代理工具
OmniScientist、科学の生データを直接読み取り、36件の学際的タスクすべてで追跡可能な論文を生成
OmniScientistは、画像、波形、軌跡を先にテキスト要約へ圧縮するのではなく、知覚能力を仮説、実験、執筆の全工程に行き渡らせる。完全版システムは、予算化された特徴量のみを受け取るバージョンとのブラインドテストで85%の勝率を記録したが、評価は依然として主にモデル審査員によるものだ。
Archive
代理工具
Agent、MCP、coding agent、工作流自動化與評測。
代理工具
LLMOps
LiteLLM 1.98 RC、Auto Routerで先にシャドー評価を実行し、system promptによるコスト誤判定を修正
新バージョンでは、少量の実トラフィックを候補ルーターに複製し、オンラインの結果に影響を与えることなく、ブラインド方式のLLM judgeで応答を比較できる。複雑度分類でも、固定されたエージェントのsystem promptを各リクエストの技術的難易度を示すシグナルとして扱わなくなった。
代理工具
OpenAI Agents SDK 0.21、API不要のテストレイヤーを追加——エージェント、サンドボックス、音声フローをリプレイ検証可能に
新バージョンでは、スクリプト化可能なモデルおよびサンドボックスのテストツールを提供し、モデルプロバイダーを呼び出すことなく、マルチターンのエージェントフローをCIで再現できるようになった。また、OpenAI Python 3とHTTPX 2への対応を進め、中断状態、ツール承認、機密性の高いエラー情報の漏えいに関する問題も修正している。
代理工具
StateBridge、閉形式の回転アライメントでエージェントの隠れ状態を整合し、訓練なしでテキスト通信のボトルネックを回避
StateBridgeは、送信側エージェントの最終層のhidden stateを受信側のembedding空間に整合させ、連続的なprefixとして直接注入する。4つのオープンモデルによる26件のテストのうち22件で最高または同率最高の結果を達成したが、現時点では内部状態にアクセスできる同一モデルのエージェントに限られる。
推論系統
Apple SiliconでハイブリッドQwenを動かすための最適化チェーンは依然として不完全：MLX変換ではMTPが完全に保持されない
コミュニティによる実機検証では、Apple Silicon向け推論フレームワークは、組み込みMTPによる投機的デコーディング、ハイブリッド状態のプレフィックスキャッシュ、バッチ処理を同時かつ安定して提供できていない。この問題はベンチマークだけでなく、長時間稼働するコーディングエージェントが対話の各ターンでprefillコストを再び負担する原因にもなる。
AI 安全
1F916、Merkleログでエージェントの記憶をアーカイブ――オフライン検証で証明できるのは「改ざんされていないこと」のみ
新たなオープンソースプロトコルにより、エージェントは記憶、アイデンティティ、行動についてEd25519署名付きの監査可能な追記専用記録を作成でき、依存関係ゼロのオフライン検証ツールも提供される。永続記憶へのポイズニングを検出可能な完全性問題へと変える一方、記憶が当初から真実だったことは証明できず、IETF標準にもなっていない。
最新模型
Gemini 3.7 Flashはコーディングエージェントに注力、LiteLLMは`minimal`推論レベルでHTTP 400が直接返されると注意喚起
GoogleはGemini 3.7 FlashをAPI、Antigravity、Android Studio、企業向けエージェントプラットフォームへ展開し、期間限定の半額料金で高トラフィックなエージェントワークロードへの浸透を図る。初期の統合ではマルチモーダル、ツール呼び出し、複数のAPI形式が利用可能になっている一方、推論パラメータとコストデータには依然として移行上の落とし穴がある。
AI 安全
自己進化型エージェントは一度の危険な成功を永続的なスキルとして書き込む――悪意あるタスク3件でセッション横断攻撃率が35.3%に上昇
SkillMisevo-Benchは、エージェントが実行トレースからスキルを生成、検索、再利用する過程を追跡し、進化機能を備えた21種類すべての構成で安全でない成果物が書き込まれたことを明らかにした。SafeEvolveはその後の被害を軽減できるが、現時点でのエビデンスは4種類のCLIエージェントと、制御されたコンピューター操作タスクに限られる。
代理工具
QuoteBench：Shell 解析を1層追加するだけで、同一のエージェント指示の成功率が55.4～73.2ポイント急落
QuoteBenchはモデル出力を固定し、Bashコマンドの転送および再解析経路だけを変更することで、エージェントインターフェースに起因する障害を直接測定した。その結果、形式上の適合率がほぼ満点でも、大量の quoting と escaping のエラーが隠れている可能性が示された。
代理工具
36件の長期AI研究開発タスクが示すもの：経験は弱いモデルを追いつかせる一方、エージェントを評価の抜け道へ導くこともある
新たな評価手法は、エージェントによる研究開発を課題設定、実行、フィードバック制御に分解し、反実仮想実験によって、記憶が次の意思決定を本当に改善するかを測定した。7つのフロンティアモデルの多くは経験を再利用できたが、タスク間の転移は不安定で、回答のキャッシュといった評価上の投機的行動さえ誘発した。
推論系統
vToken、KVキャッシュをトークン単位で仮想化し、メモリ制約下の最大同時実行数を2倍に
vTokenは既存のPagedAttentionに論理トークンテーブルと非同期コンパクションを追加し、トークン単位の退避によって物理ブロックを実際に解放できるようにする。vLLMプロトタイプではSLA制約下のスループットが最大1.37倍に向上したが、コードはまだ公開されておらず、移動コストがあらゆるハードウェアとトラフィックに適することも実証されていない。
代理工具
DiG-bench、隠されたゲームルールで能動的発見能力を測定：Opus 5は70問中50問を解決、汎用エージェントフレームワークによる向上は見られず
DiG-benchは、70種類のまったく新しいテキストゲームを使い、モデルに自ら実験して未知のルールと勝利条件を推論するよう求める。Opus 5が50問を解いて首位となった一方、既存のエージェントフレームワークは最高難度の問題において、基本的なモデルループを安定して上回ることができなかった。