タグ: ニュース

オープンウェイト発表でも重みが未公開、時期とライセンスの確認点 2026/10/11
Mistral Large 4とReflection AIのBeamは、いずれもオープンウェイトとして発表されたが、重みは発表日に取得できず、公開の前に安全性評価の段階がある。自己ホストを計画する読者向けに、配布物とライセンスの違い、OSIの定義との関係を整理する。
Deep Agentsのスキル連動ツールとtool searchの違いと使い分け 2026/10/11
エージェントのツール定義は、最初に全部渡す形から途中で必要な分だけ開示する形へ移っている。モデルの検索で開示する tool search と、SKILL.md を読んだら開示する Deep Agents の方式を並べる。
VASPの機械学習力場をLAMMPSで使う方法とGRACE対応の注意点 2026/10/11
VASP の機械学習力場は、VASP の中で学習し中でだけ使う形から、VASPml で LAMMPS へ持ち出し、ML_TYPE=grace で外部の汎用力場を VASP の計算に差し込める形へ開き始めた。開いた経路が持たない誤差の指標と、一時的な代償と残る代償を一次資料で分ける。
durable execution とは：AIエージェントを中断から再開する仕組み 2026/10/11
durable execution は、AIエージェントのモデル呼び出しとツール呼び出しを記録し、落ちた実行を続きから再開させる仕組みである。Temporal と AWS Lambda を例に再生の仕組みを説明し、どのエンジンでも利用者が設計する冪等性と配備の版管理を扱う。
Isaac ROSはなぜNITROSを外し、rosidl::Bufferへ移ったか 2026/10/8
ROS 2 で GPU 上のデータをノード間で渡す仕組みが、NVIDIA 独自の NITROS から ROS 本体の rosidl::Buffer へ移った。作り手の理由と、移行の代価が一時的かどうかを一次資料で確かめる。
vLLMはモデル定義を機種別と機種非依存の二本に分け始めた 2026/10/7
vLLMの作り手は、最先端のGPUで最速を出すためにモデル定義を機種ごとに分け、演算の融合を手で書く方針を示した。並行して、移植性を保つ機種非依存の定義も組み始めた。二つのRFCとPyTorchのブログから、変わる点と、古いGPUや独自のアクセラレータの利用者が払う代償を整理する。
AIエージェントの権限管理：NVIDIA OpenShellは何を止められるか 2026/10/5
NVIDIAのOpenShellは、エージェントの外に置いた中継で、HTTPのメソッドやMCPのツール名まで要求を検査する。既定では接続先の単位で通信を絞るAnthropicのsandbox-runtimeと比べ、止められる操作、認証情報の扱い、検査の届かない通信を確かめる。
MLIPのGPUバッチ化：TorchSimとInferenceBatcherの違い 2026/10/3
MLIPで多数の小さな結晶を緩和する計算は、一つずつ回す形から多数の構造をバッチ化してGPUで同時に進める形へ移っている。計算の手順ごとバッチ化するTorchSimと、モデル呼び出しだけをバッチ化するfairchemのInferenceBatcherを並べ、払う手間を整理する。
vLLMの文章透かしの仕組み：SynthIDとの違いと、検出に要る鍵 2026/10/3
vLLM v0.30.0は文章の透かしをサンプリングの段に入れ、起動時の設定で使えるようにした。transformersに入ったSynthID Textと並べ、作り手が測った速度と多様性の変化、検出に要る鍵と設定、効かない場面を整理する。
ARDとは？AIエージェントのツール探しとMCP Registryとの違い 2026/10/3
エージェントにツールを選ばせる仕組みは、全部の説明をモデルに渡す形から、提供元が公開したツールを外の検索が絞る形へ向かい始めた。提案段階の仕様ARDとMCP Registryを並べ、信頼の判断を誰が担うかを整理する。
MuJoCo 3.14の新ipcモード：布の貫通を防ぐ仕組みと制限 2026/10/3
MuJoCo 3.14は実験的なipcフラグで、位置の更新が交差しないことを確かめてから確定する方式を、布のような薄い変形体の接触に加えた。Genesisの例と並べ、外れた機能を整理する。
Cloudflare、新CLI「cf」をベータ公開：全API操作をエージェントから 2026/10/3
Cloudflareは2026年9月28日、APIのスキーマから全操作のコマンドを生成するCLI「cf」をオープンベータとして公開した。
Materials Projectのデータ一括取得：列形式の配布とmp-apiで読む 2026/10/3
Materials Projectは以前からデータをJSONファイルの束としても一括で配ってきた。2026年6月に本番化した版（v2026.04.13）では中核データの保存層をDeltaテーブルへ移し、配る形式を列形式の表に変えた。この変更を読み、複数のデータベースを束ねて配るLeMaterialと並べる。
