Nov 19, 2026
2026年11月19日
この日のAIニュースレポート
コミュニティ
NGINXのHTTP/2に関する深刻な未認証RCE脆弱性群(NGINX2Root/NGINX2Shell)が複数のセキュリティベンダーから同時に公表され、OpenAIとの協力による発見という点でAIが脆弱性探索に使われる流れを印象づけた。一方でAI開発の現場では、Claude Fable 5.2 Thinking HighがSonarのリーダーボードで90.26%の合格率を記録して首位に立ち、ローカルLLMの実用化(GB10、Mac、Haru-4Bなど)や、AIレビュー・エージェント運用の実測知見が数多く共有された。共通するのは「全部をAIに任せる」のではなく、振り分け・絞り込み・フォールバックといった運用設計で成果を出す方向への成熟である。
NGINXの重大脆弱性とAIによる脆弱性発見
- NGINXのHTTP/2処理に起因する未認証リモートコード実行の脆弱性が、「NGINX2Root」としてCVE-2026-123007、CVE-2026-123634、CVE-2026-123633、CVE-2026-121810、CVE-2026-113425などとともに公開された。訪問者の立場からサーバーホストのrootまで到達できるとされる。
- Wiz Researchのブログは、Ikotas Labs、Metnir、Rapid7、Xintなど複数の組織が関与したとして、CVE-2026-123633とCVE-2026-123007の2つの重大なHTTP/2の欠陥が、Webサイト、API、機密データを危険にさらすと解説している。
- 発見側のXint(Satoki氏)は、OpenAIとの協力のもとで発見から報告まで進めたと述べ、あるバグバウンティイベントでは同種の脆弱性が$300,000相当だと言及した。AIを組み込んだ脆弱性研究が、最新版NGINXという大規模な標的で成果を出したことを示す。
- XユーザーのSatoki@Kn0wl3dg3さん: 「NGINX2Shell」を発見しました — はてなブックマーク IT
最新モデルの性能とAIエージェントの実務評価
- Claude Fable 5.2 Thinking High(11月9日公開)は、SonarのLLM Leaderboard(11月18日時点)でPass率90.26%となり、従来首位のClaude Opus 5 Thinkingの88.60%を上回った。ただしこの評価はJava課題が対象である。
- Claude Fable 5.2 Thinking Highのコーディング性能がすごい! — Zenn LLM
- KPMGの監査トライアルで、AIエージェントが会計士より優れた質問をしたと報じられた。Hacker Newsで250ポイント・120コメントを集め、専門職の業務へのAI浸透に関心が高い。
- AI agents ask better questions than KPMG accountants in audit trial — Hacker News (100pt+)
- AI同士のレビューを約1か月運用した事例では、レビュー175回で指摘819件、うち重要度が高いものは74件で、全体の約9割は軽微な指摘だった。効果があったのは全チェックではなく対象を絞ることだった。
- 個人開発者の報告では、AIにペルソナを与える提案に対しAIが「役柄は付けない方がよい」と返し、既存プロンプトを差し替えず新版を並走させて成績で比較する案を出した。プロンプト改善も「良さそう」ではなく実測で判断する流れである。
- 「AIにペルソナを」と言ったら、AIが別案を出した — Zenn LLM
- Gemini CLIにYouTubeのURLを渡すと動画の中身は見られないと11秒で返り、字幕とコメントを渡し直して切り抜き候補を得て、grepで字幕と照合した。1回の試行記録だが、AIの出力を機械的に裏取りする手順として参考になる。
- Gemini CLI に YouTube の URL を渡したら「見られない」 — Zenn LLM
ローカルLLMとハイブリッド運用の実測
- NVIDIA GB10(128GBユニファイドメモリ)1台での約3か月の運用では、監視アラートの一次切り分け1,267件のうち98.0%がローカルで完了し、クラウドに上げたのは7回だった。正解率・時間・電力・料金を同じ表で比べて振り分けている。
- GB10 1 台とクラウドのハイブリッド LLM — Zenn LLM
- デスクトップ版RTX Sparkを、128GB搭載のノートPC版と比較するレビューが出た。ローカルAI向けの手元GPU環境が選択肢として具体化している。
- 【Hothotレビュー】 デスクトップ版RTX Sparkはどこまで速い? — はてなブックマーク IT
