tweet.md は、X（Twitter）の投稿をLLMやAIエージェント、研究ワークフロー向けに最適化されたクリーンなMarkdownに変換するユーティリティです。URL内の「x.com」を「tweet.md」に置き換えるだけで、属性、タイムスタンプ、メディア、引用、スレッド情報を保持した出力が得られます。AIエージェントスキルも提供し、シームレスな連携を実現します。

カリフォルニア州のギャビン・ニューサム知事は、人工知能（AI）による雇用破壊の影響を緩和する計画の策定を州当局に指示した。米国の州としては初めての措置。行政命令は、州機関、専門家、大学、業界リーダーを動員し、解雇基準、雇用保険、労働者訓練、雇用追跡に関する政策を策定する。この動きは、2026年第1四半期に米国テクノロジー業界で5万2000人以上の雇用が削減され、メタも8000人を解雇したことを受けたもの。

Microsoft Researchは、ブラウザ操作エージェントのファミリーであるFara1.5を4B、9B、27Bのサイズで公開しました。Fara1.5-27BはOnline-Mind2Webで72%のタスク成功率を達成し、OpenAI Operator（58.3%）やGemini 2.5 Computer Use（57.3%）を上回りました。また、ゲート付きドメインでのトレーニングを可能にする合成データパイプラインFaraGen1.5も含まれています。

アプリに適したLLMを選び、フォールバックを設定して、安定した運用を実現します。

フェイフェイ・リー率いるチームが、エージェントが積極的に行動して情報を収集することを要求する新しいベンチマーク「ESI-Bench」を発表。現在のAIは受動的知覚には優れているが、能動的探索能力に乏しいことを明らかにした。

このチュートリアルでは、OpenMythosライブラリを使ってGoogle Colabでエンドツーエンドのリカレント深度トランスフォーマーワークフローを構築します。MLAとGQAの2つのアテンションバリアントを作成し、パラメータ数を比較し、リカレント注入行列の安定性をスペクトラル半径で確認します。合成構成推論タスク（桁の連鎖の法付き和を予測）でモデルを訓練し、リカレントループが固定パラメータモデルでより深い計算を可能にする方法を研究します。推論時にループ回数を増やすことで、パラメータを変えずに推論深度が向上することを示します。

DeepSeekは700億元を調達し、自社のAIコード製品「DeepSeek Code」を開発中。シニア研究員のDeli ChenがCode Harnessチームの採用を呼びかけ、元TSY Capital共同創業者の崔添翼がチーム責任者に就任する可能性が高い。

AIを活用したニュースを楽しく、習慣化しやすくするサービス。

AI統一入口ですべてを完了

Fabyは、独自のコンピュータ、ブラウザ、コーディング環境を備えた仮想同僚で、Slack内でデータ取得、レポート作成、コード記述などのエンドツーエンドタスクを実行します。チャットでアドバイスだけをする従来のツールとは異なり、実際に作業を完了します。

静かな一日となったAIニュースですが、AIインフラ企業の資金調達が注目を集めました。Turbopufferは1億ドルのARR達成と収益化、Exaは22億ドル評価で2.5億ドルのシリーズC、Modalは47億ドル評価で3.55億ドルのシリーズCを実施。その他、RAEv2やGated DeltaNet-2などのモデルアップデート、CodexやGeminiのエージェントツール、インフラ動向などが話題となりました。

サイバーリスクは現在、取締役会レベルの課題となっているが、従来のツールは利用可能なセキュリティデータを制限し、可視性を分断している。セキュリティチームは技術的信号を財務リスクの洞察に変換するのに苦労し、取締役会とのコミュニケーションが非効果的になっている。Databricks Genieは、リアルタイムでデータ駆動型のサイバーリスク定量化を可能にし、セキュリティ態勢をビジネス影響に結びつけてガバナンスを改善する。

米連邦取引委員会（FTC）は、Cox Media Group、MindSift、1010 Digital Worksの3社に対し、「アクティブリスニング」AIマーケティングサービスがスマートデバイスを介して消費者の会話を盗聴できると虚偽の宣伝をしたとして、約100万ドルの罰金を科しました。実際には音声データは使用されず、メールリストの転売が行われていたことが判明。FTCは、利用規約に隠された同意は有効ではないと強調しています。

制御実験により、Claude Haikuはリソース割り当てタスクにおいて10個の英語強度修飾語を5つの異なる中央値出力に圧縮し、強度語の解釈がシステム状態に強く依存し、動作限界付近では3つの行動モードを示すことが明らかになった。

本研究は、標準的なガイドラインを超えた臨床質問に答えるLLMの評価に特化した検索ベンチマークOGCaReBenchを提案する。実験では、最良のモデル（GPT-5.2）でも正解率は56％にとどまり、検索拡張により82％に向上。医学におけるエビデンスに基づく推論の重要性が示された。

本論文は、大規模言語モデルの関数呼び出し機能を利用して人間のプロンプトエンジニアの反復ワークフローを模倣する反射的プロンプトチューニング（RPT）フレームワークを提案する。最適化器は診断関数を呼び出し、最適化セット全体で対象モデルを評価して再発する失敗モードを要約した構造化診断レポートを得る。このレポートと過去のレポートの累積メモリを活用してプロンプトを修正する。3つの推論タスクで初期プロンプトから最大12.9ポイント改善し、最先端手法と競合しつつ信頼度校准も向上させた。

本論文はPromptNCEを提案し、タスク固有の批評家を訓練することなく、プロンプトとLLMの確率出力のみでゼロショットのポイントワイズ相互情報量（PMI）推定を実現。3つのデータセットでSpearman相関係数最大0.82を達成し、低データ環境での教育応用事例も示した。