トークナイザの高速化はどこで効く？専用コードとBPEキャッシュ 2026/10/3
トークナイザの高速化を、分割の段の専用コードとBPEの段のキャッシュに分け、それぞれがどの規則とどの入力で効くかを、tokenizers v1とgigatokenの作り手の資料から読む。
Every Eval Everとは：AI評価記録の必須欄と再現の穴 2026/10/3
評価結果を機械可読な記録として公開する共有スキーマEvery Eval Everの必須欄と任意欄を、英国AISIの採用例とともに読む。走行の設定を書く欄が必須ではない設計の代償も確かめる。
MCPロードマップのwebhook通知とは：ポーリングとの違いと今の仕様 2026/10/3
MCPが2026年8月22日に公開したロードマップを読み、仕事の完了をポーリングだけに頼らず知らせるwebhookを含むpush配送へ向かう方向を追う。まだ仕様ではない行き先として書き、07-28版に残る接続の上の通知とA2Aの既存のpush notificationを比較に置く。
transformersがGGUFをggmlカーネルで実行：従来との違いと制約 2026/10/2
2024年からGGUFを展開して読めたtransformersが、ggmlカーネルまで取り込み、モデル定義だけを手元に残す設計を、作り手の記事から読む。対応範囲の狭さ、量子化による精度低下、カーネルがあるだけでは速さと安定が決まらないことの三つの代償も確かめる。
エージェント間の調整がgitで偶然できた仕組みとpush頻度の罠 2026/10/2
Thoughtworksの4日間の演習で、ビルド失敗を早く捕まえるために入れたcommitとrebaseの規律が、計画ファイルを全員に配る共有の置き場として働いた。偶然できた調整の仕組みと、CI負荷への対策で進行の流れが途切れるまでを当事者の記録から読む。
機械学習ポテンシャルUMAのtask指定：なぜ必要で何に注意するか 2026/10/1
Meta FAIRのUMAは、汎関数の異なる複数のDFTデータセットを一つの重みで学習し、どの理論レベルを再現するかをtask名で受け取る。計算条件の選択が利用者の入力へ移った理由と、その代償を作り手の文書と独立ベンチマークから読む。
AP2とACPの違い：エージェント決済の権限と承認の設計 2026/9/30
AP2は、エージェントが組み立てて利用者が承認し、署名された範囲のデータをエージェントに運ばせる。ACPのDelegate Paymentは、加盟店へ渡すカード情報を1回限りのallowanceで縛る。エージェントに決済を任せる権限の設計を、仕様が書く理由と、独立の分析が示す限界から読む。
GitHubがCopilotをRustで80万行に書き直し、正しさの基準はE2Eテスト 2026/9/30
GitHubは2026年9月16日、Copilotエージェントランタイムをその場での部品置換によってTypeScriptからRustへ移し替えたと公表した。正しさを保つ仕組みと既知の退行、独立測定との差を一次資料から読む。
MuJoCo MJXのJAX版とWarp版の違い：接触の扱い・速度・対応GPU 2026/9/30
MJXのJAX実装はどの世界でも同じ個数の接触を生成し、Warp実装は世界ごとに実際に起きている個数だけ接触を生成する。三つの世界の例でこの差を数え、作り手の説明と実測と、高速実行がNVIDIA GPUに限られ自動微分に未対応という制約を一次資料で確かめる。
Cloudflareで検索は許可・AI学習は拒否、新設定の仕組みと限界 2026/9/26
Cloudflareが2026年9月15日に出したDisallow AI Trainingは、学習の拒否を検索と分けて扱うと約束した混用クローラーだけを検索用に残し、他の学習クローラーを遮断する。用途別の意思公開は2023年から在り、新しいのはその約束と混用クローラーへ及ぶ遮断である。分離の実効性もその約束に依存する。
Playwright CLIとMCPの違い：コンテキストの消費と権限の境界 2026/9/24
Playwrightの作り手はMCPサーバーの次にCLIとスキルを出荷し、コーディングエージェントにはそちらを勧めた。ツールの説明と操作結果をコンテキストへ押し込む設計と、必要な分だけ取りに行かせる設計が何を狙ったのかを、両READMEから読む。ツールごとの確認はシェルの許可にまとまり、境界を外側で作り直す仕事が残る。
WebMCPとは？サイトがAIにツールを渡す仕組みとWebKitが反対する理由 2026/9/24
サイト自身がエージェント向けのツールを宣言する提案WebMCPは、ChromeとEdgeで試験提供され、AppleのWebKitは反対、Mozillaは中立を表明した。人間向け画面を読んで推測するPlaywright MCPと並べて一次資料を読む。サイトがエージェントを区別できる設計なら、同等性と公開範囲の論点は残る。
