本記事では、Prodigyと呼ばれるAI従業員の概念を紹介します。元の情報はGoogle Slidesのプレゼンテーションであり、詳細は不明です。

一つのAIプラットフォームですべてを解決しようとするのは誤りであり、タスクに応じたツール選択が重要だと論じる。セルフホスティング、従量課金、サブスクリプションのコストとプライバシー、欧州のデジタル主権の課題を分析。実際のスタックとして、GitHub Copilot Pro+（開発）、Gemini（業務）、n8n+OpenAI（自動化）を採用し、タスクの複雑さに応じたモデル選択の指針を示す。

本記事では、Claude Code と OpenAI Codex のどちらかを選ぶのではなく、両方をパイプラインとして組み合わせて使用する方法を探ります。ベンチマーク、コンテキストウィンドウの動作、トークンエコノミクス、MCP統合を通じて、著者は両ツールの相補的な設計哲学を示し、具体的なワークフローパターンを提供します。

2026年ワールドカップのAI予測、ライブブラケットインサイト、モデル比較をご覧ください。

GLM-5.2 が全員の雰囲気チェックを通過したことで、オープンモデルの物語はついに本物のフロンティアストーリーとなった。

Mutter AI Dictation は Mac 向けアプリで、プライバシーを重視したディクテーションと、口頭での乱雑な考えを完成された文章に変換するインテントモードを提供し、タイピングの約3倍の速さを実現します。

本記事の著者は、Replitのような「バイブコーディング」スタートアップが、TikTokの広告を通じて非プログラマーに簡単なアプリ開発と富を約束するマーケティングを行っていると指摘。これはマルチレベルマーケティング（MLM）や暗号通貨詐欺に似ており、実際のコストやリスクを隠蔽し、経済的に厳しい状況にある若者を食い物にしていると批判する。

Plansera AI は、AI が作成する E-2 ビザの事業計画書を提供し、起業家が必要な書類を迅速に準備するのを支援します。

ボストン小児病院とOpenAIの共同研究により、AIツールを使ってこれまで診断がつかなかった18人の希少疾患の子どもたちが診断された。この研究はNEJM AIに掲載され、ゲノム解析におけるAIの可能性を示している。

バレット・ゾフ（Barret Zoph）がOpenAIに復帰してわずか5ヶ月で再び退社したことが、The Vergeの取材で明らかになりました。彼は1月中旬に復帰し、エンタープライズAI販売を担当していました。以前はミラ・ムラティ（Mira Murati）のThinking Machines Labで共同創業者兼CTOを務めていましたが、不適切な関係の疑惑により同社を離れていました。OpenAIは退社を確認しています。

国民の多くがAIの進行速度は速すぎると感じる一方、多くの政治家はAI導入の加速を求めている。本稿では、この矛盾の政治的・経済的理由を探り、急激な変化がもたらす社会的混乱について考察する。

SakhaはSlack上で動作するAIオンボーディングアシスタントで、新入社員を日々のフローでガイドし、企業ナレッジベースから質問に回答し、契約書をレビューし、ポリシーを生成します。従来のオンボーディングプロセスの問題を解決するために、定額料金モデルを提供します。

Ferrix AIは、プロダクトマネージャー向けに12の専門AIエージェント群を発表。カスタマーフィードバック収集からローンチ後モニタリングまで、製品ライフサイクル全体をカバーし、校正された自律性で反復作業を自動化しつつ、PMが重要な決定をコントロールできるようにする。

FetchSandboxは、API統合テスト中に発生した障害を自動的に記録し、開発者が問題を迅速に特定・修正できるようにするツールです。

OALABSの研究者によると、低スキルの攻撃者がAIエージェントClaude CodeとCodexを使用し、曖昧なプロンプトでガードレールを回避し、少なくとも14社に侵入してデータを窃取した。攻撃者の運用セキュリティの失敗により1000以上のセッションログが回収され、身元と手法が明らかになった。

arXiv論文のSCAN-Plannerは、長距離四足歩行ナビゲーション向けの空間衝突認識ローカルプランニング手法を提案する。ヨーを考慮した双円柱フットプリントを膨張3D占有マップに適用し、投影A*探索とロボット中心のスライディングマップを組み合わせることで、狭所や混雑環境、3D非構造シーンでの軌道生成を改善する。

本研究では、カテゴリー理論と層理論を用いた新しい多層数学モデルを提案し、自律エージェントシステムのためのソフトウェアコンポーネントアンサンブル言語（SCEL）を記述する。このモデルでは、コンポーネントを点、アンサンブルを開集合、分散知識を層のデータとして扱う。情報共有は局所データの「接着」としてモデル化され、システム障害は層コホモロジーによって位相的障害として定量化される。このアプローチは、複雑な分散システムの検証を幾何学的解析に変換し、堅牢な自律システム設計のための構造的洞察を提供する。

本研究は、搭載された固有感覚センサのみを用いて、動く地面に対するヒューマノイドロボットの基底位置と速度を推定する不変拡張カルマンフィルタ（InEKF）を提案する。Digitロボットの実験では、収束速度が96%向上し、位置誤差が80%削減され、回転地面上の歩行では平均誤差が9cm未満となった。

本論文では、具現化されたコーディングエージェントが自己主導の遊びを継続的なスキル学習段階として利用する「遊び心のあるエージェントロボット学習」を提案する。RATsフレームワークは遊びの中で探索的タスクを提案し、コードポリシーを実行、進捗を検証し、成功した実行を永続的なスキルライブラリに抽出する。実験ではLIBERO-PROとMolmoSpacesで大幅な改善を示し、スキルは微調整なしで転用可能である。

