Archive
Agent、MCP、coding agent、工作流自動化與評測。
代理工具
SkillForgeは実際の課題チケットが発生する前に、テストでカバーされた実行パスから検証可能な障害を生成し、その修復軌跡をプロジェクト固有のスキルへ蒸留する。Mini-SWE-Agentと組み合わせることで、DeepSeek-V3.2とGPT-5-miniのSWE-bench VerifiedにおけるPass@1は、それぞれ72.2％と60.6％に上昇した。
代理工具
SPADEは、プロンプトの前後におけるリターン差を用いて環境設計者を訓練し、エージェントの能力に応じてカリキュラムを自動的に難化させる。Qwen3-30B-A3Bはツール使用評価で最大13.9ポイント向上したが、環境検証器が仕様を満たさないタスクや解のないタスクを受理する可能性は残る。
代理工具
FM-Benchは、26種類のツールと約340～400の意思決定ポイントを通じて、エージェントが遅延報酬、隠された情報、競合相手の反応に対処できるかを検証した。15モデルはいずれも20シーズンを完遂したが、順位が安定したのは後半に入ってからで、自律的なメモリ管理にも「追加するだけで削除しない」「繰り返し上書きする」という2つの失敗パターンが見られた。
最新模型
同じTransformer層を再利用し、各tokenを生成する前に隠れ状態を反復更新する手法を研究。同一のデータとLoRA設定で循環モデルと通常モデルを比較したところ、改善は並列呼び出しと呼び出し間の依存関係に集中した。一方、単一のAPI呼び出しが中心のAPI-Bankでは、一貫した優位性は見られなかった。
AI 安全
新たな研究では、エージェント間で受け渡されながら対話ログには記録されない連続ベクトルと、その後の公開行動を同一イベントに紐付け、異常検知、反実仮想的影響、スパース特徴の3層で検査する。平均0.993という結果には、テキストによる共謀と潜在状態による共謀の両方のサンプルが含まれ、攻撃も研究者が事前に設計したものであるため、自発的な密謀を検出する汎用能力とはまだ見なせない。
代理工具
FACETは、指示、コンテナ、参照解法、検証器を同一の実行状態に結び付け、7万1,000件を超えるエージェントスキルから6,078件の検証可能なタスクを合成した。わずか1,200件の成功軌跡でファインチューニングした結果、Qwen3.5-9BのTerminal-Bench 2.1スコアは27.34から35.58へ上昇した。
代理工具
研究により、エージェントはモデルのトレーニング、デバッグ、評価を自律的に実行できる一方、最初のパラメータ更新前にトレーニング戦略を固定してしまうことが明らかになった。実験ログ、スキルライブラリ、評価エージェントを追加すると下流タスクのスコアは向上したが、証拠が不利な場合に手法を切り替えるようシステムを促すには至らなかった。
代理工具
同じ修正課題に制御フロー、識別子、デッドコードの書き換えを適用したところ、問題解決率は最大6.7ポイント低下した。モデルの堅牢性はmini-SWE agent、OpenCode、データセットの組み合わせによって入れ替わり、単一のモデルランキングではデプロイ時の性能を予測できない。
代理工具
ComponentBenchは、完全なワークフローでエラーを覆い隠すのではなく、スライダー、日付ピッカー、データテーブル、ドラッグ＆ドロップなどのUIコンポーネントを個別にテストする。同一のタスクとフレームワークにおいて、GPT-5 miniの成功率はaccessibility tree使用時が83.1％、座標指定によるピクセル操作のみの場合が48.9％だった。
代理工具
SkillGateは、長いワークフローを実行するエージェントを結果報酬で訓練すると、スキル選択に使われる少数のtokenには有効な信用割当がほとんど届かないことを明らかにした。新手法は、同一のGRPO更新内で2つの勾配経路を分離し、5つのエージェント評価で結果報酬ベースラインを上回った。
代理工具
新たなフレームワークは予測エントロピーに基づき、LLM審判者が判定をそのまま採用するか、Web上の証拠を検索するか、棄権するかを決定し、Clopper–Pearson上限を用いて2つのしきい値を較正する。オープンドメイン質問応答の32通りの実験設定すべてで指定された誤り率を維持したが、この保証は同一分布の較正データと信頼できるラベルに依存する。
代理工具
Alibaba Cloudチームは、ブラウザエージェントのエラー回復、複雑なUI操作、長期的な信用割当を単一の訓練パイプラインに統合した。27Bモデルは、新たに構築された中国語・英語バイリンガルのBrowserBenchでPass@1 65.1%を達成したが、モデルの重みと評価データが一般公開されているかどうかは、依然として確認が必要だ。