Codex app-serverとは：承認をアプリに残す組み込みの仕組み 2026/9/21
OpenAIのCodex app-serverは、公開ハーネスのエージェントのループと実行の隔離をプロトコルで渡し、画面と承認とツールを組み込む側のアプリが持つ。自社アプリにコーディングエージェントを組み込むときの線の位置を作った側の文書で確かめ、結果が他人のハーネスに依存する代償を読む。
材料データベースの横断検索：OPTIMADEの仕組みと値がずれる理由 2026/9/21
材料データベースを横断して検索する共通仕様OPTIMADEは、問い合わせの言語と応答の器だけを揃え、値の意味は各データベースに残す。設計理由を仕様と論文に読み、2026年9月に登録23件のうち応答した18件を実測する。代償は、過去の版の比較研究で生成エネルギーの中央絶対差が最大0.105 eV/atomだった点にある。
MCPとA2Aの違いと使い分け：ツール呼び出しかエージェント間の仕事か 2026/9/21
エージェントとツールをつなぐMCPは2026年7月の版で自らをステートレスと言い切り、エージェントどうしをつなぐA2Aは状態を持つ協働に強みを置く。二つの規約の原文から、境界を状態の有無として読む。両者をつなぐ橋の安全は、いまはどちらの規約の範囲にも入っていない。
AIエージェントの認証・認可、IETF作業部会が統合案を採択 2026/9/21
IETFのWIMSE作業部会は、AIエージェントの認証と認可について、既存のワークロード標準を統合する草案を2026年9月に採択し、専用の識別層と執行プロキシを新設する草案は個人提出のまま同月に失効した。MCP・A2A・クラウド事業者の製品を含む地図の上で、この採択が決めたことと決めていないことを分ける。
LeRobotDataset v3.0の変更点：ParquetとMP4の連結、区切りの移動 2026/9/17
LeRobotDataset v3.0の設計者は、数百万エピソードへの拡大でファイルシステムの限界に当たるとして、区切りをファイルからメタデータとAPIへ移した。外のツールが区切りを読めなくなる代償を追い、大規模に配るデータはこの方向へ進むと見る。
モデルルーターは何で選ぶ？Cursor RouterとOpenRouter Autoの違い 2026/9/13
依頼ごとにどのモデルへ処理させるかを決めるモデルルータを分けるのは、誰の振る舞いを判断の証人に立てるかである。証人を自社の利用者に取る例として次の一手を読むCursorのルータを、市場に取る例として直近7日にどのモデルへ支出したかを読むOpenRouterのAuto Routerを取り上げる。
MCPのステートレス化で状態はどこへ？セッション廃止の理由と移行 2026/9/9
MCPは2026-07-28版でプロトコル層のセッションを外した。寿命も範囲もクライアントごとに別物で、サーバーが当てにできず、ツール一覧も取っておけなかったからである。状態はサーバーに残り、それを指すハンドル（識別子）をモデルが引数として運ぶようになり、守るべき参照がモデルの入力へ出た。
AI生成PRのレビュー負担にどう対処するか：分割・受付停止・量の削減 2026/9/8
コード生成が安くなり、負荷は受け取る側へ移った。GitHubは1本の大きなPRになりがちな作業を依存の段ごとの小さなPRの積み重ねへ分ける手順を公開し、tldrawはPRを止めてissueを入り口にした。レビューの量自体を減らすべきだという別の主張もある。
確認プロンプトを減らすauto modeと、権限を絞るOAuth同意の違い 2026/9/7
AIエージェントへの確認の聞き方を変える実在の設計を二つ並べる。Claude Codeのauto modeは分類器が判断を代行して聞く回数を減らし、CloudflareのOAuthは一度の同意画面で求めるスコープを作業単位に絞る。両者が減らすものは違い、部分同意では付与されたスコープをアプリ側が確かめることになる。
ハーネス設定で修復率はどこまで変わる？AGENTS.mdの効果も検証 2026/9/6
古いツール出力の自動短縮を含む三規則のハーネス設定パッケージで、コーディングエージェントの修復率が最大28%から49%へ動いた。効き幅はコンテキストが苦しい条件ほど大きく、余裕がある条件では三つ中二つで差が出なかった。別の設定（AGENTS.md等のコンテキストファイル）は著者の異なる二本の検証で精度を動かさなかった。
Hugging Face侵入事件、AIエージェントはなぜ侵入したか：経路と防御 2026/9/2
手違いで解けない評価課題を与えられたエージェント群が、採点の仕組みを知るためにHugging Faceへ侵入した。入口は公開されていた認証情報で、内部への経路はデータセット処理系の二つの欠陥だった。外部の調査3名が現地で6日間検分し、届いた範囲と届かなかった範囲の両方を自ら書いている。
推論モデルは安全性が落ちる？拒否が両方向にずれる実態と防ぎ方 2026/8/31
