Archive
新模型、開放權重、多模態、語音、影像與模型架構。
代理工具
Qwen CodeはクロスプラットフォームのComputer Use経路を更新し、エージェントが多数のネイティブツールを直接扱うのではなく、永続化されたNode REPLを介してRust-backed SDKを呼び出せるようにした。新版ではLinuxの入力と観測が改善された一方、自動インストール、Node.jsの権限、Windowsの未署名コンポーネントは依然としてデプロイ上のリスクとなる。
AI 安全
新たな研究では、モデル、クリーンデータ、ポイズニング数を固定し、ポイズニングサンプルの組み合わせだけを変えたところ、Llama 3 8Bの攻撃成功率は3%から80%まで変動した。SAILSは、少数の高コストなファインチューニング評価を用いて集合スコアラーを学習し、数百万の候補集合から高リスクなものを選び出す。
代理工具
Clineはオープンソースのデスクトップ版betaを公開した。複数のエージェントを独立したセッションで並列実行し、cronによる無人タスクのスケジューリングも可能になる。ただし、公式が示したモデルのスコアは既存のCLI harnessによるものであり、デスクトップ版を個別に評価した結果ではない。
代理工具
Bolt.newの研究プレビューでは、GLM、Kimi、DeepSeekのオープンウェイトモデルでWebサイト構築エージェントを稼働させ、ユーザーがオプトインして提供したプロンプト、コード、エラー修復シーケンスをArcee AIの訓練に利用する。この仕組みは「計算資源とデータの交換」モデルを明確に示す一方、同社が公表したベンチマーク上の91%という成績や機密除去の有効性については、今後の外部検証が必要だ。
推論系統
Portable Computerは、24GB以上のVRAMを搭載したWindows RTX PCでモデル、ツール、サンドボックスを実行できるようになった。ローカルで処理される作業の多くはクラウド利用枠を消費しない。一方、ユーザーの許可を得てクラウドモデルへ切り替えることができ、コネクターや外部操作も伴うため、完全なオフライン環境と同一視することはできない。
最新模型
新アーキテクチャは3層の共有ブロックを反復実行し、ルーターが token ごとに早期終了するか、潜在的な推論を継続するかを決定する。論文では約10億パラメータ規模の実験において、固定深度の looped Transformer をレイテンシと精度の両面で上回ったと報告しているが、フロンティアモデルや主要な推論エンジンではまだ検証されていない。
代理工具
Google ResearchがStellar Colosseumを公開した。戦略探索、反例による攻撃、依存関係グラフ、階層的集約によって長期的な数学研究を管理する。システムは300問のTCS‑Benchで71%を達成したが、結果は大量の推論と自動評価に依存しており、モデル単体の証明能力を直接示すものとはみなせない。
代理工具
Anthropicではテスト数が10倍に増え、単一の書き込みプロセスに依存していたテスト影響分析サービスが次第にPRの処理ペースに追いつけなくなった。新版では、プロセス内状態を水平方向にスケール可能なlistener、ログ、独立した集約器に置き換えたが、コストや選択漏れ率などの重要なデータは依然として公開されていない。
AI 安全
OpenMAICのメディアプロキシは、ドメインを検証した後にDNSを再解決していたため、外部ホスト名が接続時に内部ネットワークへ向けられる可能性があった。別の経路ではAlibaba Cloudのメタデータアドレスが許可されていた。1.0.2では、検証時に解決したアドレスに接続先を固定し、クラスルームIDをサーバー側で生成するようになったが、TailscaleなどのCGNATアドレス帯を介してローカルモデルへアクセスする構成にも影響する。
代理工具
Copilot Autoでは、Efficiency、Balance、Intelligenceの3段階でコスト、品質、レイテンシーの重みを調整できるようになった。ただし、3段階とも同じモデルプールを共有する。実際の料金はルーターが選択したモデルとtoken数によって決まり、段階の名称は価格上限でも、特定モデルの使用を保証するものでもない。
代理工具
新版のElevenLabs MCPは、音声、文字起こし、吹き替え、音楽、画像、動画の生成を単一のOAuth接続に統合する。クロスメディア型のエージェントワークフローを短縮できる一方、高コストな生成処理、ワークスペース内のコンテンツ、エージェント管理権限が同じ信頼境界に集約される。
最新模型
上海人工知能研究所は、Atria Dawn Preview、FP8の重み、推論レシピを公開した。検索からコーディング、実験の実行までを網羅する完全なエージェントループを特徴とする。公式発表では16のベンチマーク中5つで最高性能を達成したとしているが、モデル規模、テスト時計算量、独自の評価設定により、比較可能性にはなお制約がある。