大規模言語モデル（LLM）は安全性、有用性、信頼性を同時に確保するという課題に直面している。従来の拒否指向のアライメント戦略は有害コンテンツ生成を抑制するが、正当なユーザーニーズに応えられないことが多い。Oyster-IIは、強化学習（RL）に基づく建設的安全性アライメントフレームワークを提案し、Zero-RLパラダイムと多段階RL戦略を採用する。これにより、Oyster-Iの教師付きファインチューニング（SFT）方式の2つの限界——分布外シナリオへの安全性汎化不足と安全性思考連鎖（CoT）の過剰汎化——を克服する。広範なベンチマーク評価で、Oyster-IIはQwen3-14BおよびOyster-Iを安全面で包括的に上回り、Qwen3-MaxやQwen3.5-397Bと同等のクロススケール性能を達成した。

新しいベンチマークMedCalc-Proは、複数の計算機、入れ子スケール、あいまいなクエリを含む複雑な医学計算におけるLLMの性能を評価する。著者らはまた、3つのタスク設定すべてで既存モデルを上回る汎用的なエージェントフレームワークを提案している。

大規模言語モデル（LLM）エージェントは経験の蓄積により改善できますが、自由形式のテキストメモリは維持、検証、再利用が困難になります。本稿では、経験を実行可能なオブジェクト中心環境モデルに整理するオブジェクト中心環境モデリング（OCM）を提案します。OCMは2つのコードベース（環境エンティティをPythonクラスとして定義するオブジェクト知識と、再利用可能な相互作用パターンを記録する手続き知識）を維持します。実験では、OCMがベンチマーク全体で最高の平均順位を達成し、無効なアクションを削減することを示しています。

SwarmResearch は、グローバルコンテキストを用いて探索エージェントの集団を導くオーケストレータ・サブエージェントフレームワークであり、オープンエンドな最適化タスクで最先端手法と同等以上の成果を達成した。

研究者らは、大規模な科学データセットをAI対応データに自動変換する統一的な5段階パイプラインを備えたオープンソースフレームワークREDIを発表した。来歴追跡、再現性、エージェントネイティブ展開が可能。気候、プロテオミクス、材料科学、核融合で評価され、ほぼ理想的な並列スケーリングを示し、ファイルI/Oが主要コストであることを特定した。

本論文ではASK+を提案。小規模言語モデルに軌跡認識コンテキストと構造化チェーン・オブ・ソート推論を提供することで、部分観測環境下の強化学習エージェントの性能を大幅に向上。実験ではDoorKey、FourRoomsなどでベースラインを上回り、プロンプト設計がモデル規模よりも重要であることを示す。

ペアワイズ比較は意思決定ルールに対する人々の選好を学ぶための一般的な手法だが、局所的な比較で十分であり、人は断定的に回答できるという前提に依存している。本論文は、内部多元主義（個人が複数の権威ある優先順位に基づいてルールを評価する）の下でこれらの前提が損なわれる可能性を調査する。比例性などのグローバルな優先事項は局所比較では捉えられず、優先順位間の緊張が行動の歪みを生む。優柔不断を許容することで、正確な選好学習に必要なクエリ数を削減できる。

iFLYTEK-Embodied-Omniは、視覚、言語、行動を単一のOmniフレームワークで統合するマルチモーダル基盤モデルです。脳-小脳協調アーキテクチャを採用し、視覚言語モデルと動画生成モデルが高次脳として理解と計画を担当し、行動生成モデルが低次小脳として行動を実行します。モデルは、人間のデモ、ロボットインタラクション、一般画像テキストデータを組み合わせた包括的データセット上で、4段階の戦略で訓練されます。

ソーシャルメディアはAIメガネなどの監視技術をスタイリッシュでクールなものとして再ブランディングし、ハラスメントや無断撮影を正常化している。本記事では、Alexa ChungがRingの防犯カメラのスクリーンショットを投稿した例を挙げ、この憂慮すべき傾向を浮き彫りにしている。

大学は学生の課題における生成AI使用を識別するためにAI検出ツールを導入しているが、研究によると誤検出率が高く、米国独立宣言のような人間が書いた文章をAI生成と誤判定するなど、公平性の懸念が生じている。

Panoptesは、AIエージェントの操作を監視し、すべてのツールコール、ファイル読み取り、シェルコマンドを記録し、検索可能な監査証跡とポリシー強制を提供するオープンソースのAI監査・アライメントレイヤーです。

Stitchは、オープンソースでローカルに動作するAIデスクトップアプリです。メモリ、会議録音、タスク管理、自動化、メール処理、ウェブブラウジングなどの機能を統合。複数のAIプロバイダーやローカルモデルに対応し、アカウント不要で全てのデータをローカルに保存、プライバシーを確保します。

本記事はコンピュータアーキテクチャのレンズを通してAIプログラミングエージェント（Claude Code、Cursorなど）の実際の動作を分析し、そのコアループがCPUのフェッチ・デコード・実行サイクルと類似していることを示す。ローカル実行における3つのボトルネック（計算資源、永続性、環境の不均一性）、OpenClawのようなセルフホスト型ソリューションの一過性の熱狂とその問題点を詳述し、クラウドネイティブエージェントが不可避であり、ラップトップ上の2〜3エージェントからクラウド上の1000+への弾力的スケーリングと15倍のROIを実現すると論じる。

Artificial Analysis は Zapier と協力して、AI エージェントが実際の SaaS ワークフローを自動化する能力を評価する独立したベンチマーク「AutomationBench-AA」を発表しました。657のタスクを6つのビジネス領域でテストし、Claude Fable 5 が48.6%でトップ、Gemini 3.5 Flash はコストパフォーマンスに優れています。すべてのモデルがガードレール違反を起こし、金融タスクが最も困難です。

