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

ResidencyRL、最長60ターンの模擬問診で臨床エージェントを訓練――敵対的ケースの診断率が88%に向上

Googleのチームは、模擬患者、文書作成ツール、多次元の臨床報酬を組み合わせ、Gemini 3.5 Flashにマルチターン強化学習を実施した。モデルは敵対的な問診で危険な兆候の見落としを減らしたが、訓練システムはオープンソース化されておらず、実患者を対象とする前向き検証も完了していない。
代理工具

Shepherd v0.3.0はエージェントによる変更をレビュー可能な提案として保持するが、論文で示された自動フォーク監督はまだ完全には提供されていない

Shepherdはモデル呼び出し、ツール操作、ファイル変更を永続的な実行トレースとして記録し、変更がワークスペースに反映される前にユーザーが確認または破棄できるようにする。一方、最新のドキュメントでは、論文とプロジェクトのホームページで紹介されているmeta-agentによる委譲、実行中のフォーク、自動再試行インターフェースが、v0.3.0でそのまま利用できる機能ではないことも明記されている。
AI 安全

Muse Code、ClaudeとCodexの個人向け指示をデフォルトで読み込み――プロバイダー間の互換性がデータ境界の問題を浮き彫りに

独立したテストにより、MetaのMuse Codeは起動時にユーザーのホームディレクトリ内にある`CLAUDE.md`と`AGENTS.md`を探し、その内容をモデルエンドポイントへ送信するコンテキストに組み込むことが判明した。この互換性設計は任意のファイルの流出を意味するものではないが、本来は別のプロバイダーだけに渡すことを想定していた個人ルール、内部パス、機密性の高いプロンプトがMetaに送信される可能性がある。
最新模型

CellWorld、潜在細胞表現による事前学習へ転換――5.74Mモデルが18の空間トランスクリプトミクスタスクで掲載ベースラインを上回る

CellWorldはマスクされた遺伝子値を直接再構成せず、近傍細胞と少量の発現ヒントからtarget encoderの潜在表現を予測する。コードと学習設定はMIT Licenseで公開済みだが、事前学習済み重みは依然として承認制の非公開リポジトリに置かれている。
最新模型

AgentPatch、学習不要でマルチモーダルエージェントのマージを修復――6ベンチマークの平均スコアが54.5から56.6へ

AgentPatchは、モデルのマージ後に生じた弱点を特定し、エキスパートモデル固有の残差と重要なFFNニューロンのみを復元する。出力は単一の静的checkpointで、ルーティングや推論時のエージェントを必要としないが、完全な評価adapterとモデルweightsはまだ公開されていない。
GitHub Repo

Open Science v0.12.1、研究エージェントのコンテキスト圧縮、実行、成果物の証拠をローカルワークスペースに保持

AIPOCHのApache-2.0デスクトップワークベンチは、モデルエージェント、Python／Rカーネル、科学データコネクタ、イミュータブルな成果物バージョンを統合する。8月9日のアップデートではコンテキスト圧縮が可視化され、Codex MCPの承認とWindowsでのnotebook実行に関する問題が修正されたが、移植可能な完全リプレイにはまだ対応していない。
AI 安全

OpenAI、Astraの一部開発を停止：初期評価ではモデルが「Critical」レベルのサイバー攻撃能力に達した可能性を排除できず

OpenAIは、Astraのエージェント型コーディング能力とサイバー攻防能力が進歩したため、モデルが最高リスクの閾値を超えた可能性を排除できないと説明した。同社はテスト環境を隔離し、ツールとネットワークへのアクセスを制限するとともに、監視モデルでエージェントの推論過程と高リスクな行動を検査している。
代理工具

DiDPO、コードdiffを信用割当単位に分解し、Qwen2.5-Coder-7Bの主要評価平均を48.4%に向上

DiDPOは、エージェント実行全体の成否をすべてのtokenに均等配分せず、複数の軌跡に含まれる類似したsub-diffを比較する。公開されたverl-codeには訓練用エントリーポイントとデータレシピが含まれるが、著者によるモデルcheckpointはまだなく、実験も完全なソフトウェアリポジトリ修復を対象としたものではない。
代理工具

Fisher-R1、検証可能なp値で統計エージェントを訓練、P-HardのStrict pass@1で33.0%を達成

P-Benchでは、エージェントが統計手法を自ら選択し、Rコードを実行してp値を報告する必要があり、単にコードが実行できるかどうかを確認するだけではない。14Bモデルは難問のStrict指標で掲載されたオープンモデルを上回ったが、現時点で公開リポジトリには説明文書しかない。
推論系統

Ling-3.0-flash INT4、単一マシンで実測38.7 token/s――メインラインvLLMの誤用で誤った出力が気付かれず生成される可能性

コミュニティのデプロイ手順では、単一のDGX Spark上でCUDA Graphと1層のMTP投機的デコーディングを有効にし、Ling-3.0-flash INT4の生成速度を20.8 token/sから38.7 token/sへ引き上げた。さらに重要なのは、メインラインのvLLMがV3アーキテクチャをまだサポートしておらず、古いattentionパスを無理に適用すると、エラーが報告されないまま、一見流暢だが誤った内容が出力される可能性があるという点だ。
代理工具

HarnessOpt-Bench、モデルによるエージェント・ハーネスの書き換えを評価——モデル選択の影響はコーディングツールの約1.8倍

Scale AIは、プロンプト、ツール、メモリ、制御フローをモデルが変更可能なプログラムとして扱い、非公開テストセットで実際の改善を測定した。111回の実験では、ネイティブのコーディングエージェントが共通ハーネスを安定して上回ることはなく、検証段階で得られた最高スコアも概して楽観的だった。