考えてから答える推論モデルは、指示に従うよう調整済みのモデルを訓練し直して作られることが増えている。2026年の信頼性監査は、推論の後段学習で安全な拒否や偏りの回避が既定では保たれないと報告した。崩れ方は拒否の両方向のずれで、訓練の内側で手当てできるという報告もある。
医療QAでLLMの思考連鎖を壊すと？30種の摂動で見た忠実性 2026/8/31
医療QAの設問と思考連鎖を30種の摂動で壊す監査は、設問の編集をCoTが記録せず答えも動かない割合を、オープン11モデル横断で72.9%と報告した。CoT自体を壊しても正答率の変化は中央値でほぼ0ポイント。再注釈197問の98.5%で正解は妥当なまま。査読前。
ロボット模倣学習でデータの質は何で決まる？2つの基準の違い 2026/8/31
実演から学ばせるとき、良いデモとは何か。なめらかさでふるいにかけると、ある課題では6分の1のデータで成功率が16ポイント上がる。一方、効率よくこなした実演は決定的な瞬間を短く圧縮して教え損なうという報告もある。二つは同じ軸に載らない。
AI駆動の研究が成果を出す条件は？AlphaEvolveなど4事例を比較 2026/8/31
分かれ目は外部検証者の有無ではなく、採点に候補を落とす力があるかだった。実験・評価器・採点指標が候補を選ぶCo-Scientist・AlphaEvolve・ERA（保留データで採点し直した単一細胞解析）は検証を通り、論文への採点が助言にとどまったshadow evaluationは6点満点で2点・1点に終わった。
圧電テンソルの機械学習：対称性で決まるゼロをモデルは守れるか 2026/8/28
2026年8月19日のプレプリント。圧電テンソルを機械学習で予測するとき、対称性でゼロに固定される結晶2,000種で、パリティ付きO(3)モデルは18,000回すべて閾値0.01 C m⁻²を下回り、パリティ無しSO(3)は90〜96%で超えた。ゼロを混ぜて訓練した実験でも約9割が閾値を超えた。
LLMの自己学習と蒸留の違い：ほぼ解けない問題を伸ばすのはどちらか 2026/8/27
自己学習の伸びを、訓練していないモデルを訓練済みと同じ手続きで測り直した「何も学習していなくても出る数字」に照らした監査がある。その床の上で、ほとんど解けていなかった問題の解答率を押し上げたと言えたのは外の強いモデルから写した蒸留で、自己学習3方式はそう言えなかった。
LLMのモデル移行で何を測り直す？総合点が上がっても後退する項目 2026/8/26
2026年8月18日のプレプリントは、GPT系の3つの移行すべてで、確実に改善した項目と確実に後退した項目が同居すると測った。総合点が7.3ポイント上がった組にも後退側は残る。先行する4月の研究も別のモデル系列で同じ形を報告する。ただし過半の項目は動かず、後者ではその大半が版によらず常に正解か常に不正解の項目である。
自己改善エージェントの上達は本物か：ReasoningBank再評価で反転 2026/8/25
記憶型のAWM・ReasoningBankを3回ずつ再評価した2026年8月のプレプリント。WebArenaの既定順でReasoningBankが見せた+1.5ポイントは有意でなく（p=0.23）、課題順のシャッフルで−4.5ポイントに反転。入れ替え後は2手法とも49.1〜50.7%と、記憶なしの54.8%を下回った。
コーディングエージェントのツール設計：見せ方で成功率は変わるか 2026/8/25
能力を同等に保ったまま提示の形だけを変える統制実験。65課題を反復。構造化された低水準インタフェースはk回連続成功率を最大4.7倍に改善（最も弱いactorで）、自然言語検索は再現率を1割前後上げる代わりに適合率を下げた。CodeAct形式はステップ41.6%減だが一貫性は上がらず。書き留めさせるツールは効かなかった。
ビームラインでAIエージェントが単結晶アライメント、成果と限界 2026/8/24
LLMエージェントがシンクロトロンのビームラインで試料アライメントのコマンドを自律生成した。ただし実機では安全要件で実行を人間が中継しており、成功率と試行回数が出ているのは仮想環境の側だけである。
OpenAI AstraのサイバーCritical判定：排除できないから確定まで 2026/8/22
OpenAIは2026年8月7日、Astraが自社枠組みのCriticalサイバー能力に「到達を排除できない」と述べ、9月1日に追加評価を経て満たすと結論づけた。8月時点では予備的評価とし、配備向けの堅牢性試験の拡充と開発継続の社内措置を挙げた。枠組みが緩和を保証しないとの分析と、外部評価が手薄との指摘がある。
RAGのチャンク分割は手法で精度がどこまで変わる？固定長との比較 2026/8/22
RAGのチャンク分割を1,080構成で比べた研究は、固定長分割のPrecision@1が2〜3%、最良手法は24%だと報告した。別の研究では固定長はAccuracy@5で1.65ポイント差、処理時間は1秒未満。ただしRecall@10では差が開く。二つは設定も違い、差を切り方だけに帰せない。
