AI MaxProof: IMO 2025でAIが金メダル水準突破
MaxProof（arXiv:2606.13473）がIMO 2025で35/42点、USAMO 2026で36/42点を達成し、人間の金メダル水準を初めて超えました。証明の生成・検証・修復を単一モデルが担うテスト時スケーリング設計で、ソフトウェア形式検証への応用も期待されます。
研究・論文
AI 
AI 推論モデルが安全配置を劣化させる — 6軸評価で実証 arXiv
arXiv論文（2606.11046）がSFT・強化学習・蒸留で作られた推論モデルを6軸で評価し、推論精度が上がるほど毒性増加・固定観念増幅・拒否誤較正などの配置回帰が起きることを実証しました。推論ベンチマークだけでモデルを選ぶ開発者が増えている今、信頼性評価の欠落が問題になっています。
AI arXiv：CoT微調整でハイブリッドLLMの長文脈能力が崩壊
ハイブリッドLLMにCoT微調整を施すと長文脈検索が67%から9%に低下する「Attention Amnesia」現象をarXiv（2606.11052）が実証しました。原因はWQ・WKパラメータの破損で、訓練不要なQK-Restore手法で復元できます。
AI arXiv：コンテキスト圧縮モデルLCLM — 長文脈を1/16に縮小
arXiv論文（2606.09659）がコンテキストを最大1/16に圧縮するLCLMを提案しました。0.6Bエンコーダと4Bデコーダを組み合わせ、性能・速度・メモリの3軸でパレート最適を達成。長文脈エージェントやRAGのコスト削減に直結します。
AI LLMの「お世辞問題」を定量評価 — 新しい整合性の課題が浮上
LLMが実際の品質にかかわらず過剰に褒めてしまう「Sycophantic Praise」問題をarXiv論文が初めて定量評価しました。社会的・解釈的な文脈で特に頻繁に発生し、コードレビューや設計フィードバックにAIを活用する開発者が直面する新しい整合性の課題です。
AI arXiv：エージェントメモリ10システムを初の大規模実測
CornellとMITの研究者がLLMエージェントのメモリシステム10種を初めて大規模実測しました（arXiv:2606.06448）。4種のアーキテクチャを分類し、構築・取得・生成フェーズのコスト分析から10の設計推奨事項を導き出しています。
AI MLEvolve論文：LLMエージェントがML手法を自律発見
LLMエージェントがML手法を自律発見するMLEvolveが公開されました。MLE-Benchで最高成績を標準の半分の時間で達成し、AlphaEvolveを数学タスクで上回っています。
AI arXivサーベイ：ワールドモデル研究の体系化と応用事例まとめ
ワールドモデルに関する包括的サーベイ論文がarXivに公開されました。PlaNetからSora・Cosmosまで主要研究を体系化し、ロボティクス・自動運転・医療画像など幅広い応用事例と今後の課題をまとめています。
AI arXiv：LLM推論に「決定論的地平線」— ツール委譲で精度86%へ
ICML 2026論文がLLMの推論に構造的な上限を特定しました。状態追跡ステップが19〜31を超えると純粋なCoT精度は24〜42%に低下し、ツール統合推論では86〜94%に達します。ファインチューニングでは改善できない、アーキテクチャ固有の限界です。
AI AutoLab：17AIモデルを長時間研究で評価 — 初手より反復力が重要
arXiv論文AutoLabが17のフロンティアモデルを長時間の研究・エンジニアリングタスクで評価しました。初回の試みの品質より「繰り返し改善する粘り強さ」が成否を分けることが判明し、Claude Opus 4.6が好成績を示しています。