- 外出先からローカルAIを使うため、VPNやポート開放なしでCloudflare Tunnel+Accessを設定する手順が紹介された。OllamaとOpen WebUIを入れたGPU搭載Windows PCを、Hermes Agentから利用する構成である。
- 全二重の音声対話モデルHaru-4Bは2026年11月13日に公開され、重みはApache-2.0、Apple Silicon向けMLX版もある。M2 Maxで1コマの処理時間を測り、2体を接続して会話させた。
- isair/jarvisはOllamaやLM Studioなどローカルのモデルサーバーだけで動く音声対応アシスタントで、「No cloud AI service is required」を掲げる。タグv2.9.0の知識グラフと日記メモリを検証した。
- ローカルLLMにタスクを間違えず完遂させる条件を、失敗すると死ぬ脱出ゲーム(デスゲーム)の検証環境で確かめる試みもある。環境はClaude Codeが作成した。
- ローカルLLMをデスゲームに参加させてみた — Zenn LLM
API運用・学習手法・研究動向
- Amazon Bedrock AgentCore Gatewayの推論ターゲットにモデルフォールバックが追加された。呼び出し側にリトライを書かず、ゲートウェイ側のルールで切替先と条件を設定できる。検証ではどの失敗で発動し、どの失敗では発動しないかを確かめている。
- 生成AI APIのエラーは401・429・5xx・タイムアウトで切り分け、待っても直らないエラーを再試行しないことが要点とされる。再試行自体はSDKが既に行っているため、まずその挙動を知るべきだと整理している。
- APIエラーとリトライの基本 — Zenn LLM
- ハイレゾのB200計算クラスタ(Slurm)でのファインチューニング連載は、全5回の最終回としてモデル評価を扱った。
- ハイレゾB200計算クラスタを使用してファインチューニングに挑む件 第5回 — Zenn LLM
- Googleは、LLMが継続学習で知識を保持するための「sleep framework」を紹介した。また、再帰型推論器をエネルギーベースモデルとして構成する研究(Energy-Based Reasoners)も共有されている。
TLDRピックアップ(その他テック)
- 軽量日本語トークナイザsuzumeは、ブラウザやネイティブ向けにWebAssembly、Node.js、Python、Go、C++で品詞と原形を返し、辞書を内蔵する。MeCabのような完全な形態素解析器ではなく、検索や表示向けの分割が目的である。
- GitHub - libraz/suzume — はてなブックマーク IT
- 認知負荷の減らし方に関するレバテックLABの登壇資料で、開発にも日常業務にも使えるノウハウを扱う。
- 認知負荷の減らし方 ~開発にも日常業務にも活かせるノウハウ~ — はてなブックマーク IT
- 良品計画のMUJI Cardで約109万件のカード番号漏洩の恐れがある事案で、クレディセゾンが2020年と2021年の2度、削除を依頼していたことが分かった。
- MUJI Card発行のクレディセゾン、カード番号削除を2度依頼 無印は実行せず — はてなブックマーク IT
- 楽天証券の情報漏えいをめぐり、弁護士が参加希望者を募る集団訴訟の専用サイトを11月18日に開設した。
- 楽天証券の情報漏えい、集団訴訟の動き始まる — はてなブックマーク IT
- 裁判傍聴者が見たトクリュウの実態として、リストの宛先を適当に襲撃する「ガチャを回すような」強盗の手口が共有された。
- 「ガチャを回すみたいに強盗する」裁判傍聴の民が実際に見てきたトクリュウの実態 — はてなブックマーク IT
- プロトタイプがYouTubeで合計200万回以上再生されたゲーム開発者が、Steamページ未整備のため初動売上が500本弱にとどまったと反省を共有した。バズの熱が残るうちに販売準備をすべきという教訓である。
- プロトタイプが「YouTube200万再生」でバズったゲーム開発者、初動売上500本弱でちゃんと反省 — はてなブックマーク IT
AI最新ニュース
OpenAIがGPT-6.2 AstraとSolを投入し、MicrosoftがIgniteで自社開発の7モデルとCopilot中心の「仕事用OS」構想を打ち出し、GoogleもGemini 4 Neonを公開するなど、フロンティア各社が価格性能比とエージェント実行力を競う展開が続いた。一方でNvidiaでは創業者のJensen Huang氏が辞任し、復帰をめぐる取締役会内の対立が表面化、AI業界の中心企業のガバナンスが注目を集めている。AI主導のサイバー攻撃への警戒、銀行によるAIエージェント利用の責任回避、Metaの「Muse」をめぐるプライバシー問題など、エージェント普及に伴うリスクと責任の所在も同時に論点となった。
フロンティアモデルの価格性能競争(OpenAI・Google・Microsoft)