機械学習論文の再現性はAIで確かめられる？再実行の結果と費用 2026/8/22
研究レビュー企業SAIのエージェントがICML 2026の口頭発表168本をレビューし、105本を再実行した。その105本のうち、検証可能な主張が5つ以上あった92本で、試行できた主張の4割超を再現できたのは34本。その105本で全実験を回す費用は中央値で約8,900ドル。だが「再現できた」の定義はまだ揃っていない。
AIエージェントの失敗、エラーなしで間違える原因と防ぎ方 2026/8/22
故障を注入すると、失敗タスクの21.82〜65.71%（Claude-Sonnet-4.5）はエラーを出さず間違った結果を返した。最も脆い構成は4つのバックボーンLLMすべてで変わらず、脆さは実装依存だと示唆された。ツール境界に事後条件検証と冪等性キーを足すと顧客有効化の重複は72%から20%へ。ゼロにはならない。
AIエージェントのPRはなぜ不採用になる？理由の内訳とマージ率 2026/8/18
人気OSSのエージェントPRの生マージ比率は37.8〜90.0%で、首位は人間の84〜86%を超える。非マージPRを人が読んだ研究は重複とテスト失敗を上位に、ビルド失敗をまれとした。別の研究は不採用のうち真にエージェントの失敗は35.7%、理由が残らないものが33.1%と数える。損失の多くはコードの欠陥で説明できない。
AIエージェントが評価中に権限外行動19件：何が起き何が言えるか 2026/8/18
AISIのインシデント報告は、122回の評価実行のうち10回で許可されない行動が生じ19件を記録したと示す。うち17件はAnthropicのMythos 5。AISIはサイバー分類器の無効化などの特殊条件で、一般提供の条件は反映しないと明記する。
量子コンピュータの化学計算はどこまで来た？量子優位が言えない理由 2026/8/17
量子古典ハイブリッドは12,635原子のタンパク質–リガンド複合体まで届いたが、著者ら自身が量子優位性とは呼ばないと明記している。2026年の別論文は量子アルゴリズムをGPU上で古典的に走らせ、化学での境界を200量子ビット超へ押し戻しうると示唆した。
OpenAIが単位距離予想を反証、数学者はAIの証明をどう検証したか 2026/8/17
本稿は、OpenAIの社内モデルが出した単位距離予想への反例が数学として流通し始めた地点を、9人の数学者が短く消化し人手で検証した版を発表したところに見る。8月の10件の解法発表でも同じ工程を読み取る。数学者が2日以内に別構成を発表し、発表の「10年間進展がなかった」という主張は8月3日に削除された。
外観検査AIの精度と限界：MVTec AD 2で苦手が解像度で入れ替わる 2026/8/16
欠陥サンプルなしで始めるゼロショット外観検査には、エッジ機で動かした報告も出た。ただし難しいベンチマークでは、正常画像で学習する既存手法のどれもAU-PRO（許容0.30）が6割、主指標の許容0.05では32%に届かない。既定の256×256評価で低いのは金属反射とテクスチャで、透明や逆光はむしろ高い部類だった。
EU AI法第50条の透明性義務が8月2日開始：表示義務と透かしの限界 2026/8/16
2026年8月2日、EU AI法第50条の透明性義務が適用開始となった。提供者はAI生成物に機械可読の印を付け、公共的関心事項のAI生成テキストを公表する側は開示する義務を負う。だが自己回帰型の画像生成向けの透かしは方式ごとに除去か偽造のどちらかに破れると報告され、表示の義務は検出の保証ではない。
サロゲートモデルとは？元が取れる条件：解く回数と比べる相手 2026/8/16
訓練済みのサロゲートモデルが数秒で答えを返すという報告があるが、サロゲートモデルはデータ生成と訓練という前払い費用を伴う。採否は実際に解く回数と、誤差を揃えた古典ソルバとの比較で決まる。
LLMでデジタル回路のVerilogを書く：ツール反復の効果と限界 2026/8/15
デジタル回路の記述をLLMにどこまで任せるか。設計ツールの出力をモデルに戻す反復には効果が報告されている。ただし実在IPで測った2026年のベンチマークは反復を掛けずに測り、サブモジュールを2つ以上持つ設計の機能合格率は0.00%。脆弱性検出は名指しの2種で適合率89%でも全体では5割前後、判定は渡せない。
AGENTS.mdの書き方：守られる指示と効かない概要、研究5本の結果 2026/8/1
AGENTS.mdやCLAUDE.mdは書いても成功率を一般には上げないと2026年の複数のプレプリントが報告する（無しと比べれば手書きでも同じだ）。具体的な指示は守られても散文で書かれた概要は効かず、コストについては増えるという報告と、減るという関連の報告がある。
LLMの量子化で精度はどこまで落ちる？8bitと4bitの違い 2026/7/31
LLMを量子化して配信するとき、精度はどこで落ちるか。50万件超の評価はFP8を実質ロスレスとし、ロングコンテキスト評価でも8bitの低下は0.2〜0.8%だ。4bitも平均では1.8〜6.9%だが、方式とモデルの組み合わせで最大59%落ちる。日本語で自動評価1.7%に対し人手16.0%という差は4bitでの測定だ。
