GitHub Repo
Debian決議、AI支援によるコントリビューションを禁止せず バッチ型エージェント操作には引き続きコミュニティの事前合意が必要
Debian開発者は「生成AIの責任ある利用」案を選択した。既存の品質・ライセンス基準を引き続き適用し、AIの出力については提出者が全面的な責任を負う。決議はAI利用の開示を義務付けていないが、機密データの外部送信を明確に制限し、大規模な自動変更については事前の協議を求めている。
Archive
全ニュース
技術ニュース 1531 件
GitHub Repo
代理工具
Codex CLI 0.151.0、MCP結果のインターセプトを開放——拡張機能がモデルによる読み取り前にツール出力を書き換え可能に
新バージョンでは`on_mcp_tool_result`ライフサイクルインターフェースが追加され、拡張機能がMCPの成功結果とエラー結果を検査または置換できるようになった。これはデータマスキングと出力正規化のための新たな制御ポイントを提供する一方、拡張機能を監査が必要なエージェントの信頼境界へと押し上げる。
代理工具
OpenAI Python SDK 3.6.0がHTTPX2へ移行、エンタープライズTLS、テストインターセプト、カスタムトランスポート層に移行対応が必要
OpenAI Python SDKは、同期・非同期のデフォルトクライアントをHTTPXからHTTPX2へ切り替え、旧版の`httpx`と`certifi`を推移的依存関係として提供しなくなった。通常のAPI呼び出しはほぼ変わらないが、企業プロキシ、カスタムtransport、RESPXテスト、証明書の信頼設定はアップグレード後に機能しなくなる可能性がある。
代理工具
PILOT、監督エージェントがタスク実行中に進路を修正し、実行経験を永続スキルへリアルタイムで反映
PILOTは双方向チャネルでsupervisorとworkerエージェントを接続し、長時間タスクが完了する前でも、前者が指示を与えたり、誤った経路を中止したりできるようにする。著者らは3つのエージェント・ベンチマークで精度とtoken効率の向上を報告しているが、「自己改善」が更新するのはharness、スキル、メモリのみで、モデルのパラメータは変更しない。
最新模型
CLAP、異種ロボットの行動空間を統一し、動画世界モデルを異なる形態にまたがるシミュレーターとして活用
CLAPはまず、ラベルなし動画から潜在行動を通じて物理法則を学習し、その表現をロボットのエンドエフェクタ座標へ再接続する。研究チームはコードと複数のcheckpointを公開しているが、生成動画における物理的なハルシネーションが、安全性の重要な制御に直接利用するうえでの制約となっている。
最新模型
Puro-2B、RTX 5090向け事前学習レシピを公開――1.4T tokenの実測コストは6,891ドル
Puro-2Bは、2段階のデータカリキュラム、ブロック単位FP8、MuonH最適化をコンシューマー向けGPUクラスターに統合した。著者らによると、4,370ドルの短縮学習版は平均スコアでQwen2-1.5Bを上回ったが、このコストに含まれるのはアクセラレーターのレンタル相当額のみだ。
代理工具
PRAXIST、世代横断のエビデンスグラフで実験の因果関係を保存、MLE-benchのモデル費用をベースラインの約12分の1に削減
PRAXISTでは、複数の研究エージェントが世代を重ねながら変更案を提示し、評価結果、メカニズム、系譜を監査可能なエビデンスグラフに記録することで、各ラウンドでの再探索を回避する。著者らは75タスクのMLE-benchでメダル60個、モデル費用3,054ドルと報告しているが、システムは公開されたばかりであり、成績とコストはいずれも主に開発チームによる測定値だ。
最新模型
TTPO、多数決で正負の軌跡を振り分け、正解のないテスト問題でモデルをリアルタイム更新
TTPO は多数決の回答をそのまま正解とは見なさず、コンセンサスと一致する軌跡を蒸留し、さらに grouped RL によって高い確信度を伴う不一致の誤りを罰する。著者らの報告では、Qwen3-1.7B の3つの数学コンテストにおける Avg@12 は 38.0 から 45.2 に向上した。ただし、これはテスト問題を直接使用してパラメータを更新するトランスダクティブな設定である。
推論系統
Prefix Sliding、プロンプトのプレフィックスと直近の推論を保持し、超長時間思考のKVメモリを定額化
Prefix Slidingは生成中に中間部分の推論tokenを破棄し、システムプロンプト、タスクのプレフィックス、直近数千tokenのみを保持するため、再学習なしで適用できる。研究では、長時間推論の総思考時間を約3分の1に短縮できると報告されているが、現行実装はフォーク版のvLLMとFlashAttentionに依存しており、出力が短いタスクや初期の詳細を振り返る必要があるタスクでは効果が限定的だ。
最新模型
LeVJEPA、ターゲットエンコーダと予測器を廃止し、動画事前学習の計算量をV-JEPA 2の最大20分の1に削減
LeVJEPAは、単一のエンコーダ、クロスビュー不変性損失、表現崩壊を防ぐSIGRegを採用し、EMAターゲットネットワーク、stop-gradient、ピクセルデコーダへの依存をなくした。著者らは、同一のデータと学習期間において計算量に5.6～20.8倍の差があると報告しているが、現時点の結果は、チームが再学習したモデルによる凍結エンコーダのベンチマークに限られる。
推論系統
FreeToken、CPU／GPU間でエキスパート計算を動的に分割し、284B MoEを単一のRTX 5090で推論
FreeTokenは、固定ルールによるMoEエキスパートのオフロードをやめ、実測したメモリ帯域幅とPCIe帯域幅に基づいて、CPUでの実行とGPUキャッシュへの配置を動的に分担する。開発者らは、RTX 5090で284Bモデルを毎秒22～25 tokenで実行できると報告しているが、テストは依然として開発チーム自身によるもので、完全な重みの保持には大量のメインメモリが必要だ。
硬體
MTIA 300、12基のRDMA NICとcollectiveエンジンをチップに統合し、PCIe通信経路を迂回
MetaのMTIA 300は、1.2TB/sのネットワークI/Oと16基のメッセージエンジンをアクセラレータに直接統合し、collectiveが主要な計算アレイを占有しないようにした。公式発表では、150B規模の推薦モデルにおいて、比較対象のGPUクラスタより通信時間を3.9倍短縮したとしているが、システム全体のトレーニングコストを比較するのに十分な完全なデータはまだ提供されていない。