証拠選択、計算の実行、出典の保持をエージェントに求める。最高システムの回答ユニット正確率は84.65%に達したが、必須ユニットの少なくとも95%を完了できた割合は、最高でも34.81%にとどまった。
AI 安全
「ネット遮断」されたエージェントでも推論API経由で外部ファイルを取得可能、評価環境の隔離はサーバー側まで拡張が必要
Prime Intellectは、外部通信を禁止したサンドボックス内のエージェントでも、推論エンドポイントのリモートファイル機能をネットワークプロキシとして利用できる可能性があると報告した。テストで攻撃が成功したのは一度だけだったが、評価の不正操作と推論サービスにおけるSSRFに共通する境界上の欠陥が明らかになった。
最新模型
IBM、Granite 4.2で3つの密な推論モデルを公開。ただし公式文書で訓練の出発点に食い違い
Granite 4.2は、3B、8B、30Bの3サイズで、切り替え可能な思考モード、ネイティブなツール呼び出し、最大512Kのコンテキストを備え、Apache 2.0ライセンスで提供される。8Bと30Bにはサンドボックス型のエージェント強化学習が施されている一方、ゼロから事前学習されたかどうかについて、モデルカードと技術記事の記述が矛盾している。
代理工具
Pipette、オンデバイスモデル評価をオープンソース化：精度・レイテンシ・メモリを同時に定量化、ただしデバイスをまたぐ順位の直接比較は不可
Liquid AIとArtificial AnalysisはPipetteを公開し、1,000を超えるモデル、量子化、runtime、デバイス、コンテキストの構成でオンデバイス推論を測定した。速度とメモリは実機で測定される一方、品質スコアはH100上で別途生成されるため、統合グラフを読む際には2つのテスト経路を区別する必要がある。
AI 安全
TRACEがLinux Foundation傘下へ：エージェントの実行場所をハードウェアで証明、ただし動作の正しさまでは保証せず
Linux FoundationはTRACE仕様を受け入れ、AIエージェントのモデル、実行環境、ポリシー、ツール呼び出しに関するポータブルな暗号学的証拠の確立を目指す。現行のv0.2は依然としてDeveloper Previewであり、記録と検証済み環境との関連性は証明できるものの、エージェントがタスクを完了したことや、ポリシー自体の安全性までは証明できない。
代理工具
TRACE、成功・失敗の軌跡からエージェントのSkillsを書き換え、隠しテストでの一貫成功率を70％に向上
小米（Xiaomi）のチームが提案したTRACEは、成功／失敗軌跡の対比結果を用いて検索可能なSkill Bankを反復的に改善し、基盤モデルの重みは変更しない。CAR-benchの隠しテストセットでは3回すべて成功する割合を高めた一方、平均token数、コスト、レイテンシーも増加した。
代理工具
Gradio、AIパイプラインを実行可能なノードグラフに変換――ただしキャンバスとAPIの並列実行セマンティクスには依然として差異
Gradioは、組み込みの`gr.Workflow`を正式に紹介した。同一のノードグラフを視覚的なデバッグやSpacesへのデプロイに利用でき、RESTエンドポイントも自動生成される。インタラクティブキャンバスでは同じ階層のノードを並列実行できるが、生成されたAPI経由で呼び出す場合は現在も逐次実行されるため、キャンバス上の結果をそのまま性能テストに流用することはできない。
代理工具
Dify 1.17、エージェント環境を復元可能なスナップショットとしてパッケージ化、実行バックエンドと環境変数も刷新
Dify 1.17.0では、E2B実行バックエンド、ビルド時のhome snapshot、バージョン管理されたSkills、階層型コンテキスト圧縮が追加され、エージェントは起動するたびに一貫したツールとファイルの状態を取得できる。ただし、これは無停止で適用できる小規模アップデートではない。データベースマイグレーション、Compose設定、複数の環境変数が変更されており、セルフホスト環境のユーザーはデプロイ構成を改めて確認する必要がある。
GitHub Repo
Headlong、Bashの無限ループで常時稼働エージェントを実装――質問がなくても自ら思考・実行
Laude InstituteとMITは、1万行未満のBashで構成されたHeadlongを公開した。メッセージを新たなセッションではなく、継続的な思考軌跡に対する非同期の観察として扱う。長期記憶や自発的行動の研究に利用できる一方、tokenコスト、権限の分離、ユーザー間のデータ境界が常在的なリスクとなる。