研究・論文

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。

Google DeepMindがヒトゲノム上の点変異90億通りの影響を予測した「AlphaGenome Atlas」を無料公開しました。約1ペタバイト規模でAVIスコアにより希少疾患研究にも活用されています。

NVIDIAなどの研究チームがコンピュータ操作AIエージェントの新評価基準OSWorld-Proを発表しました。途中経過まで採点すると、最上位モデルの成功率も83.4%から大きく下がることが判明しています。

ドイツの研究者らが画像生成AIの拡散モデルを家庭用GPUで対話的に動かす新手法をarXivで発表しました。埋め込み翻訳器と高速化技術を組み合わせ、生成開始から1秒未満でプレビュー画像を表示できる点が特徴です。

Wason課題という論理推論の実験で、人間の議論をLLMエージェントで再現したところ、一致率が人間より34～44ポイントも高くなりました。正解を外すと74%が誤答のまま合意しており、見せかけの一致に注意が必要です。