DiffusionVSは、拡散ポリシーに基づく視覚サーボ手法を提案する。タグ角点の正規化画像座標を入力とし、条件付きデノイジングでカメラ速度を生成する。オンライン学習パラダイムを採用して汎化性能を向上させ、シミュレーションでほぼ100%、物理実験で93%の成功率を達成した。拡散モジュールは既存の視覚サーボネットワークにも統合可能である。

3Dシーングラフ（3DSG）は、幾何学的根拠と意味的・関係的抽象化を組み合わせた空間AIの強力な表現として登場し、ロボティクスやコンピュータビジョンにおける操作、ナビゲーション、タスク計画、シーン理解など幅広い問題に関連しています。しかし、この分野は断片化しており、異なるコミュニティが異なる定式化、構築パイプライン、評価プロトコルを採用しているため、手法の比較、共通の仮定の特定、実世界展開の課題の評価が困難です。本サーベイは、3DSGの統一された批判的レビューを提供し、特に未解決の課題と将来の方向性に焦点を当てています。ノード・エッジ属性、階層構造、動的シーン表現、アフォーダンス対応拡張などのモデリング選択を分析し、センサデータからの構築方法、下流アプリケーション、評価戦略を考察します。

研究者らは、LEGO Duploを用いたロボット組立ベンチマーク「WorkBenchMark」を提案した。4つの複雑度層にわたる400タスク、オープンボキャブラリ知覚、分解組立ベースラインを提供する。計画ベースのパイプラインは、現代の視覚-言語-行動アプローチを全層で上回る。

研究チームは、Atari CX40+コントローラを操作するロボット「Robotroller」、Arcade Learning Environmentのゲームフレームと報酬信号を画面に描画する「Atari Devbox」、市販カメラ、デスクトップPCを組み合わせたPhysical Atariを構築した。1000ドル未満で製作でき、数週間の連続実験でも機械的故障は発生していない。強化学習アルゴリズムがロボット上で直接学習できることを検証するとともに、学習と展開の間のわずかな分布シフトでもポリシー性能が大きく低下することを示した。

研究者は拡散モデルを用いたビデオの同時動作・位置編集のためのワンショットフレームワークTeleMorpherを提案する。この手法は主人公と背景を分離し、動作事前分布を用いたポーズワーピングと新しい評価指標を導入する。実験では、実世界のビデオとTaiChiデータセットで優れた性能を示した。

本論文は、多表現拡散モデルにおける非同期ノイズ除去スケジュールを学習する手法を提案する。スケジュール補正目的関数と凸で単調なパラメータ化を導入し、追加計算量1%未満で学習する。ImageNet 256x256で、200エポックでFID 1.05（800エポックのベースラインと同等）、600エポックでFID 1.02（10億パラメータモデルを上回る）。非誘導設定でも大幅な改善。

GB-LSRは、固定グリッドの局所スペクトル表現を用いて連続画像再構成を行う手法です。単一の訓練可能なグローバルバンド幅をすべてのパッチで共有することで、モデルを簡素化し計算コストを削減します。標準的なネイティブ再構成ベンチマークでは、LIIF、LTE、WIREなどの手法と比較してPSNRが2.8-3.6 dB向上し、推論コストは最も遅いベースラインの4分の1です。超解像タスクでは、4倍スケールでLIIF-RDNの1.44倍、LTE-SwinIRの3.25倍の速度を実現しています。また、局所アンサンブル平均を省略したバリアントは、PSNRの低下を無視できるレベルに抑えつつ、1.77倍の高速化と35%のメモリ削減を達成しています。

arXiv の新論文は、言語を高次のガイダンスとして用い、推論時に視覚エンコーダを動的に導く LIVE を提案する。タスク固有の再学習なしにタスク中心の埋め込みを生成し、視覚的幻覚の低減と未知タスクへの汎化を実現する。

本論文は、視覚-言語-行動（VLA）モデル向けのタスク証拠認識型混合精度ポストトレーニング量子化フレームワークMix-QVLAを提案する。全精度モデルと量子化モデルのタスク証拠マップを主要な機能境界で比較し、意思決定に関わる証拠が保たれているかを評価する。さらにタスク実行中各フェーズで変化する層感度をモデル化し、モデルサイズとBitOpsの予算下でビット配分を行う。LIBEROではOpenVLA-OFTのメモリを15.4 GBから4.1 GBに削減し、平均成功率96.3（BF16は97.1）を維持しつつ、推論を1.52倍高速化した。

本論文では、効率的な並列領域認識に最適化されたマルチモーダル拡散言語モデルPerceptionDLMを提案する。拡散言語モデルの並列デコード特性を活用し、効率的なプロンプティングと構造化アテンションマスキングにより、複数のマスク領域を同時に認識し、推論効率を大幅に向上させる。さらに、並列領域記述能力を評価するためのベンチマークParaDLC-Benchを構築。実験では、競争力のある性能を維持しながら、マルチ領域認識タスクの速度を大幅に改善した。

ImageWAMは、ロボット行動予測に事前学習済み画像編集モデルを再利用することで、動画ベースの世界行動モデルが抱える推論コストの高さ、行動に無関係な詳細への容量消費、長期的誤差蓄積を回避する。シミュレーションと実世界実験でVLAベースラインや競合WAMを上回り、FLOPsを1/6、レイテンシを1/4に削減する。