研究・論文

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。

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。