代理工具
HarnessOpt-Bench、エージェントハーネスの最適化をベンチマーク化――モデル選択の影響はcoding harnessの約1.8倍
HarnessOpt-Benchは、固定された評価予算内でモデルにプロンプト、ツール、メモリ、制御フローを変更させ、非公開テストセットで実際の改善幅を測定する。111件の実験では、モデル自体による差が外側のcoding harnessによる差を上回った一方、ネイティブツールが一貫して優位とは限らなかった。
Archive
GitHub Repo
GitHub 熱門專案、開源工具、框架、runtime 與重要 release。
代理工具
代理工具
TrajDebugがエージェントのエラーライフサイクルを追跡、失敗診断により再実行の成功率が平均10.8%向上
TrajDebugは、エージェントの軌跡で最初に発生したエラーをそのまま根本原因とは見なさず、エラーが修復されたか、最終結果に影響を残したか、復旧予算を消費したかを追跡する。チームが人手でアノテーションした486件の軌跡で検証したところ、診断結果をプロンプトに変換することで、同一タスクの再実行成功率が平均10.8%向上した。
最新模型
新研究、Adamが行列分解の対称性を破り、同一の関数でも異なる注意表現に収束し得ると指摘
研究は、Adamと低ランク復元の差異を、座標ごとの前処理器が gauge equivariance（ゲージ同変性）を持たないことに帰着させた。公開実験では、機能的に等価な2つの初期化をAdamで学習した結果、注意機構の不変量に56%の差が生じたが、この結論は大規模モデルの事前学習ではまだ検証されていない。
最新模型
DASH、推論軌跡に応じて蒸留重みを動的に配分——Qwen3の3モデル規模すべてで固定重みベースラインを上回る
DASHは、各tokenにおける教師—学生間の差異を一律に扱わず、生成軌跡全体に基づいて監督を前方へ伝播させる距離を調整する。著者らは3つの数学ベンチマークで安定した性能向上を報告し、訓練コード、評価パイプライン、LoRA重みも公開した。
Reasoning Core 以 50 種程序生成器擴充監督資料，3B 模型 DROP F1 由 33.1 升至 41.7
Reasoning Core 用可執行評分器、難度控制與短答案格式產生數學、規劃、形式證明及程式題。匹配訓練實驗顯示它優於三套程序資料集，但作者也在外部資料庫發現生成器與評分器不一致。
代理工具
36,710件のGitHubプロジェクトから見つかったAgent Planはわずか85件、大半は長期保守される文書ではない
新たな研究は、常設のAGENTS.mdと単一タスク向けのAgent Planを区別し、計画が公開バージョン履歴にどのように取り込まれるかを調査した。サンプルは少数のプロジェクトに大きく集中しており、「計画を協働成果物として扱う」実務が、依然として初期段階かつ不安定であることを示している。
代理工具
Argus、固定重みのエージェントに経験を蓄積させ、SWE-Bench Proの精度を59％から約78％へ向上
Argusは長期タスクを制約付きのmissionに分割し、Manager、Planner、Engineer、Reviewerが共同で永続化可能な状態を維持する。著者らの報告では、tokenコストを1.41倍にすることでプログラム修復の成績を向上させたほか、エージェントが生成したRWKV6カーネルも外部からの修正を経てオープンソースプロジェクトにマージされた。
代理工具
MatrAIx、1,290次元の属性から83億のペルソナを合成、AI製品テスト向けの100万件規模のコアセットをオープンソース化
MatrAIxは、相関する人口統計属性を組み合わせて83億件の模擬ユーザーを生成し、ペルソナエージェントにアンケート、チャットボット、Webサイト、アプリケーションを操作させる。チームは約100万件のコアデータと評価プログラムを公開したが、現時点の検証で示されているのは、エージェントが指定された役割に従うことだけであり、実ユーザーによるテストを代替できることまでは証明されていない。
代理工具
ABSeeker、正解から検索手がかりを逆算し、4BモデルのBrowseCompスコアを55.3%に向上
ABSeekerは、検索エージェントの最終的な成否をステップ単位の報酬に分解し、失敗軌跡に含まれる有効なクエリを保持する一方、成功軌跡内の誤ったステップを抑制する。チームは4Bモデルの重み、推論・訓練パイプラインを公開しているが、最高スコアの達成には依然として追加のコンテキスト管理とLLMジャッジが必要だ。
代理工具
KV cacheは「潜在思考」ではない：ミスマッチキャッシュが示す、マルチエージェントの性能向上はインターフェース効果にすぎない可能性
新たな研究は、ミスマッチ、ゼロ化、ランダム化したKV cacheを用いてマルチエージェントの潜在コミュニケーションを再検証し、キャッシュの除去による大幅な性能低下が、受信側による送信側固有の情報の利用を必ずしも証明しないことを明らかにした。一部の自然な評価設定では、ゼロ化によって正解率が14.7ポイント低下した一方、別の問題のキャッシュに置き換えた場合の低下はわずか0.4ポイントだった。
AI 安全
小型モデルの自己申告信頼度ではリスクを直接制御できず、22設定中20%の誤り率上限を満たしたのは3設定のみ
新たな研究が、11種類のオープンウェイトモデルを対象に、「モデルの自己申告信頼度」で人間へのエスカレーション時点を判断できるか検証した。Platt scalingではECEを最小0.02まで低減できたものの、厳格な有限標本検証では、リスク上限を10%に設定すると自律回答を行う全設定が棄却された。
最新模型
WorldCycle、可逆アクションで検証シグナルを自己生成、動画世界モデルの複合アクション精度を4倍に向上
WorldCycleは、アクションとその逆操作を組み合わせて閉ループを構成し、実際の未来動画を必要とせずに長期的な状態ドリフトを測定する。8B動画世界モデルを用いた実験では、サイクル誤差を最大44%低減し、複合アクション精度を0.136から0.553へ向上させた。