- OpenAIは最難関プロジェクト向けのGPT-6.2 Astraと日常業務向けの効率型GPT-6.2 Solを公開した。ChatGPT Work、Codex、APIで利用でき、少ない出力トークンで高い結果を出す点を訴求している。Agents’ Last ExamではGPT-6 Astraを5.2ポイント上回りながらコストは3分の1未満、Claude Fable 5.2に対しては5.5ポイント上回りつつコストは5%とされる。
- Astraのキャッチは科学分野でも示され、Terminal-Bench-Science 0.1でGPT-6 Astraを9ポイント上回るとされる。API価格は入力$8/出力$40(100万トークンあたり)。法務タスクのHarvey LAB-AAではFable 5.2の合格率の2倍超、AA-3Dでは1,318 Eloで首位という。いずれも発表側の主張である。
- GoogleはコーディングやナレッジワークIや科学向けのGemini 4 Neonを公開した。1か月で4つ目の新Geminiモデルとなる。テキスト・画像・動画・音声・PDFを扱い、コンテキストは100万トークン、価格は入力$3/出力$15(100万トークンあたり)で、従来のGemini 4系より高めの設定である。
- Microsoft AI(MAI)は自社製品内の外部モデルを安価な自前モデルで置き換える方針を示し、Igniteでコード・セキュリティ・画像・言語・ルーティング向けの7モデルを発表した。MAI Code 2はGPT-6.1 Solの98%の性能を約40%のコストで実現するとされ、GitHub Copilotに搭載される。
- Microsoftはさらに、低コスト・低遅延で「較正された判断」を行うMicrosoft-Decision-1.1を一般提供とした。Microsoft Foundry、OpenRouter、Vercelで利用でき、公開プレビュー開始から1か月で4,000社超が利用している。
エージェントが「仕事のOS」になる:Copilot・Replit・Perplexity・Gemini
- Satya Nadella CEOはIgniteの基調講演でCopilotを「仕事の新しいOS」と位置づけ、Word・Excel・PowerPointのCopilot内での一般提供を発表した。エージェントが主役でアプリはプラグイン的な部品になる構図で、組織の知識レイヤー(メール、会議、予定、チャット、ファイル)を文脈として使う。常時稼働の自律エージェント「Copilot Autopilot」も予告された。
- AIが生成したアプリを企業内で安全に動かす基盤「Copilot Managed Runtime」も正式リリースされた。エージェント量産の前提となる実行・ガバナンス層を整える動きである。
- Replitは、目標と予算を与えると複数エージェントの群れが計画・構築・テスト・反復を行うReplit Missionsを公開した。実例として、社内用の監視基盤「DataCat」を2日間・予算$3,000で構築し、ダッシュボード、アラート、トレーシングを実装したという。
- Introducing Replit Missions | Replit — TLDR AI
- PerplexityのComputerには、Ultraより上の新しい努力レベル「Multiagent」が追加された。Claude Fable 5.2が計画役となり、Claude Opus 5.5、GPT 6.1 Sol、Gemini 4 Carbonの各エージェントが並列で作業し、互いの結果を検証し合う。マルチベンダーのモデルを束ねる設計が特徴的である。
- Geminiアプリは「タスク」機能を拡張し、事業者への電話、予約、支出上限内での買い物、請求書の管理などを代行する。ハードウェア分離された仮想マシン上で動作するとされ、6か国で無料提供される。
- Put Gemini to work for you — TLDR AI
- 開発ツール側でもAIアシスタント連携が広がっている。SnapchatはClaude CodeやCursorなどでAR Lensを自然言語から作れるようにした。Airshipは稼働中アプリを視覚的に選択し、Claude Code等がソースを書き換える。
- AIエージェントの設計論も整理が進む。Nielsen Norman Groupは、モデルの実行ループ、コンテキスト、ツール権限、制限を管理する「エージェントハーネス」を定義し、同じモデルでも能力が大きく変わるため、UXチームはモデル出力だけでなくタスク全体を検証すべきだと説く。
- Agent Harness: Definition — TLDR Design
Nvidia:Jensen Huang氏の辞任と復帰をめぐる混乱
- Huang氏は不倫(中国のスパイ容疑者との関係を含む)を認めて辞任した。その後、取締役会が求めれば復帰する用意があると声明を出した。従業員、投資家、取引先、顧客から復帰を求める声が多く、Trump大統領も復帰を支持する意向を示したという。
