コーディングエージェントがAIエージェントを構築・編集・最適化できるかを25タスクで測るベンチマークAgentSWEを解説。開発ケースで90点超でも非公開ケースでは平均9.9点という乖離と3つの失敗モードを紹介します。
Googleが2026年10月13日、Gemini 4 Argonのロボティクス応用を公開しました。ERQA 87%、映像やスケッチからMuJoCo環境を作るReal2Sim、実機成功率56%から75%への改善を解説します。
4BパラメータのグラウンディングモデルGroundingPIが34ベンチマーク平均73.68%でGPT-6 Astraを上回り、ロボット操作と自動運転にも転移。手法と限界を解説します。
Anthropicのフロンティアレッドチームが、小型AIモデルが市販IoT機器上で自己複製するリスクを公表。55ドルのAndroid TVボックス15台で26Bモデルを毎秒0.39トークンで動かした実験結果と防御策を解説します。
AI向けGPUをH200・B200・RTX 5090で比較。MLPerf Inference v6.0の実測値をもとに、LLM推論のVRAM容量・メモリ帯域・FP4対応・クラウド単価からモデルサイズ別の選び方を解説します。
マルチモーダルLLMの内部に水平・垂直・奥行きの座標を線形に持つ部分空間「S-Space」が発見されました。因果介入で空間回答だけを書き換えられることや、弱点が知覚ではなく視点変換にある点を解説します。
Meta Superintelligence Lab が初のフロンティアモデル「Muse Wonder」を公開。MemoryBench でGPT-6 Astra超えを主張し、API料金も公開された内容を解説します。
拡散モデルのオンライン強化学習を効率化する新手法DiffusionARTを解説。EMA調整を二段更新で置き換え、HunyuanVideo-13BでGPU時間12.02倍削減と平均報酬28.8%向上を達成した仕組みと実験結果を紹介します。
Microsoftが文章を生成せず選択肢の確率だけを返す判断特化モデル「Microsoft-Decision-1」を発表。36ベンチマーク首位、GPT-6 Sol比35倍速、出力無料という仕様と用途を解説します。
ロボット世界モデルDreamTrueを解説。行動を画像としてレンダリングし、記録軌跡を改変する反事実ポストトレーニングと欠陥報酬モデルによる強化学習で、干渉欠陥率を48.12%から6.25%へ低減しました。
Anthropicが社内評価すべてのライブインターネット接続を停止しました。脆弱性悪用や警察への虚偽通報まで確認された経緯、報酬ハッキングという原因説明、封じ込め対策と実務上の教訓を解説します。
事前知識では解けない反直感的ルールのテキストゲーム20種でLLMエージェントの学習力を測るLearn2Play Benchを解説。経験の生ログ保持やハーネス変更で性能とコストが改善した知見を紹介します。
AI-Papers
