Archive
新模型、開放權重、多模態、語音、影像與模型架構。
最新模型
MidTool-Mixは、Web、PDF、コード、実際のツールインターフェースから203億tokenを合成し、モデルがSFTやRLに進む前に、ツールの境界、パラメータ、ワークフローを学習できるようにする。同一のSFTレシピを適用した場合、Qwen3-4BのBFCLv3総合スコアは39.73%から50.25%へ向上したが、深度検索タスクは依然としてまったく解決できていない。
AI 安全
新たな研究により、1回限りのgreedy decodingと不安定な閾値によって、まったく訓練していないモデルが能力を獲得または喪失したように見えることが判明した。設問ごとの正確検定に切り替えると、3種類のself-trainingはいずれも既存能力を安定して強化しただけで、基盤モデルが一度も示さなかった新能力の獲得は実証できなかった。
代理工具
CentaurBenchは、7種類の業務タスクを用いてモデルの自動化能力と支援能力を個別に評価した。2つのランキング間の相関係数は約0.48にすぎない。支援なしのGPT-3.5-Turboが3つのタスクですべての指導ありのバージョンを上回り、強力なモデルを追加してもエージェントのワークフローが必ず改善するわけではないことを示した。
代理工具
TrueFoundryは、エージェントループ、MCPツール、オンデマンドサンドボックス、サブエージェント、承認フローを組み合わせたセルフホスト可能な実行フレームワーク「TrueForge」をMIT Licenseで公開した。公式のEnterprise-Benchでは、同一モデルで約30％、GLM-5.2への切り替えで約75％のコスト削減を報告しているが、比較対象は14件のタスクに限られる。
代理工具
SalesforceはSlack Codeを発表した。チームは会話からプロジェクト専用のCode Channelを直接作成し、エージェントが生成したコードを共同で監視、修正、承認できる。初期段階ではClaude、Devin、GitHub Copilot、ChatGPT、Vercel agentsと連携するが、セキュリティ分離、権限の粒度、APIの詳細はまだ完全には公開されていない。
代理工具
DeepWeaverはThought Block Chainを用いて主張、重要情報、情報源を整理し、未活用の証拠を繰り返し確認する。複数モデルの長文回答と引用指標を改善した一方、新しい評価は中国語の水環境問題に集中しており、コードもまだ実際には公開されていない。
推論系統
Liquid AIは、約3億パラメータのDSparkドラフトモデル3種を公開した。LFM2.5は投機的デコーディングにより、複数の候補tokenを一度に検証できる。batch size 1のgreedy decodingテストでは最大3.18倍の高速化を達成したが、SGLangサポートは依然としてオープン中のPRであり、デプロイの成熟度は今後の検証が必要だ。
代理工具
SkillForgeは実際の課題チケットが発生する前に、テストでカバーされた実行パスから検証可能な障害を生成し、その修復軌跡をプロジェクト固有のスキルへ蒸留する。Mini-SWE-Agentと組み合わせることで、DeepSeek-V3.2とGPT-5-miniのSWE-bench VerifiedにおけるPass@1は、それぞれ72.2％と60.6％に上昇した。
最新模型
Open-MOPDは、マルチティーチャー型オンライン方策蒸留の主なボトルネックが教師間の勾配競合ではなく、ドメインごとに割り当てられる有効なtoken更新量の著しい不均衡にあることを突き止めた。tokenシェアの均衡化、ギャップ指向の割り当て、学生報酬の再計算を組み合わせ、単一の3Bモデルで利用可能な能力向上分の83.4%を回収した。
科學機器學習
Monroeは、疎グラフ注意機構、立体化学エッジ、1,152種類の事前学習目標を組み合わせ、凍結した分子ベクトルに対してTabPFNでインコンテキスト予測を行う。Polarisの全28タスクで統計的に最良のグループに入ったが、「勝率100%」には最良手法との有意差がない引き分けも含まれる。
代理工具
SPADEは、プロンプトの前後におけるリターン差を用いて環境設計者を訓練し、エージェントの能力に応じてカリキュラムを自動的に難化させる。Qwen3-30B-A3Bはツール使用評価で最大13.9ポイント向上したが、環境検証器が仕様を満たさないタスクや解のないタスクを受理する可能性は残る。
代理工具
FM-Benchは、26種類のツールと約340～400の意思決定ポイントを通じて、エージェントが遅延報酬、隠された情報、競合相手の反応に対処できるかを検証した。15モデルはいずれも20シーズンを完遂したが、順位が安定したのは後半に入ってからで、自律的なメモリ管理にも「追加するだけで削除しない」「繰り返し上書きする」という2つの失敗パターンが見られた。