- 会社側は、決算説明会でHarvey Jones会長が復帰を検討していないと述べ、辞任受理は全会一致だったと説明した。一方でSemaforによれば、3人の取締役が反対しつつ復帰を推す一派が存在し、後任候補にはArmのRene Haas氏とMarvellのMatt Murphy氏の名前が挙がる。
- 業界の著名人からも復帰支持が相次ぐ。Palmer Luckey氏は「中国はJensenの不在を喜んでいる」として復帰を求め、Sam Altman氏は「JensenのいないAI業界は想像しにくい」と述べた。
- 財務面では、Nvidiaの純利益は毎秒約$8,300に相当すると試算されている。The Vergeは、同社が創業者CEO不在でも「収益性の高い船を揺らさない」路線をとるだろうと分析した。AI革命が一人の人物に依存することへの違和感も論じられている。
- Nvidiaは四半期報告書(10-Q)を通常どおり提出せず、数週間遅れる見通しを示して憶測を呼んだ。
AIとセキュリティ・金融リスク:攻撃の加速と責任の所在
- Palmer Luckey氏は、AIを使ったサイバー攻撃が防御を上回りつつあり、旧式技術が脆弱性を残していると警告した。
- Microsoftは、AIによる攻撃にAIエージェントで対抗する新サービス「Microsoft Perception」の提供を開始した。
- 米国では4営業日連続で、Microsoft、FAA、JPMorgan Chase、United、NSA、Appleなどで大規模障害が発生した。国家情報長官のJay Clayton氏はサイバー攻撃や国家による組織的行為を否定している。セキュリティ研究者は、AIが脆弱性発見を加速させ、各社がパッチ適用を急ぐ圧力が高まっていると指摘する。
- Citiが個人向け金融AIエージェントに待ったをかけ、AIエージェント利用中に被害に遭った顧客は自己責任とする銀行が増えている。エージェント普及と補償ルールの空白が表面化した。
- Metaの「Muse」が出力するランダムな銀行情報やビットコイン残高が社内で懸念を呼んでいる。Metaは、それらは実在の情報ではないと説明している。
- Googleは検索のAIモードに、検索履歴に残らず今後のおすすめにも影響しない「一時スレッド」を導入した。
- Google’s AI feature in Search gets its own incognito mode — TechCrunch AI
AIによる開発・研究の加速と自己改善
- OpenAIはAMDとの協業で、AMDの主力GPU IPにおいて5か月未満で最大14%のPPA改善を達成し、「約1年分の進歩」に相当すると述べた。変更はすでに量産向け設計に取り込まれている。Anthropicもチップ設計にAIを適用しているという。
- METRの報告では、AnthropicのAI研究開発の進捗速度は2025年10月以降ほぼ倍増し、その大半が自社AI活用によるとされる。ただし重要データは伏せられ、Anthropicが上場を控えている点にも注意が必要だと筆者は指摘する。
- Redwood Researchは、能力向上に使う計算量を制限して開発ペースを管理する案に向け、「capabilities activities」の標準的な定義を提案した。第三者監査による計算資源配分の報告も提案している。
- Opus 5.5ベースのエージェント「Horizon」は、7週間にわたり白紙のHugging Faceアカウントと計算資源を与えられ、600 GPU時間超を使って38モデルを自律作成した。100超のGitHubリポジトリで使われ、5万回超ダウンロードされた。APIの価格換算では約$1,030である。
- Horizon Labs Report — TLDR AI
- MIT CSAILの「Weight-Space Programming」は、LLMがニューラルネットの重みを直接読み書きする手法で、追試も相次ぐ。Claude Fable 5.2にMNIST分類器の重みを書かせた実験では、1990年代の手作り手法に似たものが生成された。GPT-6 Astraは重みから目的タスクを特定し、勾配降下なしで改善できたと報告されている。
- curlをRustに書き換える試みでは、エージェントが約3週間で18.5万行のCを34万行のRustに変換した。curl側のDaniel Stenberg氏は、その間に本家が300超のコミットと200超のバグ修正を重ねたと指摘し、AIが学習済みの文書化された既存コードだったから可能だったと冷静に評価している。1件は約$8,600かかったとされる。
- Actual curl rewrites in rust — TLDR
- Quoting Daniel Stenberg — Simon Willison