Kickbacks CLI は、Kickbacks.ai のターミナルおよびMacメニューバー用コンパニオンです。

Foundation は、シングルコントラクトアーキテクチャ、Hermes ホットプレーン、ゼロコピー通信によりデータベースとブラウザ間の変換層を排除し、AI エージェントと人間が回帰なく本番システムを構築できるようにする、こだわりのフルスタックフレームワークです。

pi_agent_rust は Pi Agent の Rust 完全移植版で、即時起動、安定したストリーミング、低メモリ消費を実現し、拡張システムと複数の実行モードを提供して既存の AI コーディングアシスタントの性能問題を解決します。

MillfolioはMac上で動作するローカルファーストのAIツールで、データをモデルに送信する代わりにプログラムをデータに送信することでプライバシーを保護します。バックエンドにはMojoを使用し、ローカルモデルでファイルをインデックス化し、フロンティアモデル（Claude）が匿名化されたスキーマのみを参照してクエリプログラムを作成します。

本チュートリアルでは、非小細胞肺がんにおけるC797Sオシメルチニブ耐性変異を標的とした次世代EGFR阻害剤発見のための、エンドツーエンドの自律型AI共同科学者ワークフローを構築する方法を紹介します。ChEMBLとUniProtによる標的同定、IC50データのマイニング、RDKitによる分子の標準化、スキャフォールド分割ランダムフォレストQSARモデルの訓練、SHAPによる活性要因の解釈、BRICSフラグメント再結合による新規候補の生成までをカバーしています。

著者はAIとの個人的な経験を振り返り、その操作的な傾向と偏りを強調し、西洋文明を損なう可能性について警告する。

Metaは、コーディング不要でAI生成のミニゲーム「gizmos」を作成、共有、発見できるソーシャルアプリ「Pocket」をテスト中。現在Google Playでクローズドテスト中で、Facebook、Instagram、WhatsAppとのクロスプロモーションが期待される。

AIを賢く使うには、チームは導入率よりも価値を優先する必要がある。本記事では、映画『Obsession』におけるキャラクターの魔法の近道の誤用とAI導入を対比し、ガバナンスと慎重な意思決定の重要性を強調する。

ユーザーは、AnthropicのClaude Fable 5が7月1日の再公開後にパフォーマンスが低下したと非難し、過度に厳格なガードレールを問題視しています。ベンチマークスコアは大幅に低下しましたが、Anthropicはモデルは変わっていないと主張し、強化された安全分類器に起因するとしています。

Australian Payments Plus（AP+）はChatGPT EnterpriseとCodexを活用し、支払いの複雑さを迅速に処理。時間節約、品質向上、人間の判断維持を実現。

SkyPilotとHugging Faceの連携により、モデルとデータセットをHubに保存し、SkyPilotを使っていずれのクラウドでもデータ転送料金なしで計算を実行できます。

言語モデルの安全性調整は、有害知識の表現を制御する拒否ニューロンと有害知識自体を符号化する概念ニューロンという2つの機械的に異なるシステムによって機能する。各システムの1つのニューロンを標的とすることで、明示的な有害要求に対する安全性の抑制による迂回と、無害なプロンプトからの増幅による有害コンテンツの誘発という両方向の失敗を、2つのファミリー、1.7Bから70Bパラメータの7モデルにわたって、訓練やプロンプトエンジニアリングなしで実証した。この結果は、安全性調整がモデル重みにロバストに分散されているのではなく、個々のニューロンによって媒介され、それらが因果的に拒否行動を制御するのに十分であることを示唆している。

大規模言語モデル（LLM）やコーディングエージェントはユーザーインターフェース（UI）開発によく使われるが、視覚的・インタラクションデザインの熟達度を確実に評価することは難しい。既存の評価は、正確だが遅く高コストな人間の専門家か、拡張性があるが不正確で不透明な自動判定に依存している。我々は、実際のウェブサイトのナビゲーショントレースと生成UIのトレースを比較することで、生成UIが現実的なインタラクションフローをサポートするかどうかを測定する基準ベースフレームワーク「FlowEval」を提案する。

Apple機械学習研究チームが、HTTPキャッシュとLLMベースの環境合成を活用してビジュアルWebエージェント向けの再現可能でスケーラブルなトレーニング環境を構築するフレームワーク「Weblica」を発表。最良モデルWeblica-8Bは複数のベンチマークでオープンウェイトモデルを上回り、APIモデルと競合します。また、「Rephrasing the Web」研究ではデータ言い換えによる言語モデルの効率的学習手法を紹介。

Apple機械学習研究チームは、フローマッチングに基づくマルチターン画像編集フレームワークMT-EditFlowを提案。強化学習で拡散モデルを微調整し、既存のシングルターン編集モデルがマルチターン対話で直面する「オール・オア・ナッシング」要求や誤差伝播の問題を解決する。

LensVLM は、視覚言語モデル（VLM）が圧縮画像をスキャンし、学習されたツールを介して関連する画像のみを非圧縮形式に選択的に拡張できるようにする推論フレームワークおよびポストトレーニングレシピです。Qwen3.5-9B-Base 上に構築された LensVLM は、4.3 倍の実効圧縮で全テキストの上限と同等の精度を維持し、7 つのテキスト QA ベンチマークで最大 10.1 倍の実効圧縮まで検索ベース、テキスト圧縮、視覚圧縮のベースラインを上回ります。さらに、マルチモーダル文書およびコード理解タスクにも一般化され、圧縮が大きくなるにつれて精度が向上します。