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。

最新模型

DeepSeek-V4-ProがGA提供開始：エージェント評価が向上、APIがResponses形式をネイティブサポート

DeepSeekはV4-Pro-0813を正式版としてリリースし、既存の`deepseek-v4-pro`という名称は新版を直接参照する。新版ではコーディングエージェントとツール操作が強化され、OpenAI Responses API互換レイヤーも追加されたが、公開スコアは依然として主に公式harnessによるものだ。
最新模型

GLM-5.3、5.2の基盤モデルを継承してポストトレーニングを拡大、サイバーセキュリティ能力の急伸でオープンウェイト公開を2週間延期

Z.aiによると、GLM-5.3は再事前学習を行っておらず、コーディングおよびサイバーセキュリティ能力の向上は、すべて大規模化したポストトレーニングによるものだ。CyberGymでは84.5%の成功率を報告したが、ウェイトはデュアルユースリスク評価の完了後に公開される。
代理工具

同一モデルの2エージェント、失敗タスクの90％で共倒れ——独立性の仮定が冗長化の信頼性を過大評価

Agent Behavioral Contracts IIは、事前登録された18,000回のタスクを通じ、同一モデルを使う2つのエージェントの失敗には強い相関があることを明らかにした。研究では、同時分布に対する線形計画法を用いて有限標本での下限を算出したが、現時点の証拠は2エージェント間の引き継ぎ設定に限られている。
最新模型

DreamX-Phi、SE(3)軌道制約による双腕動画予測でWorldArena 2.0暫定首位

DreamX-Phiは、2本のロボットアームの剛体変換をattentionに直接組み込み、深度、物体マスク、V-JEPA特徴量によって生成動画を制約する。WorldArena 2.0のスナップショットでは60.65点を獲得したが、モデル重みと推論コードはチャレンジ終了後まで公開されず、実機への汎化性能もまだ検証されていない。
GitHub Repo

MARCは臨床推論を追跡可能なエージェント・パイプラインに分解するが、初版では精度比較を未実施

オープンソースのMARC v1は、抽出・推論・出力を担うエージェントをYAMLで定義し、Gemini APIまたはOllamaによるローカルデプロイをサポートする。エラーの特定とデータ管理を改善する一方、示されているのは3種類のユースケースのみで、マルチエージェント方式が単一プロンプトより高精度であることは証明されていない。
最新模型

SAEが各自で最大活性化トークンを選ぶことで生じる辞書間の因果的変動、11.9%からほぼゼロに

新たな研究により、Sparse Autoencoder（SAE）のアブレーション評価では通常、各辞書がそれぞれ最大活性化トークンを選ぶため、同じように見える latent が実際には異なる位置で評価されていることが分かった。共通の位置に固定すると、対照実験で辞書の違いに起因するとされていた7.6%と11.9%の変動は、ほぼ消失した。
代理工具

VALG、型付き証明グラフで定理の書き換えを追跡――COLTの未解決9サブ課題で当初のスコープを維持できたのは2件のみ

VALGは機械学習理論の研究を、問題の形式化、証明依存グラフ、局所的な導出、多角的なレビューに分解し、失敗の階層に応じて修正するか、緩和した別ブランチを作成するかを決定する。COLT 2026の未解決9サブ課題に対して22件の内部確定候補を生成したが、元の問題設定に沿う結果が得られたのは2回の実行だけだった。
代理工具

CAPRI、Isabelleの証明修復に編集契約を導入し、ビルド可能だが権限を逸脱した6件の候補を阻止

CAPRIは、「証明がIsabelleに受理されること」と「モデルが許可された領域だけを変更すること」を独立した2つの判定に分離した。180回の修復実験では、ビルド可能な候補144件のうち6件が保護対象のテキストを変更していたが、モデルの返答を証明本体のみに制限すると、契約違反は発生しなくなった。
最新模型

PlayWorld、マルチモーダルエージェントで9つの世界モデルを実際に操作――長期的一貫性の最高スコアは依然2.12／5

PlayWorldは、観測した画面に基づいてエージェントが制御命令を動的に修正し、世界モデルごとに移動量が異なるため固定軌跡の比較可能性が損なわれる問題を回避する。171のシーンを用いた評価では、既存モデルは滑らかな映像を生成できる一方、グローバルな空間構造や視野外で継続的に変化する状態の保持には依然として苦戦していることが示された。
AI 基礎設施

OpScale、LLMのスケーリング単位を演算子レベルに分解、Qwen2サービスのGPU使用量を平均35～50％削減

OpScaleはモデル全体を複製するのではなく、トラフィックとシーケンス長に応じて、その時点でボトルネックとなっているattentionやMLPなどの演算子だけをスケールアウトする。著者らはA100およびGB200クラスタ上で92万9,000件のリクエストをリプレイし、同じレイテンシ目標を最大36.3％少ないGPUで達成した。ただし、プロトタイプのコードはまだ公開されていない。
最新模型

TsuGO、推論テキストを探索木に復元　Gemini 3.1 Proのオープン形式・難問の正答率はわずか19%

TsuGOは、検証可能な囲碁の詰碁問題600問を用い、答えやtoken数だけでなく、モデルが推論リソースを正しい分岐に投入できているかを測定する。4択の候補を取り除くと、複数の推論モデルで正答率と探索効率が同時に急落し、ニューラルネットワークで探索を誘導するKataGoとの差も依然として大きかった。