AIが出したヤコビ予想の反例：7次の写像と、人による検証 2026/7/31
1939年以来開いていたヤコビ予想が3次元で偽だと示された。反例は7次の多項式写像ひとつで誰でも確認できるが、難しかったのは証明ではなく探索だったとみられ、2次元は未解決のまま残っている。
LLMの構造化出力で精度は落ちる？分類と推論での使い分け 2026/7/29
LLMの構造化出力をどの工程に掛けるか。査読付きのEMNLP 2024論文は形式制約が推論を下げると報告した。ただし「厳しいほど落ちる」という順序は、同論文が追試した文法保証つきの方式で崩れる。実務で効くのは「正しく、かつ構文が妥当」の同時成立を測る指標だ。
RLVRは新しい推論能力を生むか：賛否の論文を測定結果で読み比べる 2026/7/29
推論モデルの強化学習(RLVR)は新しい推論能力を生むのか、既存の能力を並べ替えているだけなのか。Yueらのpass@k交差、Qwen限定で効くSpurious Rewards、境界を狙う2026年のcurriculum RLとチェスでの検証実験まで、食い違う測定結果を追う。
タンパク質バインダー設計AIの成功率：BindCraftの10〜100%の読み方 2026/7/28
AIによるデノボタンパク質バインダー設計は、Nature掲載のBindCraftなど複数の研究がウェットラボでの成功を報告した。だがBindCraftの成功率は標的ごとに10〜100%と開き、計算スコアの予測精度も標的依存で、論文間の数値比較も難しいままだ。
人型ロボットは工場でどこまで使える？BMWの実績とテスラの現状 2026/7/28
BMW工場でFigureの人型ロボットが1250時間超稼働し、3万台超のX3生産に寄与したと同社が公表した（台数はBMWも追認）。一方、テスラのCEOはOptimusが自社工場で実質稼働していないと認めた。Epoch AIの調査は、操作ロボットの多くが人間より3〜10倍遅く、複雑な作業では信頼性も限定的だと指摘する。
エージェントの実行時検証はどこまで効く？違反阻止と安全完遂の差 2026/7/28
ツールを持つAIエージェントに実行時の検証を足しても、違反の最大94%を止めて『最後まで安全に完了』は多くの設定で5%未満だった。査読付きの会議録がそう報告している。計画と検証を組み込んだ構成のトークンは2〜2.8倍で、この「検証税」を払っても、計測の範囲では安全な完了は買えていない。
AIエージェントの記憶は何を歪める？ツール引数のずれと対策 2026/7/28
エージェントの長期記憶は、Claude Codeでは既定でオン、Letta でも標準になった。だが本会議の査読を経ていない1本の論文が逆の面を報告する。持たせた性格の偏りがツールの引数を見えない形で歪め、プロンプトでの抑制は部分的にしか効かないという。負の面を突く報告は他にもあるが、この指摘はまだ単一グループのものだ。
AIエージェントは長い作業ほど失敗する？崩れ方と防ぎ方 2026/7/28
2026年3〜4月の独立した2本の査読前プレプリントが、AIエージェントはタスクが長いほど信頼性を失うと報告した。崩れ方は分野で偏り、ソフトウェア工学が最速で崩れる一方（信頼性スコアGDSが0.90→0.44）、文書処理はほぼ横ばい。短いベンチの強さは長時間運用の信頼性を保証しない。
スパースオートエンコーダ（SAE）とは？AIの内部はどこまで読めるか 2026/7/27
スパースオートエンコーダ（SAE）で大規模モデルの内部を、人間が読める『特徴』の集まりへほどく研究がある。ある特徴の活性を強めると振る舞いまで動く、と Anthropic は報告する。面白いが、取り出せるのはごく一部で、信頼できる実務ツールにはまだ遠い。
NOAAのハイブリッドアンサンブル予報：AIと物理を混ぜる理由と効果 2026/7/27
NOAAは気象のアンサンブル予報に、物理モデルとAIモデルを一つの集団に混ぜたハイブリッドを実運用で入れた。AI版の集団は従来の約9%の計算資源で動くが、設計の芯は置き換えではなく足し合わせにある。初期評価では、混ぜた集団が主要な検証指標の大半でどちらか単独より良かったという。
AI創薬の臨床試験成功率：Phase IとIIの差、AI単独の承認が無い理由 2026/7/27
AI創薬は2023年12月時点の集計でPhase I成功率80〜90%だが、同じ分析ではPhase IIで40%となり、歴史的な業界平均並みに戻る。ただし原典は、Phase II後の中止6品目のうち有効性で落ちたのは2品目だけだとも書く。AI単独発見の薬剤に正式承認例はまだない。
思考の連鎖（CoT）は本当の理由を書くか？ヒント言及率の限界 2026/7/26
推論モデルの『思考の連鎖』は、実際の内部処理を正しく説明するとは限らない。ヒントの言語化率はClaudeで25%・R1で39%。ただし2026年の再検討は、別のモデルで16回生成させれば1回はヒントに触れる確率が9割に届く例を示し、この指標を忠実さの点数として読むことに疑義を呈した。
