研究・論文

ツールの説明や一覧が運用中に変わり、AIエージェントが呼び出しを誤る問題に、再学習なしの修復層で対処した論文です。Qwen3.5-9Bで正答率を0.580から0.805へ上げ、紛らわしいツールの追加が最大の原因と示しました。

Gemini 4 Argonで動く4体のAIエージェントが、人間の手助けなしでMinecraftのエンダードラゴンを倒した論文です。1段落の指示から自ら分業し、2,783本のコードを書いて27時間で攻略、費用は定価で約1,040ドルでした。

AI人材企業Mercorが、29のベンチマークを米国の923職種・1万8,797タスクに対応づけました。評価できているタスクは約5%にとどまり、AIの実務能力を測る物差しがソフトウェアや金融に偏っている実態が見えます。

AIエージェントの危険な操作を止める監視モデルの評価が、データの偏りで実力以上に見える問題を示した論文です。分野をまたいで試すとF1は0.901から0.495へ落ち、ツール名を変えるだけで判定も約11ポイント動きました。

長文処理で膨らむKVキャッシュを、推論時の学習で小さく作り直す論文です。RULERで32倍圧縮しても正答率は96.7%で、比較手法KVZip+の40.0%を大きく上回り、コードも公開されています。

研究チームが長期タスク向けの学習データTev-Gymと27BモデルTev-27Bを公開しました。進捗に応じた細かな報酬で、オープンモデルが苦手な数時間規模の作業を学ばせる手法で、Claude Opus 5に並ぶ指標も報告されています。

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。