Archive
新模型、開放權重、多模態、語音、影像與模型架構。
AI 安全
研究者は Python のモジュールシャドーイングを悪用し、Claude Code が自ら作成した安全なデコーダーに悪意ある `struct.py` を読み込ませ、最終的にリモートコード実行を実現した。この事例は、ツール呼び出しごとの分類器が OS レベルの隔離の代替にはならず、公式評価で成功率がゼロでも、未知の攻撃チェーンにまでその結果を一般化できないことを示している。
代理工具
Model Hardware Standardは、機器の機能、自然言語による説明、安全上の制約を探索可能なドライバーインターフェースにカプセル化し、エージェントがMCP、CLI、APIを介して複数の機器を連携制御できるようにする。現時点では申請制の研究プレビューであり、仕様、コード、モデル横断の安全性評価はまだ公開されていない。
AI 研究
CritICLは、小規模モデルの誤り、失敗タイプ、批評を事前にオフラインで整理し、問題ごとに繰り返しサンプリングする代わりに、関連事例を大規模モデルのプロンプトへ組み込む。著者らはQwen2.5による数学ベンチマークでself-consistencyをわずかに上回る正解率を報告したが、オフラインでのライブラリ構築コストと未公開のコードが再現性を制限している。
代理工具
Experientialは、クラウド、Bring Your Own Key（BYOK）、ローカルモデルをOpenAI互換インターフェースに統合し、IDスコープ、モデルの許可リスト、厳格な予算管理を提供する。さらに、OpenTelemetryのエージェントトラジェクトリからタスクルーターを構築できるが、コスト削減の数値は現時点で主にチーム独自の評価に基づいている。
代理工具
新バージョンでは`on_mcp_tool_result`ライフサイクルインターフェースが追加され、拡張機能がMCPの成功結果とエラー結果を検査または置換できるようになった。これはデータマスキングと出力正規化のための新たな制御ポイントを提供する一方、拡張機能を監査が必要なエージェントの信頼境界へと押し上げる。
代理工具
PILOTは双方向チャネルでsupervisorとworkerエージェントを接続し、長時間タスクが完了する前でも、前者が指示を与えたり、誤った経路を中止したりできるようにする。著者らは3つのエージェント・ベンチマークで精度とtoken効率の向上を報告しているが、「自己改善」が更新するのはharness、スキル、メモリのみで、モデルのパラメータは変更しない。
最新模型
CLAPはまず、ラベルなし動画から潜在行動を通じて物理法則を学習し、その表現をロボットのエンドエフェクタ座標へ再接続する。研究チームはコードと複数のcheckpointを公開しているが、生成動画における物理的なハルシネーションが、安全性の重要な制御に直接利用するうえでの制約となっている。
最新模型
Puro-2Bは、2段階のデータカリキュラム、ブロック単位FP8、MuonH最適化をコンシューマー向けGPUクラスターに統合した。著者らによると、4,370ドルの短縮学習版は平均スコアでQwen2-1.5Bを上回ったが、このコストに含まれるのはアクセラレーターのレンタル相当額のみだ。
代理工具
PRAXISTでは、複数の研究エージェントが世代を重ねながら変更案を提示し、評価結果、メカニズム、系譜を監査可能なエビデンスグラフに記録することで、各ラウンドでの再探索を回避する。著者らは75タスクのMLE-benchでメダル60個、モデル費用3,054ドルと報告しているが、システムは公開されたばかりであり、成績とコストはいずれも主に開発チームによる測定値だ。
最新模型
TTPO は多数決の回答をそのまま正解とは見なさず、コンセンサスと一致する軌跡を蒸留し、さらに grouped RL によって高い確信度を伴う不一致の誤りを罰する。著者らの報告では、Qwen3-1.7B の3つの数学コンテストにおける Avg@12 は 38.0 から 45.2 に向上した。ただし、これはテスト問題を直接使用してパラメータを更新するトランスダクティブな設定である。
最新模型
LeVJEPAは、単一のエンコーダ、クロスビュー不変性損失、表現崩壊を防ぐSIGRegを採用し、EMAターゲットネットワーク、stop-gradient、ピクセルデコーダへの依存をなくした。著者らは、同一のデータと学習期間において計算量に5.6～20.8倍の差があると報告しているが、現時点の結果は、チームが再学習したモデルによる凍結エンコーダのベンチマークに限られる。
推論系統
FreeTokenは、固定ルールによるMoEエキスパートのオフロードをやめ、実測したメモリ帯域幅とPCIe帯域幅に基づいて、CPUでの実行とGPUキャッシュへの配置を動的に分担する。開発者らは、RTX 5090で284Bモデルを毎秒22～25 tokenで実行できると報告しているが、テストは依然として開発チーム自身によるもので、完全な重みの保持には大量のメインメモリが必要だ。