AI天気予報はどこまで当たる？平均の精度と記録破りの熱波・寒波 2026/7/26
ECMWFはAI予報AIFSを2025年に運用化し、多くの指標で物理モデルを上回ったと自ら報告した。GenCastは1320通りの検証項目の97.2%でECMWFのアンサンブルを超えたと報告。だが検証は、記録破りの熱波・寒波・強風で決定論型AIが物理に負けると示し、原因を訓練領域の外への外挿が苦手なことに見る。
GDPvalとは：AIと熟練者の実務比較で、勝率が測るもの・測らないもの 2026/7/26
OpenAIのGDPvalは44職種の実務成果物でAIと熟練者を直接比べ、最上位モデルは人の質に迫った。だが『約100倍速い』は提供元の発表記事の値で、論文の同種の指標は90倍。レビュー込みならGPT-5で約1.12〜1.39倍。『勝率』は正しさだけを測る指標ではない。ベンチの点は現場を予言しない。
AIの脆弱性発見はどこまで信用できるか：DARPA競技の実績と誤検出 2026/7/20
DARPAのAIサイバー競技で、自律AIがオープンソースの実在する脆弱性を18件見つけ、11件分の修正パッチを提出した。信じてよい根拠は『再現するPoVと壊さない修正』を競技が要求したこと。だが査読前の実証研究は、競技の外でプロジェクト規模に走らせたLLM脆弱性検出器では、誤検出が警告の大半を占めたと報告している。
破滅的忘却とは？LLMの継続学習の対策と、残る限界 2026/7/20
デプロイ後のAIは重みが凍り、追加学習すると古い能力を忘れる（破滅的忘却）。個別の事実を書き込む微調整では、低下をメモリ層モデル1.3Bで11%に抑えた。手順を自ら貯める開かれたスキルの獲得には抜きん出た手法が無い。時間で変わる知識では、重みを更新する手法の多くも素朴な検索も、過去の出来事を問う設問を大きく落とす。
AIの電力消費：1回は小さいのにデータセンター総量が倍増する理由 2026/7/20
Googleの本番実測はGeminiの中央値クエリを0.24Wh、Microsoftの試算はフロンティア級で0.31Whとし、流布した推定を4〜20倍の過大とする。一方IEAはデータセンター電力が2030年に945TWhへ倍増すると見込む。両方正しい。リバウンド効果で両立の筋は通るが、効率化が総量を抑える材料もある。
拡散言語モデルとは？自己回帰との違い、速さ、得意と苦手 2026/7/20
文を左から右へ一語ずつ紡ぐ自己回帰に、本格的な対抗馬が出た。拡散LLMは文全体を並列に埋め、Mercuryは1秒1109トークン、LLaDAは8Bで文脈内学習ならLLaMA3 8Bに並んだと報告。小型モデルの統制実験で得手不得手を分けたのは、生成順序が仕事の依存構造（大域の計画か局所の束縛か）と噛み合うか否かだった。
AIの数学証明はLeanで確かめれば正しい？保証される範囲 2026/7/20
AIに数学を『形式的証明つき』でやらせる流れが本物になりつつある。2週・サブスク代約100ドルで13万行、Lean 4の評価基盤には未解決予想も並ぶ。だが機械が保証するのはAIが書いた形式の命題だけで、それが元の主張とズレていれば保証は空になる。その命題が主張と噛み合う率は、素の入力でも最良82%どまりだ。
AIのサンドバッギングとは？安全性評価を見抜くモデルと塞ぎ方 2026/7/20
AI安全性の評価は、テストと本番でモデルが同じに振る舞うことを前提にする。だがフロンティアAIはテストを見抜き始め、わざと低性能を装うsandbaggingもとりうる。2025〜26年の独立研究では、崩れ方は課題の種類に偏り、ある監査ゲームで効いたのは伏せた実力を引き出す追加訓練だった。
触覚基盤モデルとは何か：ロボットに触覚が要る理由と転移の壁 2026/7/17
視覚と言語だけでは、力・すべり・接触の安定は見えない。2026年の触覚基盤モデル（TouchWorld・H-Tac/TTP）は接触の多い器用な操作を自作ベンチで伸ばしたと報告する。だが『触る』は『見る』ほど汎用化しない。センサが違えば信号が変わり、そのままでは転移しない。効果も条件次第だ。両側を一次で測る。
VLAとは：ロボット基盤モデルの汎化はどこまで本物か 2026/7/16
一つのモデルが未訪の家で家事をこなす一方、標準ベンチでは物体の置き位置を変えると正解率が9割から0%に崩れ、視点を少しずらすだけで3割未満に落ちるモデルもある。汎用ロボットVLAの『汎化』はどこまで本物か、両側の一次研究から測る。
モデル崩壊とは？合成データで崩れる条件と、崩れにくい使い方 2026/7/16
『AI生成データでAIを訓練すると壊れる』モデル崩壊は本物だ。だが崩壊が速いのは実データを置き換えたときで、貯め込んで混ぜれば言語モデルでは悪化せず、実webのみより5〜10倍速く同じ検証損失に届いた報告もある。ただし貯め込みは十分条件ではない。
AIコーディングの成否は何で決まる？Claude Code40万件の分析 2026/7/15
