研究・論文

NeurIPS 2026採択の論文が、暗号化したニューラルネットをモデルの重みに埋め込み、合言葉でのみ起動させる手法を示しました。ファインチューニングなど複数の引き出し手法に耐え、能力評価による監査の限界が浮かびます。

長い作業を要するターミナルエージェント向け学習データ生成手法TerminalHorizonの論文です。約3千件の軌跡で27Bモデルを調整し、Terminal-Bench 2.0を41.6から55.8へ上げました。

LLMの推論が誤った途中から、指示を新しいユーザー発話として差し込み直す手法UPTURNの論文です。再学習せず数学6題の平均正答率を37.1%から55.3%へ上げ、生成量も約36%減らしました。コードへの拡張は未検証です。

LLMに採点させる手法を6モデルで監査した論文です。温度ゼロでも判定が変わり、最も安定した審査役でも正解との一致は51%でした。再現性と正確さを同時に測る指標Tも提案しています。

NeurIPS 2026採択の論文Thinking Inertiaが、LLMに「考えるな」と指示しても推論が漏れ出す現象を測定しました。6種類の指示を6モデルで比べ、答えだけ返す能力を独立した評価軸として扱うよう提案しています。

Goodfireが、AIエージェントの内部の動きを読んで危険な挙動を見つける監視機能を公開しました。約1,500セッションの試算で費用は約51ドルと、最上位モデルによる監視の約200分の1です。

米Reflectionが総パラメータ5,010億、稼働230億のMoEモデルBeamを発表しました。中国勢のオープンモデル並みの推論性能を、3〜4倍少ない推論計算量で実現すると主張しますが、第三者の検証はまだです。

推論の文章を短くする効率化訓練が、AIの説明の信頼性に与える影響を調べた論文です。忠実性は多くの設定で低下した一方、答えへの影響を認める監視性は、短くなっても比較的保たれました。

コーディングAIが文脈をいつ圧縮するかを学習させる論文AutoCompactが公開されました。SWE-bench Verifiedで正答率が9.2ポイント上がり、1タスク0.10〜4.00ドルの予算でも改善が続きました。

強化学習による後訓練が、エージェント課題での解の網羅性を損なうと示した論文です。14組のモデルと3つのベンチマークで確認し、損失を測る指標Sharpening Taxと新しいサンプリング法PTGSを提案しています。