- Anthropicの「Claude Docs」は公開から6日で460万件超の文書が作られ、20億リクエストでサーバーエラーは60件、ロールバックなしだった。約50ポッドで稼働し、Claudeが2週間にわたり負荷試験と修正を行う「カオスループ」で堅牢化したという。
推論インフラ・データ基盤・エネルギー
- Cerebrasは、プロンプト処理(prefill)をAMD GPU、出力生成(decode)を自社のウェハースケールエンジンが担う分離型推論を本番投入した。同じ超高速を保ちつつ、1メガワットあたり5倍のトークンを出せるとする。700MWのデータセンター容量も計画している。
- 「オントロジー」はPalantir、Databricks、Snowflake、NVIDIAで中身が異なる。AIが書いたSQLが動いても「売上」の定義を取り違えれば意味がなく、業務上の意味を共有する仕組みとして注目される。
- Googleは、AndroidのAOSP向け仮想ファイルシステムとビルドキャッシュ「ABFS」をオープンソース化した。チェックアウトは約36分から8秒未満、フルビルドは約2分に短縮される。人間とエージェント双方の並列ワークスペース需要が背景にある。
- Googleは、岩石を蒸発させる掘削技術のQuaise Energyと、50MW・$5億超の電力契約を結んだ。オレゴン州の既存データセンターに電力を供給する。
- Trump大統領は、フィリピンでAI向けのチップ・データセンター拠点づくりを進めている。
- Trump’s latest land grab is an AI hub in the Philippines — The Verge AI
規制・訴訟・AI生成物の真正性
- 米上院司法委員会の小委員会は、オンライン被害に関する強制仲裁の廃止を求める公聴会を開いた。議員は2026年末までに、ディープフェイク作成者やユーザーの提訴を妨げるプラットフォームを対象とする保護策の成立を目指す。
- Tech lawsuits defined 2026 — and lawmakers want more — The Verge AI
- EU AI Actは2028年にかけて段階適用される。附属書IIIの高リスクAIの提供者は、2027年12月からアクセシビリティ要件(EN 301 549、WCAG 2.2)を満たす必要があり、AIとの対話をアクセシブルに通知する義務もある。
- Accessibility and the EU AI Act - TetraLogical — TLDR Design
- AI検出ツールPangramは、受賞したペルー人作家の小説の99%をAI生成と判定した。出版社Almadíaは独自調査のうえ受賞を支持している。Gallimardは原稿のスクリーニングにこのツールを使う予定だが、検出精度と運用の信頼性が問われる。
- Sam AltmanとGreg Brockmanは、AIが人間に代わって意思決定する未来への懸念に反論しつつ、高度なモデルを人間の管理下に置く難しさを認めた。
生成AIの体験・コンテンツ応用
- Google DeepMindは、最もリアルな世界モデルGenie 4をAI Ultra購読者向けに公開した。テキストでリアルタイムに変更できる3Dの対話型世界を生成し、初めて音声も内蔵する。世界の連結や、コミュニティギャラリーでのリミックスにも対応する。
- Will Wright氏の新作「MyMems」は、AIでユーザーの記憶からコンテンツを生成し、「シミュレーションを内向きにする」試みである。
- Disneyは、AmazonのAWSクラウドAIを使い、来場者と対話するスター・ウォーズのアニマトロニクス試作機を3体公開した。従来の定型動作や裏方の操演からの転換を示す。
- デザイン分野では、プロンプトから編集可能なモーションシーンを作るOpenMotionや、エージェント会話用UI部品集のAICSSが登場した。2027年のUXトレンドとして、エージェント型インターフェース、生成UI、ユーザーとしてのAIエージェントが挙げられている。デザイナーのApril Zhu氏は、AIを使いつつも趣味と判断は手放さないと語る。
- OpenMotion — Build launch videos from a prompt — TLDR Design
- AICSS · UI components for AI agents — TLDR Design
- UX trends for 2027: 7 shifts shaping the future of UX design — TLDR Design
- April Zhu on Taste, Judgment, and Designing with AI — TLDR Design
- Sam Altman氏は、Andrew Garfield氏が自身を演じる映画について「自分の人生の変なことトップ10にも入らない」と語った。
