モデル

最新のベンチマーク結果によると、GPT-5.6 SolがPRセキュリティレビューで最高パフォーマンスを示し、100%の再現率と0.91のF1スコアを達成、1PRあたりのコストはわずか0.70ドル。Anthropicのモデル（Fable 5など）はフロンティアに到達できず、コストも高い。Grok 4.5とGemini 3.1 Flash Liteはコスト効率の良い選択肢を提供する。テストではデータ汚染を防ぐため非公開の合成リポジトリを使用。

GPT-5.6 Sol が Fable/Mythos クラスのモデルと明確に位置づけられたことを受け、Anthropic は Claude Max プランにおける Fable モデルの利用期限を 7 月 19 日まで再延長しました。理由は計算リソースの制約で、OpenAI は GPT-5.6 のアクセス制限に自信を見せています。筆者は Anthropic が Fable を恒久的に利用可能にするべきだと提案しています。

AIのパフォーマンスは、精度、スループット、インタラクティビティの3つの次元で決まります。本稿ではスループットとインタラクティビティに焦点を当て、精度を犠牲にすることなく両方を最適化するモデル設計の選択肢を探り、パレートフロンティアを外側に押し広げることを目指します。

著者はBasecamp Benchベンチマークを用いて、GPT-5.6 Sol、Fable 5、Grok 4.5などのAIモデルがフロントエンドとバックエンドを構築する能力を評価しました。Fable 5が両トラックで勝利し、Grok 4.5は速度とコストのバランスに優れていました。結果は、特に最後の10%の仕上げにおいて、モデル間で完成度に大きな差があることを示しています。

SlimeBallBenchは、AIモデルがスライムサッカーで競う新しいベンチマークであり、意思決定と戦略能力を評価します。

最先端のAIラボはチャットボットから統合システムへと移行しており、モデルがランタイムとして機能し、ほぼ毎月のように強力なモデルとエージェントがリリースされています。今週のハイライトは、OpenAIのGPT-5.6（プログラムによるツール呼び出し）、GPT-Live（全二重音声）、ChatGPT Work（成果物作成）、MetaのMuse Spark 1.1（アクティブコンテキスト管理）、Grok 4.5（コーディングと知識作業）です。研究アップデートでは、コーディングベンチマークの問題、選択的アンラーニング、エージェント自己進化、投機的デコード、交通ルーティングが取り上げられています。業界ニュースでは、Lovable、Prime Intellect、SambaNova、Norm Ai、Ollamaの大型資金調達が注目されます。

新しいベンチマークにより、12の研究所の18のAIモデルの108の測定位置のうち97が左寄りであることが明らかになった。結果は一貫した進歩的傾向を示しているが、経済、外交政策、宗教において例外がある。xAIのGrokモデルが中央に最も近く、多くのモデルが特定の質問への回答を拒否し、スコアに影響を与えている。

Thinking Machines Labは「構築する価値のある未来は人間である」と題する報告書を発表。人間参加、モデル所有権、分散型アライメントを技術的課題と位置づけ、インタラクションモデルとTinkerのLoRA微調整に結びつけ、チームが独自のモデル重みを訓練し保持できるようにする。

sqlite-utils 4.1 は 4.0 から数日後の最初のドットリリースであり、いくつかのマイナーな新機能を導入しています。インサートおよびアップサートコマンドに --code オプションが追加され、インラインのPythonコードから行を生成できるようになりました。また、CSV/TSVインポート時に列タイプをオーバーライドする --type オプション、インデックス削除コマンド、標準入力からのSQLクエリ読み取り機能が追加されました。さらに、table.transform() で STRICT モードの切り替えが可能になりました。

Mac Studio上でQwen3.5-122Bを実行する際、3つのバグが原因でキャッシュが無効になり、長文コンテキストでの応答が数分待たされる問題が発生していた。これらのバグを修正した結果、プリフィル時間が88秒から0.64秒に短縮され、会話の流れを妨げなくなった。

Mesh LLMは、irohネットワークを介して複数のマシンのGPUとメモリをプールし、OpenAI互換のAPIを提供する新しい分散型AIコンピューティングシステムです。ローカルまたはピアノード上でモデルを実行したり、大規模モデルを複数のマシンに分割して実行できます。AIコンピューティングのコスト高と制御不足の問題を解決し、中央サーバーに依存せずにプライベートデプロイや公開グリッドをサポートします。

ChatGPT 5.5とClaude Fable 5がリアルタイムでチェス対決を行い、ユーザーは無料でAIに挑戦できます。AIは夜間の復習で人間の手を学習します。また、リアルタイムのトレーディング戦略も実行しています。

