Archive
AI 晶片、GPU、資料中心、邊緣裝置與硬體安全。
推論系統
SemiAnalysisは、長いコンテキスト、マルチターン、サブエージェントの並行実行に対応するAgentXを公開した。これにより、推論システムの比較は、固定長プロンプトのスループットだけに依存しなくなる。データはリクエストのタイミングとKV cache再利用の形状を保持しているが、ソースはClaude Codeに集中しており、測定対象はプログラミングタスクの正答率ではなく、サービングシステムの効率である。
代理工具
Portable Computerは、27Bモデル、プランナー、ツールルーティング、永続タスクキュー、検索インデックスをローカルで実行し、権限プロンプトによってデータの外部送信を制御する。初版はLinuxとDGX Sparkのみをサポート。公式スコアは未公開の社内ワークロードに基づくため、独立した検証結果とはみなせない。
GitHub Repo
llama.cpp 0.3.0は、dots3-noteのDSA／スライディングウィンドウ・ハイブリッドアテンションをネイティブサポートし、GLM-4.5-Airにmulti-token predictionを導入した。DeepSeek 4では複数GPUにまたがるテンソル分割が利用可能になったが、リリースノートにはスループット、レイテンシ、VRAM使用量の比較は示されていない。
最新模型
AlibabaはQwen3.8-Flash-Nextの重みを公開した。Gated DeltaNetで履歴状態の大部分を圧縮し、Qwen Sparse Attentionで完全なコンテキストから情報を検索する。モデルは262K tokenをネイティブにサポートするが、公式が示す100万tokenでの性能とエージェント評価については、今後も独立した再現検証が必要だ。
AI 安全
セキュリティ研究者はKeystorkを使ってカメラアプリになりすまし、Android StrongBoxに任意のAI画像向けの有効なContent Credentialsを生成させた。この攻撃では秘密鍵をエクスポートする必要はない。明らかになったのは、署名側が侵害されると正規の鍵が悪用され得るという弱点であり、C2PAの署名アルゴリズムが破られたわけではない。
推論系統
Dynamoの実験的なShadow Engine Failoverでは、2つの推論プロセスが同一のGPUウェイトをマッピングすることで、プロセスのクラッシュ後にモデルを再ロードする必要をなくす。NVIDIAによるGLM-5.2のテストでは復旧時間が約39分の1に短縮されたが、現時点では主にvLLMのみをサポートし、GPU、ノード、クロスノードの障害には対応できない。
AI 安全
Prime Intellectは、外部通信を禁止したサンドボックス内のエージェントでも、推論エンドポイントのリモートファイル機能をネットワークプロキシとして利用できる可能性があると報告した。テストで攻撃が成功したのは一度だけだったが、評価の不正操作と推論サービスにおけるSSRFに共通する境界上の欠陥が明らかになった。
代理工具
Liquid AIとArtificial AnalysisはPipetteを公開し、1,000を超えるモデル、量子化、runtime、デバイス、コンテキストの構成でオンデバイス推論を測定した。速度とメモリは実機で測定される一方、品質スコアはH100上で別途生成されるため、統合グラフを読む際には2つのテスト経路を区別する必要がある。
AI 安全
Linux FoundationはTRACE仕様を受け入れ、AIエージェントのモデル、実行環境、ポリシー、ツール呼び出しに関するポータブルな暗号学的証拠の確立を目指す。現行のv0.2は依然としてDeveloper Previewであり、記録と検証済み環境との関連性は証明できるものの、エージェントがタスクを完了したことや、ポリシー自体の安全性までは証明できない。
最新模型
H3 Super Accelerationは、まず低解像度かつ4ステップのノイズ除去でドラフトを作成し、その後LTXとSol-Attnに引き渡して3ステップで高解像度の精細化を完了する。公式測定では、768pの10秒動画はSGLangベースライン比で27.7倍高速だったが、この高速化はサンプリング経路を変更するものであり、同等品質を維持した純粋なカーネル最適化ではない。
GitHub Repo
Prime Agentは、常駐型IPython、daemonセッション、バージョン管理可能なContinual Harnessにより、長時間稼働するコーディングエージェントを支援する。作者らによれば、ARC-AGI-3 RHAEのBest@1は30%から95.5%へ向上した。ただし、このスコアはモデルとharnessを組み合わせたシステム全体の結果であり、基盤モデル単体の能力比較には使えない。
硬體
MetaはMTIA 300のシステム設計を公開した。内蔵NIC chiplet、ニアメモリ・リダクション・ユニット、コンパイル方式のHCCLにより、レコメンデーションモデルの学習を高速化する。公式発表によると、40基のアクセラレータにおける通信時間は比較対象のGPUクラスタの約4分の1に短縮されたが、コスト、消費電力、汎用LLM学習との比較は示されていない。