最新模型
2,190本の制御動画が明らかにしたVLMのカウント限界：サンプリングフレームを増やしてもイベント軌跡の正確性は保証されない
新たな研究は、最終的なカウントだけでなく、実行可能な時間軌跡を用いて動画モデルを監査した。Gemini 3.6 Flashはイベント数と頻度がともに高い領域で正答率がわずか0.2%にとどまり、実際のイベントの18.1%しか検出できなかった。
Archive
最新模型
新模型、開放權重、多模態、語音、影像與模型架構。
最新模型
代理工具
HarnessOpt-Bench、エージェントハーネスの最適化をベンチマーク化――モデル選択の影響はcoding harnessの約1.8倍
HarnessOpt-Benchは、固定された評価予算内でモデルにプロンプト、ツール、メモリ、制御フローを変更させ、非公開テストセットで実際の改善幅を測定する。111件の実験では、モデル自体による差が外側のcoding harnessによる差を上回った一方、ネイティブツールが一貫して優位とは限らなかった。
最新模型
新研究、Adamが行列分解の対称性を破り、同一の関数でも異なる注意表現に収束し得ると指摘
研究は、Adamと低ランク復元の差異を、座標ごとの前処理器が gauge equivariance（ゲージ同変性）を持たないことに帰着させた。公開実験では、機能的に等価な2つの初期化をAdamで学習した結果、注意機構の不変量に56%の差が生じたが、この結論は大規模モデルの事前学習ではまだ検証されていない。
最新模型
DASH、推論軌跡に応じて蒸留重みを動的に配分——Qwen3の3モデル規模すべてで固定重みベースラインを上回る
DASHは、各tokenにおける教師—学生間の差異を一律に扱わず、生成軌跡全体に基づいて監督を前方へ伝播させる距離を調整する。著者らは3つの数学ベンチマークで安定した性能向上を報告し、訓練コード、評価パイプライン、LoRA重みも公開した。
Reasoning Core 以 50 種程序生成器擴充監督資料，3B 模型 DROP F1 由 33.1 升至 41.7
Reasoning Core 用可執行評分器、難度控制與短答案格式產生數學、規劃、形式證明及程式題。匹配訓練實驗顯示它優於三套程序資料集，但作者也在外部資料庫發現生成器與評分器不一致。
AI 安全
Canary Tools、エージェントのツール選択ミスを6分類――8モデルの誘導されやすさに約36倍の差
新たな評価手法は、MCPのツール一覧にセマンティック・デコイ、パラメータ・トラップ、能力の幻想などの指向性プローブを仕込み、誤った呼び出しからエージェントの選択上の弱点を特定する。11,520回の実験では、モデルの性能階層から安全性を安定して予測できないことが判明。また、誘導された後に自力で誤った経路から離脱できるかどうかによって、タスク成功率は16%から52%まで上昇した。
推論系統
ReCo、ステップ報酬でKV cacheと推論長を協調制御し、エンドツーエンドのレイテンシを2倍超改善
ReCoは、推論の各ステップに対するプロセス報酬に基づいてKV cacheを動的に圧縮しつつ、反復的な振り返りを抑制して早期終了を行う。3つの推論モデルと6つのベンチマークを用いた著者らの実験では、生成token数が37%～65%減少し、レイテンシが2.08～2.35倍改善した。
AI 基礎設施
Azureのエージェントワークフロー実測でCPU–GPUの断片化が明らかに、Agoraはアイドル計算資源を回収しつつテールレイテンシを維持
Microsoft Azureの研究により、エージェントがモデル推論、ツール、オーケストレーターの間を繰り返し切り替えることで、CPUが再びクリティカルパスに入り、その一方でGPUは頻繁にアイドル状態になることが示された。プロトタイプシステムのAgoraは、ワークフローの特性に応じて計算資源を回収できるが、並列エージェントへのGPU割り当てを誤って縮小すると、テールレイテンシがかえって16倍に悪化する。
最新模型
OctoLong、ライブラリ横断の依存関係チェーンで長文脈モデルを訓練、8B版のRepoQAスコアが64.63に向上
OctoLongは、単一のライブラリをそのまま連結して長いテキストにするのではなく、AST、言語サーバー、パッケージの依存関係をたどって実装を再帰的に収集する。研究チームは600Mから14Bまでのモデルを公開し、実験では依存関係が密なデータによってコード検索、状態追跡、API利用が同時に改善された。
代理工具
ABSeeker、正解から検索手がかりを逆算し、4BモデルのBrowseCompスコアを55.3%に向上
ABSeekerは、検索エージェントの最終的な成否をステップ単位の報酬に分解し、失敗軌跡に含まれる有効なクエリを保持する一方、成功軌跡内の誤ったステップを抑制する。チームは4Bモデルの重み、推論・訓練パイプラインを公開しているが、最高スコアの達成には依然として追加のコンテキスト管理とLLMジャッジが必要だ。
代理工具
KV cacheは「潜在思考」ではない：ミスマッチキャッシュが示す、マルチエージェントの性能向上はインターフェース効果にすぎない可能性
新たな研究は、ミスマッチ、ゼロ化、ランダム化したKV cacheを用いてマルチエージェントの潜在コミュニケーションを再検証し、キャッシュの除去による大幅な性能低下が、受信側による送信側固有の情報の利用を必ずしも証明しないことを明らかにした。一部の自然な評価設定では、ゼロ化によって正解率が14.7ポイント低下した一方、別の問題のキャッシュに置き換えた場合の低下はわずか0.4ポイントだった。
AI 安全
小型モデルの自己申告信頼度ではリスクを直接制御できず、22設定中20%の誤り率上限を満たしたのは3設定のみ
新たな研究が、11種類のオープンウェイトモデルを対象に、「モデルの自己申告信頼度」で人間へのエスカレーション時点を判断できるか検証した。Platt scalingではECEを最小0.02まで低減できたものの、厳格な有限標本検証では、リスク上限を10%に設定すると自律回答を行う全設定が棄却された。