Verdictは、AIエージェントの出力を評価するためのオープンソースのブラウザベースツールです。人間によるラベリング、グラウンデッド・セオリーによるエラー分析、LLM審査員の人間ラベルに対する検証を、データを外部に送信することなくローカルで実行できます。

本記事では、RAGAS、TruLens、DeepEvalの3つの主要なRAG評価フレームワークを深く比較します。RAGに特化した評価が必要な理由、評価の3層（検索品質、生成品質、エンドツーエンド品質）、および主要な検索指標（Precision@K、Recall@K、MRR、NDCG）を解説します。その後、RAGAS（LLM判定役、正解データ不要、合成テストセット生成機能）とTruLens（可観測性、RAGトライアド、ダッシュボード）を詳述し、DeepEvalについても簡単に触れ、フレームワーク選択の指針を提供します。

著者がコーディングと監査の経験に基づき、2026年中期の主要AIモデルを非公式にランク付け。Anthropic Fable、OpenAI Sol、Mistral、Gemini、DeepSeekを対象とし、米国の輸出規制や欧州の視点も含む。

アントグループのRobbyantは、LingBot-VA 2.0のテクニカルレポートを公開しました。これは、ビデオジェネレーターからファインチューニングするのではなく、最初から身体性AI向けに構築された物理AIビデオアクションファンデーションモデルです。先見推論により実行前に将来の状態を予測し、実際の観測ごとに再接地し、225 Hzの非同期制御を実現します。本稿では、因果DiT、スパースMoEビデオストリーム、意味的ビジュアルアクショントークナイザー、および論文内の数値の不一致を解説します。

一週間のモデル発表ラッシュの後、今日は比較的穏やかな一日でした。主なニュースは、GPT-5.6の混乱した公開と迅速な修正、MetaのMuse Spark 1.1、オープンソースモデルの最適化、そしてセキュリティへの懸念です。

GDP.pdfは、現実世界のPDF文書を処理するAIモデルの能力を評価する新しいベンチマークです。金融、法律、医療など10の分野をカバーし、最先端モデルでもGPT-5.5の25%が最高で、全モデルが30%未満のスコアに留まりました。PDFが世界経済の命脈であること、そしてモデルの失敗が重大な結果を招く可能性を強調しています。

DeepSeek V3.2がHugging Bayで利用可能になりました。Hugging Bayは、出所、ライセンス検証、信頼できるホスティングを提供するオープンソースAIアーティファクトレジストリです。

Metaは今週発表した、公開Instagramアカウントをタグ付けするだけでAI画像を生成できる機能を、強い反発を受けて停止した。この機能は当初、アカウント所有者の許可なしに公開コンテンツをAI生成に利用できるようにしていた。

中国のオープンAIモデルは、国際的な協力とイノベーションを促進し、世界のAIエコシステムにおける中国のソフトパワーを向上させています。

Ploy社はAIエージェントをClaude Opus 4.8からOpenAIが新たにリリースしたGPT-5.6 Solに移行し、ビルド速度2.2倍、コスト27%削減、ビジュアルスコア向上を達成しました。移行では、ツール呼び出しのパラメータ設定、プロンプトキャッシュの違い、推論リプレイの問題を解決する必要がありました。

MuScriptorはKyutaiとMireloが開発したオープンウェイトのデコーダ専用Transformerであり、マルチインストゥルメントのオーディオをMIDIに変換します。訓練は三段階で行われます：145万の合成MIDIによる事前訓練、17万の実録音（1万1千時間以上）による微調整、および300の手動検証済みトラックによる強化学習。DTestベンチマークではMulti F1が48.2%に達し、YourMT3+ベースラインの21.9%を大きく上回ります。103M、307M、1.4Bパラメータの3サイズが提供され、推論コードはMITライセンス、重みはCC BY-NC 4.0です。

2026年のAtCoderワールドツアーファイナルで、OpenAIのAIモデルがヒューリスティック部門とアルゴリズム部門の両方で人間トップ選手を破り、人間が解けなかった問題も解決した。主催者は「人類降伏賞」を授与。これがプログラミングコンテストで人間がトップAIに勝つ最後の現実的な機会だったかもしれない。

今週のAIニュース：IBMが0.7ナノメートルチップ技術を発表、OpenAIとBroadcomが推論専用チップJalapeñoを公開、NVIDIAが全液冷AI工場設計を披露。政府の監視強化：Anthropicがモデルへのアクセスを再開、OpenAIが米政府への株式譲渡を提案。職種の進化：フォワードデプロイエンジニア、SAPの外部採用とIKEAの内部再教育に焦点。

この記事では、NVIDIA Nemotron 3 モデルの独自のアーキテクチャ（Mamba-Transformer MoE ハイブリッド、最大 1M トークンのコンテキスト長対応）を探り、利用可能な微調整手法（SFT、RLVR、RLAIF）を説明し、SageMaker Studio を使用したサーバーレスカスタマイゼーションのステップバイステップガイドを提供します。

