代理工具
DashArena、モデルに再生可能な操作トレースの添付を要求 ダッシュボードの「表示できるが使えない」ギャップを可視化
DashArenaは、234件のオープンエンドなタスクを用いて、モデルが生成したインタラクティブなデータダッシュボードを評価し、モデル自身が記述した操作手順をブラウザ上で実際に再生する。インタラクションの証拠を加えると、8Bの視覚評価モデルと人間の選好との一致率は71.7％から79.8％に上昇したが、最良モデルでも完全再生率は73.3％にとどまった。
Archive
最新模型
新模型、開放權重、多模態、語音、影像與模型架構。
代理工具
代理工具
ReTree、証拠の矛盾時に探索木をロールバックし、Qwen3‑8Bの総合回答精度を30.1％から44.0％へ向上
ReTreeは、探索エージェントの要約、証拠の出典、改訂履歴を依存関係ツリーとして保存する。新しい情報が従来の前提を覆すと、システムは誤りが持ち込まれたノードまで戻り、影響を受けた分岐を削除する。4つの探索ベンチマークでは、各ステップのコンテキストを短縮しながら回答を改善した一方、ハードプルーニングによって、実際には矛盾の影響を受けない情報まで失われる可能性がある。
推論系統
ThinkRetrieve、推論途中で解法例を検索し、Qwen3‑1.7BのAIME 2025精度を13.4ポイント向上
ThinkRetrieveは、モデルに思考時間を延ばすよう求めるだけではなく、各推論境界で類似問題の完全な解答を検索し、次の思考コンテキストに挿入する。1.5B～8Bの5モデルすべてで逐次型Test-Time Computeを上回ったが、この手法には大規模かつ厳密に汚染除去された解法データベースが必要となる。
最新模型
整合性のある形容詞を加えてもSAEの活性化特徴の20～60%が失われ、「特徴の袋」という直観に疑問
ハイデルベルク大学の研究により、スパースオートエンコーダーでは個々のlatentを解釈できても、活性化したlatentの集合全体は人間の概念と安定して対応しないことが分かった。名詞の前に整合性のある形容詞を加えるだけで、元の活性化集合の20～60%が消失する可能性があり、集合の重なりからモデル状態を解釈する手法の信頼性には限界がある。
代理工具
SKILLER、SKILL.mdを最適化可能な方策として扱い、Qwen3.5‑9Bがソフトウェアエンジニアリング評価で82.8%を達成
SKILLERは小規模モデルの重みを更新せず、強力なモデルが実行トレースと検証器のフィードバックに基づいてテキスト形式のスキルを反復的に修正する。Qwen3.5‑9BはSWE‑Skills‑Benchで、3回の実行における平均スコアをスキルなしの26.2%から82.8%へ向上させた。ただし、スキル生成は依然としてGPT‑5.4と成功例の参照トレースに依存する。
最新模型
Muse Glimmer 30B、17GBの量子化ウェイトとDFlashドラフトモデルでマルチモーダルエージェントを単一GPU上に実現
MetaはMuse Glimmer 30Bのウェイト、ビジョンエンコーダー、DFlashドラフトモデルを公開した。17GB版では、24GBのVRAM内でテキスト、画像、投機的デコーディングを同時に実行できる。公式測定ではRTX 5090上で平均233.4 token/sを記録したが、安全性評価とデプロイの詳細から、依然として外部の保護策と新しいruntimeが必要であることが分かる。
AI 輔助科學研究
二重エージェント研究システム、度重なる失敗からGrothendieck定数の新たな下界を導出――ただし重要な方向転換は依然として人間が提案
研究チームは、推論モデル、コーディングエージェント、ファイルベースのメモリを用いて約240回の研究セッションを実施し、最終的に `K_G ≥ 6π/11` を提案、著者らが検証した。システムは強力な局所的証明能力を示した一方、探索がボトルネックに陥ったことを自ら認識できず、研究方針や成果の取捨選択には約40回の人間による指示が引き続き必要だった。
代理工具
ACM、3つのエージェントフレームワークをバージョン管理された構成グラフへ投影し、変更影響と実行プロベナンスを統一的に追跡
Agentic Configuration Managementは、エージェント、プロンプト、モデル、ツール、ワークフローを、個別にバージョン管理できる構成項目として正規化する。リファレンス実装はLangGraph、CrewAI、OpenAI Agents SDKをサポートするが、現時点の検証は小規模な合成ケースと著者独自のoracleに集中している。
AI 基礎設施
MISA-T、KV滞留時間に基づく混合RL rolloutスケジューリングでStep3.7のスループットを53.3%向上
MISA-Tは、プレフィックスヒットだけで推論ノードを選択するのではなく、ワークロードごとにKVキャッシュを同時占有できるsession数も制限する。著者らはStep3.7とQwen3.6-35B-A3Bで、rolloutスループットが43.6%から53.3%向上したと報告しているが、実装はまだ公開されていない。
最新模型
UniF-MoE、共有ブロックを先に抽出して残余計算をルーティングし、top-2 GMoE比で推論時間を45.2%短縮
UniF-MoEは、共有エキスパート、FFNの幅、活性化するエキスパート数を個別に決定するのではなく、各tokenが最初に共有チャネルを選択し、その後、残りの需要に応じてルーティング確率を累積する。著者らによるDeiTおよびBERTの実験では、精度とMoEの推論コストが改善されたが、生成型大規模言語モデルや分散expert parallelismではまだ検証されていない。
代理工具
言語をまたぐプロンプト変更でエージェントのツール経路が変化、4つの大規模モデルで行動方針の保持率は71～73%にとどまる
Microsoftの研究チームが41言語、238万回のrolloutを比較したところ、同一タスクでも言語を変えると、貪欲復号を用いた場合でさえエージェントは異なるツール経路を選ぶことが分かった。非英語タスクは英語への事前翻訳に大きく依存しているが、今回のツールは記号化された呼び出しにすぎず、実際のAPIで発生するエラーや副作用はまだ考慮されていない。
最新模型
ReRound、拡散事前分布で量子化の丸めを再選択──3／4ビット小型モデルの平均精度が最大1.6ポイント向上
ReRoundはキャリブレーション用コーパスを使用せず、モデル自身の重みから条件付き拡散モデルを学習し、量子化区間の中点付近にある重みを切り上げるか切り下げるかを再判定する。デプロイ時は既存の低ビット形式を維持し、追加の推論オーバーヘッドも発生しないが、モデルごとに数時間の専用再構成コストが事前に必要となる。