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

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。
推論系統

Axon、強い型付けのDSLから5種類のLLMバックエンドを生成、MLXの中央値レイテンシをTransformersの48.3％に低減

Axonは、モデルアーキテクチャをシンボリックなテンソル形状を持つ関数型仕様として記述し、PyTorch、Triton、JAX、MLX、ネイティブvLLM向けにコンパイルする。467件の推論テストでは多くの生成モデルが高速化した一方、一部のBF16モデル、エンコーダーモデル、シーケンス・ツー・シーケンスモデルでは、精度または性能の低下も確認された。
代理工具

モジュールの可視情報を制限することで再利用可能な潜在通信を促進、10組のペア実験のうち9組で少なくとも20ポイント上回る

Qwen2.5-0.5Bと同一のLoRAを共有する4つのモジュールが、注意マスクの違いだけでまったく異なる合成戦略を学習した。各モジュールが自身の証拠断片しか見られないよう制限すると、サンプル間で転用可能な中間値通信が形成されやすくなったが、事前登録された全体成功基準には0.0012届かなかった。
最新模型

MidTool、ツール利用を中間学習へ前倒しし、Qwen3-4BのBFCLv3総合スコアを10.5ポイント向上

MidTool-Mixは、Web、PDF、コード、実際のツールインターフェースから203億tokenを合成し、モデルがSFTやRLに進む前に、ツールの境界、パラメータ、ワークフローを学習できるようにする。同一のSFTレシピを適用した場合、Qwen3-4BのBFCLv3総合スコアは39.73%から50.25%へ向上したが、深度検索タスクは依然としてまったく解決できていない。
AI 安全

凍結したQwen3-8Bでも「能力拡張」が生じる――研究、自律的改善の評価に実測による帰無ベースラインの導入を要求

新たな研究により、1回限りのgreedy decodingと不安定な閾値によって、まったく訓練していないモデルが能力を獲得または喪失したように見えることが判明した。設問ごとの正確検定に切り替えると、3種類のself-trainingはいずれも既存能力を安定して強化しただけで、基盤モデルが一度も示さなかった新能力の獲得は実証できなかった。
代理工具

PILOT、決定論的ガードレールで淘宝（Taobao）のレコメンド実験を管理、探索効率は53.3%から93.3%に向上

PILOTは、実験管理、セグメント別戦略の探索、メモリ整理を3つのLLMロールに担わせる一方、権限管理、統計的判定、状態の書き込みは決定論的サービスに委ねる。淘宝の5つのオンラインbucketにおける社内結果では探索効率が40ポイント向上したが、公開再現可能なコードやトラフィック規模は報告されていない。
代理工具

CentaurBench：単独での問題解決に最も優れたモデルが、別のエージェントの指導にも最も優れているとは限らない

CentaurBenchは、7種類の業務タスクを用いてモデルの自動化能力と支援能力を個別に評価した。2つのランキング間の相関係数は約0.48にすぎない。支援なしのGPT-3.5-Turboが3つのタスクですべての指導ありのバージョンを上回り、強力なモデルを追加してもエージェントのワークフローが必ず改善するわけではないことを示した。
代理工具

TrueForgeがエージェント実行フレームワークをオープンソース化、14件の企業向けタスクでマネージドサービスより30～75％低コストと主張

TrueFoundryは、エージェントループ、MCPツール、オンデマンドサンドボックス、サブエージェント、承認フローを組み合わせたセルフホスト可能な実行フレームワーク「TrueForge」をMIT Licenseで公開した。公式のEnterprise-Benchでは、同一モデルで約30％、GLM-5.2への切り替えで約75％のコスト削減を報告しているが、比較対象は14件のタスクに限られる。
代理工具

Slack Code、コーディングエージェントを共有チャンネルに導入――diff表示、ライブプレビュー、人による承認に対応

SalesforceはSlack Codeを発表した。チームは会話からプロジェクト専用のCode Channelを直接作成し、エージェントが生成したコードを共同で監視、修正、承認できる。初期段階ではClaude、Devin、GitHub Copilot、ChatGPT、Vercel agentsと連携するが、セキュリティ分離、権限の粒度、APIの詳細はまだ完全には公開されていない。
代理工具

AFANet、6.5万の学習可能パラメータでマルチエージェント障害を診断、ドメイン内推論を199秒から1.16秒に短縮

AFANetはエージェント間の対話を、時間的な接続と同一エージェント内の接続を持つグラフに変換し、2層のGCNで障害エージェントとエラー種別を判定する。AEGIS-Benchでは複数のLLMベースラインを上回ったが、データセットをまたぐエージェント—エラーのペアリングF1は依然として低い。
推論系統

Liquid AI、LFM2.5にDSparkドラフトモデルを追加—H100 1基でデコードを最大3.18倍高速化

Liquid AIは、約3億パラメータのDSparkドラフトモデル3種を公開した。LFM2.5は投機的デコーディングにより、複数の候補tokenを一度に検証できる。batch size 1のgreedy decodingテストでは最大3.18倍の高速化を達成したが、SGLangサポートは依然としてオープン中のPRであり、デプロイの成熟度は今後の検証が必要だ。