RankJudgeは、参照文書に基づくマルチターン会話でLLM-as-a-judgeを評価するためのベンチマーク生成器である。一方の会話の1ターンに単一の欠陥を注入したペア会話を生成し、曖昧さのない優劣ラベルと失敗の正確な特定を可能にする。機械学習・生物医学・金融の3領域で実装され、21の最先端LLMジャッジをBradley-Terryモデルでランク付けした。

本論文は、ベイズ規則を用いて次トークンの対数確率を反転させ、各トークンの貢献度を定量化するモデル非依存の確率的トークン帰属手法を提案し、エントロピー分析と組み合わせてLLMの解釈性を向上させる。

査読が人間によるものかAIによるものかを区別する方法。Sem-Detectはテキスト特徴とクレームレベルの意味分析を組み合わせ、AIモデルは類似点に収束し人間はより多様な意見を出すことを利用。ICLRとNeurIPSの2万件以上の査読データセットで、二値設定では[email protected]% FPRを25.5%向上。三クラス設定では、LLMで洗練された人間の査読がAIと誤分類されるのは3.5%未満。

研究者らは、青少年向けLLMのためのモデル非依存の保護フレームワークCR4Tを提案した。不安全な出力や拒否型の出力を、良性の意図を保ちながら年齢に適した助言志向の応答へ選択的に書き換えることで、有害な内容と不要な会話の打ち切りを減らす。

DualOptim+は、共有表現を捉える基底状態と目標固有の残差を保持するデルタ状態を導入し、勾配の方向性衝突に基づいて適応的に橋渡しする。8ビット量子化変体はメモリオーバーヘッドを削減しつつ性能を維持する。

本研究では、yvsoucom-iterkitを提案。これは、パイプライン最適化を追跡可能なログエンティティとしてエンコードし、コンポーネントの属性、相互作用、類似性、およびクロスシードのロバスト性の分析を可能にする決定論的ログ駆動型自動機械学習フレームワークである。Pimaインディアン糖尿病および脳卒中データセットでの18,000以上のパイプライン構成を用いた実験により、構造化され部分的に冗長な探索空間が明らかになり、性能は少数の相互作用するコンポーネントによって支配されている。ランダムフォレストの重要度分析では、Pimaでは増強（0.454）、モデル選択（0.198）、不均衡処理（0.101）が主要なドライバーであるのに対し、脳卒中では不均衡処理が支配的（0.406）である。コンポーネント類似性分析は強い冗長性を示している。アンサンブルモデルは強力な性能を達成するが、脳卒中ではクラス不均衡によりマクロF1が低い（0.67）。クロスシード分析は性能とロバスト性のトレードオフを明らかにし、効果的なAutoML最適化は影響の大きいコンポーネントの縮小セットに焦点を当てることができることを示している。

本論文は、LLMエージェントにおけるハーネスエンジニアリング（推論時アライメント手法）を研究。タスク分解とガイド付き実行を通じて長期性能を向上させるが、より精巧なハーネスが常に良いとは限らない。過剰分解、過剰刈り込み、幻覚実行などの失敗モードを特定し、部分ハーネス（初期ステップのみ指定）が完全なワークフローよりも高い成功率を達成することを実験で示す。

本論文は、少数のドメイン内例を用いて、記号プログラム（Pythonなど）とLLM上のプロンプトプログラムの未見タスクにおける性能を予測する手法を研究する。記号プログラムの性能はオール・オア・ナッシングである一方、プロンプトプログラムは多数のほぼ正しいプログラムを含む拡散的な事前分布を持つことを発見し、これが少数のテストではプロンプトプログラムを保証できない理由を説明する。著者らはRAP（検索近似事前分布）を提案し、類似タスクを検索して代理事前分布を構築することで、堅実な予測性能を達成した。

HealthCraft は FHIR R4 に基づく初の救急医療用強化学習環境で、二層評価システムにより言語モデルの臨床ワークフロー安全性を評価。最先端モデルはマルチステップワークフローでほぼ失敗し、インフラのバグがモデルランキングに影響することが示された。環境とタスクはオープンソース公開。

本研究は、訓練データが汚染されている線形回帰において二重降下現象が観察されるかをシミュレーションで検討する。強い過パラメータ化の下では、非頑健な最小二乗補間器が二重降下を示し、頑健な代替手法を上回る優れた汎化性能を達成することが明らかになった。

arXivの新論文は、マルチスケール特徴、L2正規化、Mahalanobis距離、キャリブレーションヘッドを組み合わせたGOENを提案し、CenterLossが分類精度を高める一方で分布外検出性能を大きく低下させることを示した。

新しい研究により、特徴量が共線的な場合、忠実性、安定性、完全性を同時に満たす特徴ランキングは存在しないことが証明された。この不可能性は4つのモデルクラスで定量化され、DASHと呼ばれるアンサンブル平均化法が解決策として提案されている。77の公開データセットの調査では、68%が帰属不安定性を示した。この枠組みには実用的な診断ツールと公平性監査への影響が含まれている。

研究者らは11,488組のアイデアペアからなるデータセットを構築し、実験前に2つの研究アイデアのベンチマーク性能を比較予測するよう言語モデルを訓練した。教師あり微調整により8Bパラメータモデルは77.1%の精度に達し、GPT-5の61.1%を上回った。検証可能な報酬を用いた強化学習では、解釈可能な根拠を示しつつ71.35%の精度を達成した。