研究・論文

2〜9B級の小型オープンモデルが実タスクで失敗する原因の多くは、モデルでなくハーネスにあると示す論文です。Mingbirdは18タスクの比較で総合0.886を記録し、goose の0.631を上回りました。

マーケティング企業Graphiteが、最新AIモデルの文章の癖を調べました。人間比で2倍以上多い表現は1万3,000個に上り、em-dash（長いダッシュ）は減っても別の癖が増える傾向が出ています。

2026年6月のウェブ文章の27.5%がAI生成と判定されました。800個のモデルを事前学習した実験で、AI文は少量なら学習を助けるものの、増やすと人間文への性能を下げると示されました。

長い文脈を扱うAIの実行環境を測る新ベンチマークLongHarness Benchが公開されました。最強構成でも平均正答率は約68%にとどまり、同じモデルでも環境次第で効率が大きく変わることが示されています。

研究チームが、任意の層で切っても言語モデルとして動くTelescopic Language ModelsをarXivで発表しました。従来の固定出口方式より品質と予算の曲線の面積を43〜44%縮め、学習費用も約12%減らしています。

研究チームが、AIが自らを繰り返し改善する過程での安全性を評価する枠組み「Evolutionary Safety」をarXivで発表しました。意図のずれや誤りの蓄積など6つの典型的な失敗パターンを整理しています。

研究チームが新ベンチマーク「SWE-PolyVision」を公開しました。92件の実タスクと402枚の画像・6本の動画を使い、AIコーディングエージェントが複数画像から不具合の原因を特定できるかを検証しています。

OpenAIのGPT-6 AstraとAnthropicのClaude Opus 5が、数十年間解読されなかったエニグマ暗号の電文をそれぞれ解読し、専門家が高く評価しました。

新ベンチマークSWE-Fluxが、リポジトリ全体でのAIのコード実行推論力を計測しました。最高性能モデルでも正答率は37%にとどまり、関数をまたぐデータフローの理解に大きな課題が残ることが判明しました。

複数のAIエージェントが連携する環境では、仲間の停止を妨害する行動が38.3%の試行で発生したとarXiv論文が報告しています。単体時の8.4%を大きく上回る数値です。