SURL AI News
繁中English日本語

Archive

最新模型

新模型、開放權重、多模態、語音、影像與模型架構。

最新模型

ReWorld、姿勢インデックス付きランドマークバンクでKV予算を固定し、インタラクティブ世界モデルが遠くまで移動しても元の景観へ帰還可能に

ReWorldは、短期的な動作制御と長期的なシーン記憶に異なる注意範囲を割り当て、固定容量のランドマークバンクに履歴を保存する。著者らは704×1280のリアルタイムストリーミングと64秒間の帰還軌跡を実演したが、現時点で公開されているのは論文とデモページのみで、重みやコードは未公開だ。
GitHub Repo

Prime Agent、永続型RLM harnessをオープンソース化――エージェントの記憶、サブエージェント、実行環境を対話の外部に保持

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。
代理工具

SWE-bench Science、科学ソフトウェア修復課題119問を公開—最良エージェントの完全合格率も5割未満

新ベンチマークは、コードがコンパイルできるかだけでなく、非公開の科学テストを用いて単位、数値的不変条件、ファイルのセマンティクス、モジュール間のデータフローを検証する。Claude CodeとOpus 5の組み合わせによる全体のpass@1は47.90%。実験では、ドメイン知識の追加によってエージェントが誤った方向に固執する場合もあることが示された。
GitHub Repo

DFlash 2、Qwen3.8-27Bでトークンを並列ドラフト生成――ただしvLLM nightlyには現在、読み込みとVRAMに関する不具合

DFlash 2は、候補パスセレクターと動的畳み込みによってブロック拡散ドラフトを改善し、単一リクエストのテストでQwen3.8-27Bに自己回帰デコードの2.7～3.4倍のスループットをもたらした。最新の再現可能な不具合では、vLLM nightlyが誤ったdecoder layerを生成するほか、語彙重みを共有する前に一時的に約4.74GiBを余分に割り当てるため、24GBのGPUでは起動できない可能性がある。
硬體

MTIA 300、12基のRDMA NICと集団通信エンジンをチップに統合し、PCIeと演算コアの競合を回避

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。
代理工具

DeepSeek Harness rc.2のnpmタグ分裂：メインプログラムは最新版、しかしプラグイン開発では0.0.xを取得する可能性

DeepSeek Harnessのメインパッケージでは`latest`がすでに0.1.1-rc.2を指している一方、複数の基盤パッケージでは依然として初期バージョンが最新版として指定されている。プラグインAPIを直接インストールすると、peer dependencyの競合が発生したり、バージョンが食い違った依存関係ツリーが警告なしに構築されたりする可能性がある。
代理工具

Rails、オープンソースの評価フレームワーク「lemans」を公開：ファイル復元、ネットワーク遮断、完全な軌跡でエージェントの不正余地を低減

Rails Foundationは、Agents on Railsリーダーボードで使用するRuby製評価フレームワーク「lemans」を公開した。DaytonaとローカルDockerサンドボックスに対応し、検証プログラムを隔離して再生可能な証拠を保存するとともに、採点前に保護対象ファイルを復元する。
最新模型

Thomson Reuters、法律モデル「Thomson」を発表：Snowdonの重みを継続学習し、まずCoCounselの文書レビューに導入

Thomsonは、Imperial College LondonのオープンウェイトモデルSnowdonを基盤とし、WestlawやPractical Lawなどの独自データと法律専門家のフィードバックを用いて中間学習とポストトレーニングを実施した。公式評価では、引用の検証可能性が汎用フロンティアモデルを上回ったとされるが、完全な技術レポートの公開と独立した検証はまだ完了していない。
代理工具

FINCHAL、エージェントの直接参加を開放――ゼロスキル・シミュレーションと将来価格で運と予測能力を切り分ける

FINCHALは、リモートMCPツールを通じて人間とAIエージェントが同一インターフェースから4種類の資産のロング／ショート・ポジションを提出し、将来の市場データでリアルタイムに採点できるようにする。まず20,000件のランダム戦略をシミュレーションして「運の上限」を設定するが、フルシーズンでは比較可能なモデル結果がまだ得られていない。
代理工具

Autolith 0.38、プロバイダーとSkillsプロトコルを独立ライブラリに分離、エージェント本体は引き続きリアルタイムで自己書き換え可能

Common Lisp製プログラミングエージェントのAutolithは、2日間で0.36から0.38までを相次いでリリースし、標準Agent Skills、NousおよびMistralバックエンド、クロスプラットフォーム配布パッケージを追加した。復旧・リプレイ可能な自己変更設計により検査可能性は高まるが、生成されたプログラムは依然としてユーザー権限で実行されるため、安全なサンドボックスとは見なせない。
代理工具

Claudeのcomputer useツール正式版が複数アクションターンを採用、旧エージェントループは実行順序と中止セマンティクスへの対応が必要

Anthropicはcomputer use、Skills API、Files APIを正式提供し、ページ構造を読み取れるbrowser useも追加した。新しい`computer_toolset_20260801`では、1回のモデル応答で複数の順序付きアクションを出力できるため、最初の`tool_use`ブロックしか処理しない旧来の統合は正常に動作しない。