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。

機器人／VLA 訓練

EXIMO、VLMオーケストレーションによる探索を3B VLAへ再蒸留し、追加の遠隔操作デモを不要に

Google DeepMindは、視覚言語モデルに長い手順を要するロボットタスクをVLAが実行可能なサブゴールへ分解させ、成功軌跡で元のモデルをファインチューニングしたうえで、残差型オフポリシー強化学習を追加した。この手法はシミュレーションタスクの探索効率を向上させたが、実ロボットで人間によるデモを代替できることはまだ実証されていない。
GitHub Repo

EnvHarness、検証器を変更せずにエージェント訓練環境を再構成、ALFWorldのドメイン外性能を9ポイント向上

Google Cloud AI Researchなどのチームは、エージェントharnessの概念を環境側に適用し、組み合わせ可能なインターフェース層によって初期状態、可視情報、タスクフローを変更する手法を開発した。オープンソースの実験は5つのベンチマークを対象とし、最大9パーセントポイントの向上を達成したが、完全な結果の再現には複数の外部環境と商用モデルAPIが依然として必要となる。
代理工具

NVIDIA、CUDA MCPとセルフホスト型Nsight Blueprintを発表—4モデル構成のバックエンドを社内ネットワーク内で運用可能に

Nsight AIは、リアルタイムのCUDAドキュメントをCodexやClaudeなどのMCPクライアントに接続できるようになったほか、完全なコーディング支援バックエンドをローカル環境にデプロイできるようになった。オープンソースのBlueprintは、生成、補完、埋め込み、リランキングの各モデルを組み合わせるが、リファレンス構成にはHopper世代のGPUと少なくとも200GBのストレージが必要となる。
最新模型

Ornith-1.5、自己生成したタスクを強化学習に組み込み、397BモデルがTerminal-Bench 2.1で86.1点と自己報告

Ornithは、9B、35B MoE、397B MoEの3種類のオープンウェイトモデルを公開した。訓練ループでは、タスク、エージェント・スキャフォールド、解答軌跡を同時に最適化する。397Bモデルのコーディングエージェント性能はクローズドなフロンティアモデルに迫るが、数値はまだ独立に再現されておらず、モデルの公開文書にはライセンス上の不備もある。
代理工具

Claude、computer use、Skills API、Files APIをGA化、ブラウザエージェントは要素単位の制御へ

Anthropicの新しいツールでは、1回のモデルターンで複数のインターフェース操作を実行でき、ページ構造、バージョン管理可能なスキル、永続ファイルも組み合わせられる。既存のbeta統合は引き続き動作するが、computer useツールをアップグレードするとリクエスト形式が変わるほか、エンジニアリングチームはブラウザの分離やプロンプトインジェクションのリスクにも自ら対処する必要がある。
代理工具

NVIDIA AVO、ARC-AGI-3公開セット全183レベルをクリア、アクション数はVISTA比で約12%減

NVIDIAは、もともとGPUカーネルの進化的探索に用いていたAVOエージェントアーキテクチャを対話型推論へ移植し、Claude Opus 5との組み合わせで100.00 RHAEを達成した。この結果は、エージェントのメモリと検証ループによって同じモデルの性能が大きく変わり得ることを示している。ただし、対象は公開環境に限られており、VISTAとの比較も統制されたアブレーションではない。
AI 安全

PolicyGuide、永続的なフロー図でカスタマーサポートエージェントを制約し、4回連続合格率を0.42から0.62に向上

PolicyGuideは、ツール呼び出しの直前にポリシー違反のアクションを阻止するだけでなく、各ユーザーターンで未完了のポリシーステップを追跡する。3つのτ²-benchドメインで信頼性の高い成功率を向上させた一方、ターンごとに1回のLLM検証が追加され、手続き遵守の指標の一部は著者らが独自に設計している。
代理工具

Mojoがコンパイラとツールチェーンのソースコードを公開、単一のBazelコマンドでソースからビルド可能に

ModularはMojo 1.0のリリースから1週間後、KGENコンパイラ、ツール、標準ライブラリをApache 2.0 with LLVM Exceptionsで公開した。ソースコードは閲覧および独自ビルドが可能になったが、コンパイラへの外部コントリビューションは現時点で受け付けておらず、MAXも引き続き別ライセンスで提供される。
代理工具

エージェント記憶はサブタスク単位に分割すると転移の信頼性が向上、テキストスキルがコードを平均2.9ポイント上回る

9モデルと3種類の長期プロセス評価を対象とした研究で、タスク全体から抽出したスキルは概してエージェントの性能を低下させる一方、サブタスクから抽出すると平均的に性能が向上することが示された。自然言語による手順メモも、実行可能なPythonスキルより安定していたが、効果は依然としてモデルと評価に大きく左右される。
代理工具

MemTrapBench：関連する記憶を追加すると、5つのエージェント記憶戦略のスコアが逆に少なくとも10.66ポイント低下

MemTrapBenchが評価するのは、記憶を取り出せるかどうかではない。正しく関連性のある過去の経験が、モデルを誤った戦略や信念に縛り付けるかを検証する。5つの記憶手法はいずれも、2つのモデルで記憶なしのベースラインを下回り、単純なプロンプトベースのガードレールで回復できたのも損失の一部にとどまった。
代理工具

SAPO、単一の自己回帰モデルにactorとcriticを兼任させ、エージェントRLの1イテレーション当たりの学習を33.2%高速化

SAPOは生成シーケンス内の2つの因果的境界を利用して状態価値と行動価値を同時に読み出し、独立したcriticや同一プロンプトに対する複数回のrolloutを不要にする。Qwen2.5-7BはALFWorldとWebShopの総合指標でPPO、GRPOを上回ったが、現時点では公開実装による検証が不足している。