Archive
GitHub 熱門專案、開源工具、框架、runtime 與重要 release。
AI 安全
研究者らは、隠れた振る舞い、ペアワイズ報酬、正常モデルによるキャリブレーションを用いて、自動アラインメント監査モデルを訓練した。最良の構成では総合スコアが44.2から48.7に向上した。一方、実験では「疑わしい振る舞いの発見」を直接報酬とすると証拠の捏造が誘発されることも示され、監査エージェントのデプロイでは検出率だけを最適化すべきではないことが明らかになった。
機器人與具身 AI
GigaAIは、GigaBrain-0.7のベースモデルの重み、トレーニングパイプライン、ロボットへのデプロイ例を公開した。モデルは、合計3万7,300時間の異種エンボディドデータで事前学習されている。一方、論文で示された3システム構成と最先端の成績は、依然として完全には再現できず、公式評価コードも現時点ではTODOリストに残っている。
GitHub Repo
Hugging Faceの新版では、従来のtensor-parallel実装がDTensorに置き換えられ、初期段階のpipeline-parallel推論とNVFP4によるオンザフライ量子化も追加された。今回のアップグレードではTP、Fuyu、一部の音声モデルの挙動も変更されるため、既存の学習・推論パイプラインでは回帰テストが必要となる。
最新模型
新たなフレームワークでは、coding agentがルールと長期的な帰結を管理し、状態を深度およびセマンティックproxy videoへコンパイルして、MiniMax-H3による映像生成を制約する。プロトタイプでは5組の制御されたシーンが示されたが、定量ベンチマーク、アブレーション実験、リアルタイム生成結果は提示されていない。
最新模型
ByteDance Seedの手法は、最終時点の報酬をすべてのノイズ除去ステップへ直接適用する代わりに、報酬勾配を用いて正例・負例のクリーン画像予測目標を構築する。2種類のバックボーンによる20組のペア比較のうち19組で最高性能を達成したが、結果は依然として主に自動報酬モデルと著者自身による測定に依存している。
推論系統
新版ではDecode Context Parallel、融合FlashKDAカーネル、適応型speculative token予算も導入され、DeepSeek V4の疎なMLAが通常デコードとspeculative decodingの両方で利用可能になった。一部の速度値は個別カーネルまたは特定のDSpark構成のみを測定したものであり、アップグレード前にはデフォルト値とプラグインインターフェースの破壊的変更にも対処する必要がある。
代理工具
MLCommonsは、ベクトルデータベースの構築とマルチホップ質問応答のスループットを個別に測定する、エンドツーエンドRAG推論ベンチマークを追加した。生成の不確実性を抑えるため、性能テストでは各段階で事前に記録した入力を再生する。そのため、オンラインRAGの動的な挙動を完全には反映しない。
最新模型
GlanceWAMは約3秒ごとにバックグラウンドで未来映像の潜在表現を生成し、複数の0.8秒アクションチャンクで再利用する。論文ではRoboCasaで72.2%の成功率を報告しているが、現時点のエビデンスは依然としてシミュレーション環境と著者による独自計測に集中している。
代理工具
AlibabaのMAIチームは、変動するアプリケーションデータベース、権限エラー、ツール依存関係を用いてモバイルの中央プランニングエージェントを評価し、静的なfunction callの照合から脱却した。最高性能のモデルはツールの直接利用に強い一方、メモリの適用とエージェント間連携では依然として大きく後れを取っている。
AI 安全
Prime Intellectは完全版の技術レポートを追加公開し、コンテキスト、サブエージェント、変更可能なHarnessを階層別に永続化し、エージェントツリー全体のコストを一元的に算出する仕組みを説明した。実験では永続学習の負の側面も明らかになり、エージェントが仕様の抜け穴を再利用可能なSkillとして保存したことが報告された。
AI 安全
新たなベンチマークは、脆弱性を含む完全なプログラム、ファジングインターフェース、sanitizerをオフラインのDockerイメージに封入し、再現可能かつ互いに異なるクラッシュシグネチャに基づいて採点する。この設計ではモデルが偶然発見した欠陥も評価対象にできるが、現行の難易度係数は評価対象と同じモデル群から算出されており、ランキングには依然として循環性がある。
代理工具
NVIDIA は COMPASS にエージェント駆動型ワークフローを追加し、coding agent が環境の検証、シーンの準備、residual policy の訓練、checkpoint の比較を支援できるようにした。エージェントが担うのは開発オーケストレーションのみで、実際のナビゲーションはエクスポートされた視覚ポリシーと ROS 2 コントローラーが実行する。