TLDRピックアップ(その他テック)
- UberとZiplineがテキサス州Springで、ドローンによるフード配達の商用サービスを開始した。最大約3.6kg(8ポンド)の荷物を、高度約300フィートで着陸せずテザーで降ろす。2029年末までに1日100万件の配達を目指す。
- 優れたエンジニアとして知られるには、コードを書くだけでなく、他の優れたエンジニアからの評価と人的ネットワークが重要だという論考。
- George Hotz氏は、AIの未来は誰にも分からず、期待できるのは公正な市場だけだと論じた。
- PentagramがAlpha Bankのアイデンティティを刷新した。古代アイギナ島の銀貨に由来するロゴを継承し、専用書体「Alpha Sans」を導入した。
- iPhone 20 Proのメインカメラに、17nmロジックプロセスで製造される新センサーが載るとのリーク。センサーサイズ拡大かどうかは不明。
- Monotypeは、承認済みブランドフォントをIllustrator、Photoshop、InDesign内で使える「Monotype Connect」パネルを公開した。
- デザインの意思決定を仮説として扱い、公開後に実際のユーザー行動と照合する6ステップのUXポストモーテム手法。
- Googleのシニアデザイナー Yi Xiang氏が、中国・カナダ・香港・米国での経験から、異文化への適応や率直なフィードバックの重要性を語る。
- 企業ダッシュボードが失敗する原因は見た目ではなく、指標定義の不一致や組織的な信頼の欠如といった社会的問題にある。
- デザイナーはエンジニアと文化的に異なるため、単純なUIを格段に良くする価値を即座に示せるというエッセイ。
- Working with designers — TLDR Design
- 一貫性だけではプロフェッショナルなアイコンセットにならず、明確な視点、抑制、丁寧な仕上げが必要だとする記事。
- What makes icons feel professional — TLDR Design
AI研究・論文
コーディングエージェントの「ハーネス」(モデルを動かす実行基盤)が、この日の研究・技術系ニュースの最大の焦点だった。Vercelのeve 1.0 GA、22ハーネス×5モデルの大規模評価FrontierHarness Eval v1.1、Claude CodeのCode Mode、論文DeltaHarnessが同時に出ており、モデルだけでなく実行基盤の設計がコストと成功率を大きく左右するという認識が広がっている。FrontierHarnessではモデルを固定してもハーネス間でタスク当たりコストが1.8〜5.0倍開いた。モデルを替えるならハーネスも見直すべきだ、という示唆が数字で裏付けられた。あわせて、RLで鍛えたエージェント検索・コーディング特化モデル、長文脈推論を安くするスパースアテンション、迎合性や拒否の副作用といったLLMの信頼性評価でも新しい成果が出ている。
エージェント・ハーネスの設計と評価が競争軸に
- Vercelはオープンソースの本番向けエージェントフレームワークeve 1.0を一般提供(GA)にした。6月のパブリックプレビュー以降に230以上のリリースを重ねている。モデル呼び出し、ツール実行、サブエージェントへの委譲を担うハーネスをユーザーが所有し、承認が必要な操作やデータ収集範囲を制御できる。Workflow SDKでクラッシュ後に最後の完了ステップから再開でき、マルチプレイヤーセッションやエージェント間呼び出しも備える。
- eve 1.0 の紹介 — TLDR AI
- FrontierHarness Eval v1.1(RUNTA、Baseten協力)は、22ハーネス×5モデル×62タスク×各4回、計27,280回の実行(約830億トークン)を比較した。v1.0の76倍の規模である。最良のコスト対成功率ハーネスはモデルごとに異なった。GLM-5.3はCodex CLI、GLM-5.3 FlashはPi、DeepSeek V4.1 Flash 1017はZCode、MuseはOh My Pi、Kimi-K3はAlmaだった。
- FrontierHarness Eval v1.1 の紹介 — RUNTA — TLDR AI
- コスト順位はモデル間で大きく入れ替わる。タスク当たりコストでは中央値のハーネスで22位中11位動き、Codex CLIはGLM-5.3で1位、Kimi-K3では16位になった。モデル固定でも最高額と最安のハーネスの差は1.8〜5.0倍で、ハーネス選びが運用コストに直結する。
- FrontierHarness Eval v1.1 の紹介 — RUNTA — TLDR AI
- 研究面では、DeltaHarnessが実行ガイド型のポリシー探索でハーネスを自己進化させる。同じタスクと資源条件でも、実行時の状況次第で有効な実行計画の遅延順序が逆転しうるため、コールドスタートの実測から適応させる設計である。
