代理工具
研究が明らかにしたマルチモデル査読パイプラインの参照ずれ：検証モデルが正しいロールバックを誤りと判定する可能性
新たな実験により、「ドラフト作成—検証—修訂」パイプラインでは、`previous` などの相対的な語の指示対象が、モデルの役割が切り替わる際に変化し得ることが示された。推論強度を高めることで一部のモデルは大幅に改善するものの、単にテスト時計算量を増やすことよりも、モデル選択のほうが重要だという。
Archive
全ニュース
技術ニュース 1521 件
代理工具
最新模型
SteerDuplex、2段階RLで全二重音声制御を改善――ただしモデルと評価コードは未公開
SteerDuplexは、口調、アクセント、発話速度、割り込み処理を単一の全二重音声ポストトレーニングに統合し、390件の音声プロンプトを収録したSteerBenchも提案した。論文では顕著な改善が報告される一方、モデルが回答を早めに打ち切ることで割り込み指標を攻略できることも明らかにしている。
GitHub Repo
OpenArch、読みやすいLLMアーキテクチャ実装でHacker Newsの注目を集めるも、本番推論フレームワークの代替には至らず
OpenArchは、Llama、DeepSeek、Gemma、Qwen、Kimiなどのモデルを、アーキテクチャ別の純粋なPyTorchサンプルとして書き直し、Attention、正規化、MoEルーティングを比較しやすくしている。プロジェクトは9月14日にHacker Newsで急速に注目を集めたが、大半のモデルはまだ未完成で、既存コードも性能や互換性を目標としていないことが明記されている。
AI 安全
Hugging FaceのPython SDKがエージェントツールを識別してHubリクエストにタグ付け、コミュニティがテレメトリーの境界を再検証
コミュニティによる監査で、`huggingface_hub`が環境変数に基づいてCodex、Claude Code、Cursorなどのエージェントを識別し、その名前をHubリクエストのUser-Agentに追加していることが確認された。この仕組みは以前から公式に公開されているが、一般的なテレメトリー無効化オプションがエージェントのタグ付けまで完全に対象としているかについては、依然としてドキュメントに明記されていない。
推論系統
smolperfbenchmark、エッジLLMのエネルギー効率ベンチマークを公開。ただしライブ・リーダーボードの結果は現在0件
新たなオープンソースのベンチマークスイートは、小型モデルをJetson、Mac、Raspberry Pi、Androidデバイスで動かし、データセンターGPUのスループットだけでなく、デコード速度、tokens/J、レイテンシ、温度を測定する。作者は約1,000通りのJetson構成をテスト済みとしているが、現在、公開リーダーボードにはデータが1件も読み込まれておらず、ユーザーは当面、リポジトリ内のレポートとraw artifactsを参照して結果を検証する必要がある。
最新模型
Intern‑S2正式版が397Bマルチモーダル重みを公開、旧Preview APIは10月末に廃止へ
上海人工知能研究所はIntern‑S2‑Preview‑397Bを正式版へアップグレードし、長期的なエージェント能力を追加するとともに、Apache 2.0ライセンスのBF16およびFP8重みを公開した。APIユーザーは`intern-s2`へ移行する必要があるが、公式ドキュメントではlatest aliasに関する記述が依然として矛盾しているため、移行時にはレスポンスで返される実際のモデルバージョンを確認すべきだ。
GitHub Repo
llama.cppのデイリービルド、旧世代GPU向けにF32フォールバックを導入し、Nemotron MTPウェイトのゼロ除算クラッシュを防止
9月13～14日のllama.cppプレリリースビルドでは、BF16が利用できない場合のCUDA F32経路が追加され、一部の旧世代GPUで即座に失敗する問題が回避された。別の修正では、Nemotron-HのNextN／MTPメタデータが不完全な場合、モデル読み込み時にSIGFPEを引き起こす代わりにエラーを報告する。
推論系統
Colibrìは兆パラメータ級MoEの重みをVRAM、RAM、NVMeに階層配置するが、低メモリだからといって高速推論とは限らない
最近コミュニティで注目度が高まっているColibrìは、純C製エンジンでスパースなエキスパートをオンデマンドに読み込み、744Bから2.8Tパラメータのモデルをデータセンター向けではないハードウェアでも起動可能にする。引き下げられるのはモデルの常駐メモリ要件であり、実際のデコード速度は依然としてSSD帯域幅、エキスパートのヒット率、量子化品質に大きく左右される。
AI evaluation / scientific reasoning
物理学の専門家が6つのAIベンチマークを再評価、問題修正後にGPT‑5.6‑Solのスコアが最大50ポイント超上昇
6つの物理学評価を対象とした人手による監査で、自動採点により誤答とされた回答の多くが、実際には誤った参照解答、採点器の欠陥、または問題文の不備に起因していたことが判明した。問題を修正または除外した後、GPT‑5.6‑Solは残されたCritPt問題で94.4%のpass@4を記録したが、これは元の全問題を対象としたランキング成績と同一ではない。
代理工具
3つのKotlinプロジェクトでエージェント向けSKILL最適化を実測：GEPAの平均改善はわずか4.9ポイントで、ノイズの範囲を超えず
新たな研究は、マージ済みPRから逆算してタスクを構築し、リポジトリのSKILLが同じcoding agentの問題解決能力を本当に高めるかを直接測定した。GEPAが生成した文書は平均4.9ポイントの改善をもたらした一方、SkillOptの効果はほぼ見られず、実行間のばらつきを排除するにはサンプル数がなお不足している。
代理工具
AlibabaのOpenCodeReviewがGitHub Trending入り、決定論的パイプラインでコードレビューエージェントを制御
Alibabaが社内で利用してきたOpenCodeReviewが今週、オープンソースとして急速に注目を集めている。ファイル選択、ルールマッチング、コメント位置の特定は決定論的なプログラムに任せ、LLMエージェントにはコンテキスト探索を担わせる設計だ。公式ベンチマークでは汎用coding agentと比べてtoken使用量を約90％削減した一方、recallは低い。
最新模型
MiniCPM5-2B、全トレーニング段階とエッジ向け形式を公開――16のRLエキスパートを単一モデルへ蒸留
OpenBMBはMiniCPM5-2B、トレーニングデータ、および事前学習からRLまでの各段階の重みを公開し、GGUF、MLX、GPTQ、投機的デコーディング版も提供した。モデルは標準のLlamaアーキテクチャと128Kコンテキストを維持する一方、ツール呼び出しに必要なSGLangパーサーは、現時点ではmainブランチからのインストールが必要となる可能性がある。