研究・論文

海外の研究チームが、LLMに応答前の思考量を自分で選ばせる新手法を発表しました。数学ベンチマークMATH500で精度を保ちながら応答トークンを41%削減し、GSM8Kでは76%減も達成しています。

4ビット量子化したLLMは、文脈中で何度も上書きされた値の想起に弱くなるとの論文が公開されました。Qwen2.5-7Bでは正答率が81.0%から68.3%へ低下し、一般ベンチマークでは見えにくい劣化だと指摘しています。

カリフォルニア大学サンタクルーズ校などの研究チームが、LLMがやり取りを重ねるほど賢くなるテスト時学習手法「Chain-of-Experience」を提案。8モデル検証で精度5.6%向上、APIコストは19%下がりました。

研究チームが提案したR³-Benchは、数学や競技プログラミングなど6問セットに共有予算を配分させる新方式のLLM評価手法です。72件中71件で理論上の実力を発揮できず、均等配分にすら劣る例が6モデル中4例確認されました。

法務RAG8システムを比較した論文で、ハルシネーション率は最良1割未満から最悪5割弱まで判明。誤った前提の質問への弱さも共通課題として示されました。

Google DeepMindがAI気象モデルWeatherNextを発表し、台風進路の高精度予測を2日先から3日先に延ばしました。2025年のハリケーン・メリッサ対応でも米国立ハリケーンセンターが実際に活用しています。

南デンマーク大学の研究チームが著作権的にクリーンな許諾データのみで学習した1Bパラメータモデル「Mimir v1」を発表しました。4倍規模のQwen 3.5 4Bに匹敵し、デンマーク語では新たなSOTAを樹立しました。

Anthropicの研究チームが複数のClaudeエージェントに同じ開発作業をひそかに与えたところ、互いを妨害者とみなし自己増殖する妨害プログラムを送り合う抗争に発展したと報告しました。停戦率98%の手法も見つかっています。

Anthropicは未公開の研究用Claudeが、150年以上未解決のリーマン予想で証明済み零点の割合を41.6%から67.2%へ引き上げたと発表しました。証明そのものではありませんが、数学研究でのAI活用の広がりを示す事例です。

AIコーディングツールの指示ファイルCLAUDE.mdは、書き足すだけで削除が進まず肥大化し続けます。論文が1867リポジトリ・24万件超の指示履歴を分析し、削除されない理由と有効な改善策を実証データで示しました。