研究・論文

小さな公開モデルQwen3.8を複数の役に分けてファイルでやりとりさせると、難しい競技プログラミング問題でClaude Fable 5を上回ったという論文です。10月31日には別の開発者がYAMLだけで再現し、1回0.39ドルでした。

AI研究機関のEpoch AIが、重み公開モデルGLM 5.3に公開済みのFirefoxの修正を読ませ、攻撃コードを作らせました。6つの版すべてで手元のファイルを読み出せ、費用は1版あたり約1,000ドル、最短12時間でした。

Surge AIが、税務の実務50課題でAIエージェントを評価するDAYJOB: Taxを公開しました。1,789件の書類を読んで申告書や助言を作らせたところ、首位のClaude Sonnet 5.5でも合格率は10.8%でした。

マイクロサービスの障害原因を探すLLMエージェントを90件の事例で比べた論文です。手順を決めない単純な構成が1位正答率65〜77%で、作り込んだ既存エージェントの16〜53%を上回り、費用と時間でも有利でした。

作業中にコードや仕様が変わる状況でコーディングエージェントを試すSWE-Shiftが公開されました。17システムすべてが成績を落とし、ツール変更や古い根拠への対応ではペア成功率が全員0%でした。

ターミナル作業に特化した3,200億パラメータのモデルIQuest-Q1が論文と重みで公開されました。毎回150億だけを動かし、Terminal-Bench 2.1で83.2%を記録した一方、長い作業では商用モデルとの差が残ります。

Microsoft AIが複数のAIを医師団のように議論させる診断システムMAI-DxOの成果をScienceに掲載しました。NEJMの難症例で83%と一般医の36%を上回る一方、GPT-5単独でも78.9%に達し、伸びの多くはモデル由来です。

Tencent Hunyuanの研究者が、利用者とやり取りしながらバグを直す力を測るUserSWEを発表しました。1ターン目の解決率はClaude Fable 5.1が31.9%で首位、8ターン目ではGPT-6-Astraが81.9%で首位でした。

AIがツールの説明文を書き、別のAIがそれを読んで選ぶ市場で、売り手役のAIが自然に誇張を始めることを示した論文です。Gemini 3.8 Flashでは説明が似通い、Amazonの課題の成功率が89%から約30%に落ちました。

長いツール出力をファイル経由で読むAIエージェントの精度を調べた論文です。GPT-5.1は11.3ポイント低下し、Claude系は低下なし。原因は計算ミスでなく根拠のすり替えで、正本を明示すると最大7.9ポイント戻りました。