Archive
新模型、開放權重、多模態、語音、影像與模型架構。
最新模型
Ornithは、9B、35B MoE、397B MoEの3種類のオープンウェイトモデルを公開した。訓練ループでは、タスク、エージェント・スキャフォールド、解答軌跡を同時に最適化する。397Bモデルのコーディングエージェント性能はクローズドなフロンティアモデルに迫るが、数値はまだ独立に再現されておらず、モデルの公開文書にはライセンス上の不備もある。
代理工具
Anthropicの新しいツールでは、1回のモデルターンで複数のインターフェース操作を実行でき、ページ構造、バージョン管理可能なスキル、永続ファイルも組み合わせられる。既存のbeta統合は引き続き動作するが、computer useツールをアップグレードするとリクエスト形式が変わるほか、エンジニアリングチームはブラウザの分離やプロンプトインジェクションのリスクにも自ら対処する必要がある。
代理工具
NVIDIAは、もともとGPUカーネルの進化的探索に用いていたAVOエージェントアーキテクチャを対話型推論へ移植し、Claude Opus 5との組み合わせで100.00 RHAEを達成した。この結果は、エージェントのメモリと検証ループによって同じモデルの性能が大きく変わり得ることを示している。ただし、対象は公開環境に限られており、VISTAとの比較も統制されたアブレーションではない。
推論系統
Google DeepMindは、高コストなモデル評価を実行するかどうかを「Pandora’s box」探索問題として定式化し、情報価値に基づいて追加評価の要否を逐次判断する。3種類のテストすべてで、平均ルーティング後悔と評価コストの合計が最小となったが、その効果は適切にキャリブレーションされたシグナル分布とコスト設定に依存する。
最新模型
新たな研究では、NoThink、Short、Longをモデルが生成する最初のtokenとし、別途ルーターを設けることなく、問題ごとに推論予算を割り当てる。MATH-500ではベースモデルに近い精度を維持しつつ、より簡単なGSM8Kではtokenを76%削減した。
代理工具
9モデルと3種類の長期プロセス評価を対象とした研究で、タスク全体から抽出したスキルは概してエージェントの性能を低下させる一方、サブタスクから抽出すると平均的に性能が向上することが示された。自然言語による手順メモも、実行可能なPythonスキルより安定していたが、効果は依然としてモデルと評価に大きく左右される。
最新模型
8 月 21 日前後，DeepSeek Pro 灰測消息在開發者社群延燒；目前可確認的是官方 8 月 21 日公告只發布 Flash Vision 實驗模型，Pro 仍未公布新版本號。社群觀察到的「I’m doing」思維鏈與 B 站實測，更像一次小範圍路由或後端模型灰度放量。
代理工具
MemTrapBenchが評価するのは、記憶を取り出せるかどうかではない。正しく関連性のある過去の経験が、モデルを誤った戦略や信念に縛り付けるかを検証する。5つの記憶手法はいずれも、2つのモデルで記憶なしのベースラインを下回り、単純なプロンプトベースのガードレールで回復できたのも損失の一部にとどまった。
代理工具
SAPOは生成シーケンス内の2つの因果的境界を利用して状態価値と行動価値を同時に読み出し、独立したcriticや同一プロンプトに対する複数回のrolloutを不要にする。Qwen2.5-7BはALFWorldとWebShopの総合指標でPPO、GRPOを上回ったが、現時点では公開実装による検証が不足している。
最新模型
DECOWAMは、凍結した60.2億パラメータのFastWAMに、ベース、アーム、カメラの自己運動インターフェースを追加し、デプロイ時には現在の観測のみを使って48ステップの動作を予測する。実機ロボット試験での全体完了率はFastWAMをわずかに上回る程度だったが、ベースへの外乱に対するロバスト成功率は12.7%から30.4%に向上した。
推論系統
Axonは、モデルアーキテクチャをシンボリックなテンソル形状を持つ関数型仕様として記述し、PyTorch、Triton、JAX、MLX、ネイティブvLLM向けにコンパイルする。467件の推論テストでは多くの生成モデルが高速化した一方、一部のBF16モデル、エンコーダーモデル、シーケンス・ツー・シーケンスモデルでは、精度または性能の低下も確認された。
代理工具
Qwen2.5-0.5Bと同一のLoRAを共有する4つのモジュールが、注意マスクの違いだけでまったく異なる合成戦略を学習した。各モジュールが自身の証拠断片しか見られないよう制限すると、サンプル間で転用可能な中間値通信が形成されやすくなったが、事前登録された全体成功基準には0.0012届かなかった。