- DeltaHarness: リソース適応型ツール実行のための自己進化ハーネス — arXiv AI+ML+CL
- AnthropicはClaude Code v2.1.323に実験的な「Code Mode」を追加した。ClaudeがJavaScriptを書き、Bash、Read、EditのツールコールをJavaScriptで1ステップに連鎖させる。長いコマンドの実行中も会話を続けられ、往復回数とレイテンシの削減を狙う。
RLで鍛えたタスク特化モデルの台頭
- Hugging FaceがApache-2.0のLoRAアダプタQwen3.8-27B-pi-adaptedを公開した。piコーディングエージェント向けに強化学習で訓練されている。SWE-bench Pro hard-51のpass@1は39.2%→64.7%、Terminal-Bench 2.1は39.5%→55.8%に向上した。アダプタだけでハーネスへの適合度を大きく引き上げられる例であり、前節の「モデルとハーネスの相性」とも符合する。
- 新LoRAアダプタがQwen3.8のコーディング成功率を39%から65%へ — MarkTechPost
- SID AIは強化学習で訓練したエージェント検索モデルSID-2を公開した。単一エージェントで3.11秒でNDCG 0.585に達する。12エージェントのSID-2 SwarmはNDCG 0.720で、同社のベンチマークではGPT-6 Astraを上回る。並列エージェントによる精度向上が検索領域でも示された。ただし評価は自社ベンチマークである点に留意が必要だ。
- SID AI、SID-2エージェント検索モデルを公開 Swarmモードで0.720 NDCG — MarkTechPost
- Limite 1B - Violettoは数学推論に特化した10億パラメータのモデルである。数学中心のコーパス2,370億トークンでスクラッチ学習し、最大131kトークンの文脈長に対応する。訓練・推論コストを抑えつつ高スループットな推論を狙った設計だ。
- Limite 1B - Violetto: 技術レポート — arXiv AI+ML+CL
長文脈・推論の効率化
- NVIDIAはスパースアテンションの共同設計を解説した。クエリごとに参照するキーを少数に絞り、全キーのスコア計算はインデクサに移す。インデクサのヘッド次元は128または256が、Tensor Core利用率とデコード時のメモリ転送のバランスが良いとされる。FP16での累積も有効だ。
- Top-kをインデクサのカーネルに融合してロジットの書き出しと読み戻しをなくし、前回デコードステップの選択結果を推測として再利用すると、Top-kが2.1〜2.4倍速くなる。ブロック単位の選択でキーを一括取得し、複数クエリ間で共有する工夫もある。エージェントや大規模コードベースで文脈が数十万トークンに達する流れに対応する。
- Masked diffusionモデルの「トークン確定(commitment)」を、どのトークンを確定するかと一度に何個確定するかに分け、推論時の制御面として研究した。活性やロジットの操作が中心だった従来手法と異なり、サンプラの確定方針を操作対象にする。
- マスク拡散生成を操縦する制御面としてのトークン確定 — arXiv AI+ML+CL
- 視覚ネットワークの層別学習率スケーリングについて、倍率プロファイルから計算できる実効学習率で効果を要約できると示した。候補レシピを1つずつ学習して比較する従来の評価コストを下げうる。
- 視覚ネットワークにおける層別学習率スケーリング — arXiv AI+ML+CL
- AdaFlowLiteは、到着時刻がばらつくLiDARやカメラなどのモバイルセンサデータに対し、遅い入力を待つ遅延か、待たずに推論する精度低下かのトレードオフを扱う。非ブロッキング推論でスケーラブルに処理する枠組みである。
- AdaFlowLite: 非同期モバイルデータに対するスケーラブルな非ブロッキング推論 — arXiv AI+ML+CL
LLMの信頼性・安全性:迎合性、拒否、確信度
- 迎合性(sycophancy)を単なるユーザーへの同意ではなく「不適切な同意」と定義し直した研究が出た。主張や選好が妥当な場合の同意は適切であり、訂正や留保が必要な場面での同意だけを問題にする。妥当性を考慮した迎合性グレーダーとSycoDriftを導入し、選好データからパーソナライゼーションまでの経路を追跡している。
- 選好データからパーソナライゼーションへ:LLMの迎合性を追跡する — arXiv AI+ML+CL
- RAWは、本番運用されているLLMの拒否がユーザー離脱をどれだけ招くかを因果的に測る手法である。1日数億会話を扱う商用モデルでも、拒否のユーザー側コストは計測されてこなかった。フロンティアラボの製品ではA/Bテストが倫理面・運用面で難しく、第三者プラットフォームでは実施できないため、その代替となる。