この記事では、Amazon SageMaker HyperPod上でvLLMとHyperPod推論オペレーターを使用して、分離型プリフィルとデコード（DPD）を実装する方法を説明します。DPDはプリフィルとデコードのフェーズを別々のGPUプールに分離し、長いプロンプトによる干渉を排除して、ファーストトークン遅延とトークン間遅延を改善します。

このリリースは、米国政府が現在AIモデルの分野で持つ力を示しています。ChatGPT Workは、OpenAIがエンタープライズベンダーへと進化し続けていることを浮き彫りにしています。

この記事では、ファインチューニングの概念をわかりやすく説明します。事前学習とファインチューニングの違い、2つの主要なタイプ（フルファインチューニングとパラメータ効率的ファインチューニング）、そして他の手法よりもファインチューニングを選ぶべきタイミングについて解説します。

Google Research、Google DeepMind、および大学の共同研究者は、500万人の参加者から得られた1兆分以上のセンサーデータで事前学習されたウェアラブルヘルス向け基礎モデルSensorFMを発表しました。ViT-1Dマスクド・オートエンコーダをバックボーンとし、大規模データでのスケーリング特性を示します。凍結された埋め込みにPCA-50線形プローブを組み合わせることで、35タスク中34タスクで特徴エンジニアリングベースラインを上回りました。また、30,516個の予測ヘッドを探索したエージェント教室と、パーソナルヘルスエージェントを評価する臨床医評価についても詳述されています。

OpenAIは3つの新しいGPT-5.6モデル（Sol、Terra、Luna）を発表し、アプリ層も大幅に更新してChatGPT WorkとCodexを統合しました。新モデルはベンチマークで低コストながら高い性能を示し、Solが最も強力です。独立評価では、特にコーディングやエージェントタスクで最前線に近い結果が確認されています。

アントグループのエンボディードインテリジェンス部門Robbyantは、LingBot-World-Infinity（LingBot-World 2.0）をリリースしました。これは140億パラメータの因果的ビデオ生成モデルで、対話型世界シミュレーターとして機能します。核心技術は双方向自己回帰混合注意マスク（MoBA）と分布マッチング蒸留であり、長期的ドリフトを解決します。ディレクター・パイロットエージェントハーネスにより無限のビデオ生成が可能です。論文は60分のセッションを示していますが、オープンソースリリースは1つのチェックポイントと480Pスクリプトのみで、デプロイコードや定量的ベンチマークが欠けており、非商用ライセンスです。

OpenAI が GPT-5.6 シリーズを発表。フラッグシップの Sol、ワークホースの Terra、高速な Luna の3モデルで、全ユーザーが無料で利用可能。価格、性能、安全性、ハンズオンテストの詳細を解説。

データ効率が高く解釈可能な視覚ベースの動的障害物回避手法を提案。事前学習済み単眼深度推定モデルUniDepthと特徴対応パイプラインSuperPoint+SuperGlueを活用し、各キーポイントの衝突時間（TTC）を計算して回避動作を選択。M3EDデータセットでの評価では、精度0.49、再現率0.38を達成し、22個の障害物のうち20個でTTCが1秒未満のフレームを検出。ロボット専用モデルの訓練は不要で、ハイパーパラメータ調整に74秒のデータのみを必要とする。

STEMbotは、植物の葉冠下を自律航行するために設計された小型の攀じ登りロボットで、早期害虫検出を目的とする。PIN-SLAMとセマンティックOcTreeを統合し、多様体制約A*プランナーを使用して、7～33mmの茎での信頼性の高い移動を実現し、再構築精度は1cm未満。

APIVOTは、言語思考と視覚思考を適応的にインターリーブすることで、長期的なロボット計画の成功率と推論効率を向上させるVLMベースのプランナーです。空間制約のあるキッチンタスクにおいて、汎用VLMや既存の計画フレームワークを大幅に上回る性能を示しました。

本論文では、自己回帰ビデオ拡散における時間的不安定性を改善するために、訓練不要の安定加速ガイダンス手法SAGAを提案する。加速領域スペクトルガイダンスと構造化ノイズ初期化により、ちらつきやジッターを低減し、時間品質と画像品質を向上させる。

LightCrafterは、ビデオリライティングをプロキシPBRレンダリングのビデオ翻訳として再構成する新しいハイブリッドパイプラインであり、物理ベースレンダリングと拡散モデルの強みを組み合わせて、長編動画の時間的一貫性と詳細な照明制御を実現し、実世界ベンチマークで従来手法を凌駕し、さらに分析用の合成ベンチマークを提供する。

