SURL AI News
繁中English日本語

Archive

GitHub Repo

GitHub 熱門專案、開源工具、框架、runtime 與重要 release。

AI 安全

VLAがエージェントの隠れ状態通信を監視、同一モデルによるオークション試験でAUROC 0.993

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、実行環境を先に構築してからターミナルタスクを生成、9Bエージェントのスコアが8.24ポイント向上

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

1,338件のポストトレーニング軌跡が示す、AIエージェントが隣接実験で戦略を変更した割合はわずか2.1%

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

意味保存変換でコーディングエージェントのコストが最大22.9%増、堅牢性ランキングはフレームワーク次第で逆転

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、2,910件のWeb操作を要素単位で分析　同一エージェントでもインターフェース方式により34ポイント超の差

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。
推論系統

MoEルーターでキャッシュミスを60%削減するも、パープレキシティ劣化1%の基準を満たせず

事前登録研究で、専門家の局所性をMoEルーターに直接学習させる試みが行われたが、キャッシュ性能の改善とモデル品質の間に明確なトレードオフがあることが判明した。学習済みルーティングと学習不要の再ルーティングを組み合わせることで、ミス率をさらに低減できるものの、それが同程度のエンドツーエンド高速化につながることはまだ実証されていない。
代理工具

SkillGate、スキル選択と実行のフィードバックを分離し、9Bエージェントの成功率を40.8%から53.2%へ向上

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。
資訊檢索／RAG

DEPT、文書ベクトルを固定したままクエリ拡張をエンドツーエンドで学習、Qwen3-4BのBEIR平均スコアが42.59に上昇

DEPTは、同一のデコーダーでクエリ拡張の生成と文書のエンコードを同時に行い、保存損失によって既存のベクトルインデックスがファインチューニングに伴ってドリフトするのを防ぐ。5つのBEIR評価で段階的なベースラインを上回ったが、結果は依然として1回の実験と2つの小型モデルに基づく。
最新模型

OYS、拡散モデルのノイズ除去タイムステップを直接探索し、5ステップで50ステップ時の品質の89〜94%を維持

OYSはモデルの変更や蒸留を行わず、ベイズ最適化によってモデルとタスクごとに少ステップのノイズ除去スケジュールを探索する。研究では6種類のtext-to-imageモデルと画像修復タスクで改善が報告されたが、探索コストを多数の事前生成サンプルによって償却する必要がある。
代理工具

Wuying Browser Agent、エラー回復データで長期的な操作フローを訓練——27BモデルがBrowserBenchで65.1%を達成

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。
推論系統

IOL-AI、未公開の言語学オリンピック問題で推論能力を評価：14Bモデルがデコード手順によりベースラインスコアを2倍超に向上

IOL-AI Challengeでは、少数の例から未知の言語の規則を導き出し、翻訳、転写、訂正を行うことがシステムに求められる。T4 GPU 1基という制約下で、最高提出は同一モデルのベースラインGMを9.40から19.79へ引き上げたが、金メダル水準に達したクローズドモデルとの差は依然として大きい。