- RAW: 本番LLMにおける拒否忌避の因果測定手法 — arXiv AI+ML+CL
- 確信度に基づくリサンプリング、大型モデルへのエスカレーション、棄権の制御について、「順位付け」「選択的予測」「修正効用」は互いに導かれないと整理した。修正効用は、回復した件数から害になった件数を引く形で厳密に分解でき、一貫性が修正を意味するとは限らないことを示す。
- 一貫性は修正ではない:LLMエージェントにおける確信度・棄権・回復の分離 — arXiv AI+ML+CL
- 金融センチメント分析では、Agent-driven Semantic Inversion(ASI)という攻撃枠組みが提案された。FinBERTなどはベンチマーク精度が高くても、微細な敵対的テキスト改変に脆弱で、自動売買やリスク評価の信頼性を損なうおそれがある。
- 金融センチメント分析における意味的不感性の評価 — arXiv AI+ML+CL
- Claude Opus 5.5を使い、夢は過学習を防ぐために経験を歪めるというオーバーフィット脳仮説を検証した。エージェントは学んだ内容を文章メモリに保存し、毎晩その日の会話記録から書き換える。LongMemEvalに基づく10日間の模擬会話で、記録の5・10・20・40%を破損させる設定を使った。
- LLMは夢を見るか?テキストメモリを持つエージェントで過学習脳仮説を検証 — arXiv AI+ML+CL
ドメイン特化ベンチマークと評価手法
- CrisisBenchは、危機相談AI向けのプライバシー保護型評価スイートである。単発・複数ターンの会話で、エスカレーション、リスク評価、デエスカレーションといった危機対応の中核を測る。実際の通話記録はプライバシー制約で使えないため、既存ベンチマークの空白を埋める。
- CrisisBench: 危機カウンセリングAIの評価スイート — arXiv AI+ML+CL
- NEBench R1は原子力工学向けの推論重視ベンチマークで、7,546問の択一式問題からなる。既存の原子力ドメインのベンチマークは範囲が限られるか、回答の正確性のみを見る。そこで推論の質まで体系的に評価する点が新しい。
- NEBench R1: LLMの原子力分野の能力を評価する推論ベンチマーク — arXiv AI+ML+CL
- MInfoVisQAは、インフォグラフィックなど情報量の多い画像に対するVQAを24言語で評価する並列ベンチマークである。128のシード事例から8,960のQA構成を作り、言語が変わっても理解が一貫するかを測る。
- MInfoVisQA: 情報量の多い視覚質問応答の多言語ベンチマーク — arXiv AI+ML+CL
- 文芸領域では、GrAImesフレームワークでLLM自身を評価者にする手法が提案された。スペイン語の人間作・AI生成マイクロフィクションを、文学の博士号を持つ教授5人と文学愛好家16人の評価と比較する。短編はスペイン語・英語の両方で検証している。
- Literary Language Mashup: 大規模言語モデルによるフィクションの選定 — arXiv AI+ML+CL
- FieldGuideは、ジャーナリストが大量の文書を探索するときのトークン消費と時間を抑えるため、文書群をトピック階層として整理するエージェント向けコーパスマップである。コーパス把握、範囲限定検索、制限付き読解のツールを公開する。
- FieldGuide: トークン効率の良いエージェント型文書探索のためのコーパスマップ — arXiv AI+ML+CL
生体信号・医療データへの応用とプライバシー
- Sleep2Wordは、呼吸、心電図(ECG)、光電容積脈波(PPG)といった末梢計測から、一晩分の脳波(EEG)スペクトログラムを推定する。時間構造の異なる信号を、継続時間を考慮した「生理学的な単語」に変換する方式である。EEGなしで取得した記録にもEEGに基づく睡眠解析を広げられる可能性がある。
- Sleep2Word: 継続時間を考慮した単語化による末梢信号からEEGへの変換 — arXiv AI+ML+CL
- TIBECGは、ECG波形の公開時に年齢や性別などの人口統計情報が漏れる問題に取り組む。時間的な情報ボトルネックを用いた手法で、2,302,337パラメータのプロセッサを使う。保護器の学習に年齢・性別ラベルは不要で、病院の12誘導記録から取り出した個別誘導を6,386件の記録で評価した。
- TIBECG: ECG波形公開における誘導別の人口統計プライバシーのための時間的情報ボトルネック — arXiv AI+ML+CL
TLDRピックアップ(その他テック)
- TLDRがAI開発者向けの招待制コミュニティを開始した。主要ニュースやローンチを議論し、優れたリンクやコメントはTLDR AIで紹介される。参加は3問の申込フォームから行う。
- TLDR Community — TLDR AI