FedTRは連合学習と転移学習を組み合わせ、産業用ビジュアル検査におけるデータ不足と複雑性の問題に対処し、ラベル欠陥識別で高精度を達成。

テキストプロンプトを活用して航空画像中の指向性物体検出をガイドする新しいTransformerベースの手法LOGOSを提案。DOTAデータセットで既存手法を上回り、特に密集・回転シーンで優れる。

研究者は、注意ベースの防御を回避するために、独立して最適化された画像パッチである敵対的デコイを提案しました。この手法は、誤分類と防御回避を分離し、攻撃非依存であり、既存の敵対的パッチ攻撃に容易に統合できます。ImageNetでの実験により、デコイが注意スコアを真の敵対領域から逸らしつつ攻撃効果を維持することが示され、注意の大きさを敵対的関連性の指標として使用することの根本的な限界が明らかになりました。

GIRAFは、関節物体との現実的な全身インタラクションを生成するテキスト条件付き拡散モデルです。物体中心表現、混合ドメイン訓練、接触ベースのデータ拡張により、移動、微細な接触、物体の関節動作を統合的に推論し、未見の物体構成への強い汎化を実現します。

DreamCharacter-1は、事前学習済み3D基盤モデルを高忠実度で製品化可能な3Dキャラクター生成に調整する軽量後適応フレームワーク。幾何後トレーニング、テクスチャ後トレーニング、推論高速化の3つのコンポーネントで構成され、最先端手法を凌駕する性能を示す。

LLM出力における忠実度幻覚の識別は、高品質なアノテーションデータの不足により困難である。本論文では、検出器と生成器が相互にブートストラップするフレームワーク「幻覚セルフプレイ（HSP）」を提案する。検出器は人間ラベルデータで微調整され、その後RLAIFによる生成器の訓練ための報酬モデルとして使用され、より検出困難な幻覚を生成する。進化した生成器の出力は、ルールベース強化学習により検出器をさらに最適化する。RAGTruthベンチマークと2つのモデルファミリーでの実験により、小型LLMが外部教師なしで高度なLLMに匹敵または凌駕できることが示された。

新たな研究が、全二重音声エージェントの会話を評価する音声審査員としてのGeminiモデルの信頼性を評価。209のステレオセッションを8つの次元でスコアリングし、Gemini 2.5 Flashはほとんどの次元で人間の評価者と高い一致を示し、コストは人間の評価の約100分の1。モデル交換時には校正データによる再検証が必要と警告。

本論文は、LLMの強化学習における一様なクレジット割り当てが引き起こす「正のクレジット汚染」問題を特定し、TACO（Tail-Aware Credit calibratiOn）手法を提案する。TACOは、ローカル生成コンテキストに基づいて各トークンのテールリスクスコアを計算し、リスクの高いトークンへの正の更新を抑制する。3つのLLMと8つのベンチマークでの実験により、GRPOスタイルのベースラインを一貫して上回り、長期的RLの訓練安定性を向上させることを示した。

本研究では、MiniLM埋め込みを用いたマルチクラスター境界学習法を提案し、アウトオブスコープ（OOS）意図を検出します。従来のマルチクラス分類の精度低下やLLM埋め込みの大規模パラメータ問題を克服し、3つの公開データセットで最先端の性能を達成しました。

自然言語処理における前処理ベースのステレオタイプ緩和手法は、対象グループの測定可能なステレオタイプを低減する一方で、他の人口統計グループ（無関係なカテゴリを含む）に対してステレオタイプ化または反ステレオタイプ化が中立ベースラインと比較して増加するという意図しないシフト（副作用）を引き起こすことが多い。この研究では、エンコーダーのみとデコーダーのみの2つのモデルファミリー、複数の前処理戦略（ステレオタイプ文の削除、グループ言及の削除、グループ参照の交換）、およびウィキペディア上の異なるデータ規模での事前学習および事後学習にわたってこれらの副作用を示している。標準的なベンチマークはこれらのシフトを見逃すことが多い。アテンションロールアウト分析により、このような副作用はアテンションフローの大きな変化を伴わず、メカニズムの説明が複雑になることが観察された。評価への影響を議論し、実用的な診断方法を提供し、副作用を意識した透明な緩和実践を主張する。

本研究は、コスト効率の高い人間とLLMの協働アノテーションフレームワークを提案し、スペイン語でEspanStereoデータセットを構築。複数のスペイン語圏の文化特異的な偏見を捉え、LLMのステレオタイプ行動が国によって大きく異なることを示した。

本論文は、バレンホルツの自己生成言語理論がハリース統合主義を強化し、記号の将来的開放性、言語と非言語的記号活動の連続性、統合のアーカイブに関する構造的メカニズムを提供することを論じる。自然言語処理と大規模言語モデルの設計に洞察を与え、統計的構造の本質と限界を明らかにする。