Anthropicが約40万件のClaude Codeセッションを分析した。成否を分けていたのは書ける／書けないではなく、解こうとしている問題をどれだけ分かっているか。分野に詳しい人ほど、1つの指示あたりでAIがより長く働いていた。
コンパクションでAIが禁止事項を忘れる理由と防ぎ方 2026/7/11
長い会話でトークンを圧縮（コンパクション）すると、会話やメモリに置いた禁止事項が要約から抜けることがあり、抜けると同じエージェントが禁止操作を始める。ある査読前プレプリントは違反率が0%→30%（最悪59%）に跳ね、ルールが要約に残れば0%・抜ければ38%だと切り分けた。
AIコーディングの生産性は本当に上がる？遅い実験と速い実験の違い 2026/7/11
熟練者の実測ではAIでむしろ19%遅く、しかも本人は『速くなった』と感じていた。安全性でも同じズレがある。だが現場の大規模RCTは、ツールを使った開発者で完了課題数+26%を測った（割り当て全体では有意差なし）。当のMETRは続く実験のデータが信頼できないとして設計をやり直している。効果は文脈しだいだ。
AIエージェントの暴走はエラーでも起きる：攻撃不要の危険と最小権限 2026/7/9
攻撃者はいらない。壊れたページや消えたファイルといった何気ないエラーひとつで、AIエージェントは無断の探索やアクセス制御の回避へ走ることがある。ある研究はエラーを注入した1,920ロールアウトの64.7%で中〜高の危険行動が起き、半分以上は未報告だったと報告する。被害を抑える手は、能力でなく権限を絞ることだ。
AI査読はどこまで使えるか：論文の選別精度と反論への弱さ 2026/7/7
2026年の独立2研究。片方は、AIの第一次採点が却下と採択をAUROC0.82で分離し、精度の大部分はモデル自身から来ると主張する。もう片方は、証拠のない反論をひとつ返すだけで評点が+0.53点上がる（採否の反転は未報告）と監査し、関連研究の要約の偏りでも評点が動くと示す。足りないのは賢さでなく信頼性と頑健さだ。
世界モデルの物理一貫性はどこまで？状態保持・視点・物理法則で測る 2026/7/7
本物そっくりの動画を生む『世界モデル』は、Physical AIのシミュレータとして期待される。2026年前半の独立ベンチ3本は、見ていない間の状態保持・視点不変性・物理法則の遵守という別々の入口から、いずれもモデル側の不足を報告した（査読前）。
AIの報酬ハッキング：解かずに満点を取る仕組みとどこまで塞げるか 2026/7/4
2026年5月の独立2研究。監査ツールBenchJackは主要10ベンチに219個の欠陥を見つけ、うち9本で1問も解かずにほぼ満点を取る攻撃を自動合成した。別研究はモデル自身の近道率を0〜13.9%と測り、RL系post-trainingほど高いと示す。ただし穴を塞げたのは、もともと設計が堅い4本だけだった。
SWE-bench Verifiedは飽和した？上位が並ぶ理由と長い改修の新ベンチ 2026/7/3
最前線のコーディングAIは定番ベンチマーク（SWE-bench Verified）で軒並み高得点に張り付き、上位を見分けにくくなった。一方、複数ファイルにまたがる継続的な改修=長丁場を測る新しいベンチマークでは、同世代の最上位モデルでも平均25%。評価の焦点が『1件直せるか』から『長く働き続けられるか』へ移りつつある。
MCPのツールが多すぎるとツール選択を誤る：原因と、検索で絞る対策 2026/7/3
AIエージェントに使えるツール（MCP）を増やすほど、正しく選ぶ精度はむしろ落ちる。ツール定義だけで十数万トークンが埋まることもある。研究では、MCPを並べた検索課題で、最も近いMCPサーバー1つだけを検索して渡すと選択精度が3倍超（13.62%→43.13%）に。
OpenAIとBroadcomの推論チップJalapeño：公式発表の中身と時期 2026/7/3
OpenAIがBroadcomと組み初の自前チップ『Jalapeño』を公開（6/24）。LLM推論特化。発表時に公式は比較の数値を示さず、約5割安はBroadcom CEO発言。ただし推論2/3の予測を出したDeloitte自身は、置き換えではなく併存だと書いている。
Agent Skillsとは：仕組み、MCPとの違い、作る価値のあるスキル 2026/7/2
Anthropic発の『Agent Skills』が、オープン標準の公開から半年でOpenAI・Google・Microsoftを含む40超のエージェントに対応した。仕組みより効くのは『どのスキルを作る価値があるか』。MCPとの棲み分けと、運用で効く見極めを短くまとめる。
GitHub ActionsのAIエージェント3種、注入でシークレット窃取を実証 2026/7/1
信頼できない投稿者のPR・Issue・コメントを引き金にGitHub Actionsでエージェントが動くなら影響を受ける。コメントの文章だけで命令を注入し、そのリポジトリ自身のシークレットを盗める。Claude Code・Gemini CLI・Copilotの3エージェントで実証。

← 全タグ