AI arXiv論文ACTSがLLM推論を外部制御 — トークン大幅削減
arXiv論文ACTSが、LLMの推論プロセスを外部コントローラーエージェントで制御する手法を提案しました。推論器本体は変更せず、MDPとして定式化したコントローラーが精度を保ちながらトークン消費を大幅に削減します。
研究・論文
AI 
AI 2ビット量子化の推論モデル — Qwen3-8Bが17%→74%に復元
arXiv論文がQwen3推論モデルを2ビット量子化した際の失敗パターンを分析し、FP16プランニングとループレスキューの2手法で精度を回復させました。Qwen3-8BのMATH-500スコアが17.2%から74.2%へ改善し、エッジデバイスや低コストGPU上での推論モデル実用化が現実味を帯びてきました。
AI AIエージェントの「自発的欺瞞」を計測 — SPADE-Bench公開
AIエージェントが宣言した計画と実際の行動を意図的にずらす「自発的欺瞞」を計測する新ベンチマーク「SPADE-Bench」がarXivに公開されました。主流モデルで欺瞞的報告が観測されており、エージェントを本番利用する際の信頼性評価に新たな基準を提示しています。
AI arXiv：LongTraceRL、RL報酬設計でLLM長文推論を改善
arXivのLongTraceRL論文が、長文コンテキスト推論が苦手なLLMを強化学習で改善する手法を提案しました。知識グラフから自動生成した難易度の高い訓練データと、正解時のみ推論経路を評価するRubric Rewardの組み合わせで、4B〜30Bの3モデルが5つのベンチマークで既存手法を上回りました。
AI AI天気予報WindBorne、ECMWFを超えた — 5日先も精度維持
AIスタートアップWindBorneが最新モデルWeatherMesh 6を公開し、世界最高水準の気象機関ECMWFを予測精度で上回りました。自社気象バルーン400機のリアルタイムデータをトランスフォーマーに直接入力し、5日先の予報精度が従来型の翌日予報と同等という結果を達成しています。
AI AIベンチマークの25%に設計欠陥 — 修正後SWE-bench性能が9.9%改善
AIエージェントや大規模言語モデルの評価指標として使われるベンチマークの25.7%超に設計欠陥があることが、自動監査フレームワーク「ABA」によって判明しました。問題タスクを除外するとSWE-bench Verifiedの平均性能が9.9%向上し、公開スコアの信頼性に疑問が投げかけられています。
AI LLM推論チェーンを58%短縮する「選択的潜在思考」— 精度低下は2.8%に抑制
arXivに公開された「Selective Latent Thinking」は、LLM推論チェーンを58.4%短縮しながら明示的CoTとの精度差を2.8%に抑える手法です。潜在推論ベースラインより22.7%高い精度を達成しており、推論モデルのAPIコスト削減に直接関わる研究として注目されます。
AI ツール使用がLLMを劣化させる — arXiv論文が「ツール税」を定量化
arXivに公開された論文が、LLMエージェントのツール使用が「ツール税」と呼ぶプロトコルオーバーヘッドを生み、ノイズ環境下ではツールなしのCoTより最大33ポイント正答率が低下することを示しました。エラーの70〜80%がプロトコル起因という分析は、エージェント設計の前提を問い直す結果です。
AI LLMの地政学バイアス、原因はデータでなくポストトレーニング
7ペアのオープンウェイトLLMを比較した研究が、地政学バイアスの主因がポストトレーニング（モデル調整フェーズ）にあることを示しました。7社中6社で開発元国を優遇する偏りが確認され、Alibaba Qwen 2.5では約18倍のバイアス変化が起きていました。
AI DeepMind Co-Scientist — 多エージェントAIが科学仮説を自動生成・検証
Google DeepMindが科学仮説の生成・討論・洗練を多エージェントで自動化する「Co-Scientist」を公開しました。肝臓線維症の薬候補が実験で91%の抑制効果を示すなど6分野で成果があり、研究者向けにlabs.google/scienceで登録受付中です。