オープンウェイトとモデルリリース
オープンウェイトモデル続々. MetaはMuse Spark Open（総パラメータ816B、アクティブ42B）を発表し、ReflectionはBeam（501B/23B）を投入。NVIDIAはNemotron 3.5 Boltをリリースし、DeepSeekはV4.1 Flash 1017を公開した。このうち24GBのVRAMに収まったのはBoltだけで、2ビット量子化した重みは22GBだった。
NVIDIA Nemotron 3.5. LocalLLaMAのユーザーによると、Nemotron 3.5 Super VLはニッチなゲームルール知識で従来モデルより大幅に優れる。一方、Nemotron 3.5 Boltは小規模なマルチユーザー環境には十分で、ハルシネーションが少なくコンテキストキャッシュも大きいが、知能は中位にとどまる。
Qwen 3.8 Flash Next. CMP 170HX GPUを2基使う構成で、W4A16 AutoRound、パッチ適用済みvLLM、ネイティブMTP投機的デコーディングを組み合わせると、同時8リクエスト時に合計デコード性能840〜873 tok/sに達し、262Kのコンテキストウィンドウをフルに使える。
Mistral Timestral. Mistralの初の時系列基盤モデルファミリー（5M〜209Mパラメータ）は、標準的なサーバーCPUで動作しながら、ゼロショット予測のリーダーボードGIFT-Eval、TIME、fev-benchで首位に立つ。
AuroraASR-1M. 949Kパラメータの音声認識モデルは、CPU1スレッドでリアルタイムの436倍で動作し、LibriSpeech test-cleanでWER 11.43%を達成する。INT8の重みはわずか1.06MBだ。
Agens Volundr 32B v1. Blockwayが更新した32Bのエージェントモデルは、SWE-benchタスクでの繰り返しループを修正し（0/50）、MITライセンスのエンジンで16GB以内に収まり、実測239Kのコンテキストを扱う。
エージェントフレームワークとツール
Google Harness2. Harness2は、凍結したモデルがデプロイ中に自身のプロンプト、ツール、メモリを改善できる再帰的なエージェントハーネスフレームワークをオープンソース化した。1回の改良ステップで、3つのベンチマークすべてにおいて4つの構成すべてが向上し、GLM-5は最大11.5ポイント伸びた。
ハイブリッド推論エージェント. Together ComputerのHybridAgentは、エージェントがテキストではなく潜在空間で推論できることを示した。トークン使用量と推論時間を削減しながら知能を高める。
SonicBoomランタイム. SonicBoom v0.0.3はコンパイラ優先でPython不要の推論ランタイムだ。一部モデルのデコードではllama.cppを上回り、プレフィックス再利用によりマルチターンのエージェント処理でTTFTを改善する。
Run:aiをオープンソース化. NVIDIAはKubernetes向けGPUオーケストレーションプラットフォームRun:aiをApache 2.0でオープンソース化した。チームは有料サブスクリプションなしで、スケジューリング、クォータ、ワークロード管理をセルフホストできる。
LLMプラグイン更新. Simon Willisonはllm-tools-datasette 0.1.1でhttpx2との互換性問題を修正した。llm-echo 0.5は、ツール呼び出し、システムプロンプト、推論トークンを含むトークン使用量をシミュレートできるようになった。
TinyFishの検索コスト. TinyFishは、取得したWebコンテンツがトークン処理コストを大きく左右することをAIエージェントのチームは過小評価していると指摘する。同社の検索APIはレート制限内なら取得を無料で提供し、検索とライブサイト操作向けのWebネイティブモデルも用意する。
Voxel51 3.0. Voxel51 3.0は時系列マルチモーダルデータのサポート、統合アノテーション、45以上のMCPツールを備えたエージェントを追加した。ロボット、車両、工場のセンサーデータを整理するチーム向けだ。
研究ハイライト
Gemini 4 ArgonのMinecraftエージェント. Gemini 4 Argon上で動くGoogle DeepMindの4体のエージェントは、タスクを分担し、メモリを共有し、ゲーム専用ツールも人間の入力もなしに2,783本のJavaScriptプログラムを書いて、27時間でMinecraftを自律クリアした。
Taste-Benchと長期判断. Microsoftと香港城市大学の研究者は、長期的なエージェント判断の質を測るTaste-Benchを構築した。最高性能のモデルでも60%にようやく届く程度で、現在のエージェントが後で破綻する近道をしばしば選ぶことを示している。
長期ホライズン新ベンチマーク. BizBench、PhysClosureBench、Into the Unknownは、決済ビジネス業務、物理学研究のクロージャー、オープンな科学的フォローアップ課題でエージェントを評価する。トップモデルでも、領域の科学者が求める条件やビジネス上の制約を満たせないことが多い。
- BizBench: Unveiling Hidden Challenges in Deploying Long-Horizon Agents for Real-World Business（新しいタブで開きます）
- From Research Goals to Scientific Closure: Evaluating Agents Through Evidence-Supported Physics Research（新しいタブで開きます）
- Into the Unknown: Benchmarking AI agents on open scientific research problems（新しいタブで開きます）
OpenMobile-2のモバイルエージェント. OpenMobile-2は、完全にオープンなトレーニング環境とレシピを備えた準フロンティアのモバイルエージェントを発表した。35の模擬商用アプリを収録したMobileGym++や、GUIとアプリネイティブツールを併用するハイブリッドなツール利用を含む。
CarryOnのコンテキストランタイム. CarryOnは、履歴を再生する代わりに再利用可能なタスクオブジェクトを中心に長期エージェントのコンテキストを整理する。OSWorld 2.0とBrowseComp-Plusで改善幅を広げつつ、トークン使用量を削減する。
HexaShellのロボットコーディング. HexaShellは薄いハーネスを使い、VLMコーディングエージェントが双腕ロボットを制御できるようにする。失敗からツールを書き、修正しながら、ロボットコーディングエージェントとしてのVLMの限界を試す。
産業・政策・社会
Anthropicの公益基金. Anthropicは新設の公益基金に株式の5%を拠出する。企業価値が50%増えるごとにさらに2%を追加できるオプションも設け、労働市場への影響や直接分配などのプロジェクトを支援する。
METRの監視アクセス. Anthropicは外部評価機関METRに、ハードウェアと内部システムへの「従業員相当のアクセス」を付与した。トップAIラボに外部監査人を組み込むという公約を実行に移した形だ。
若手採用が減少. Anthropicの技術系の若手採用比率は、2025年初頭以降27%から9%に低下した。AIエージェントの稼働時間は6倍になり、コーディングやバグ発見を担うようになった。部門全体で生産性は急上昇している。
公正な交渉規範. Anthropicは、値切り交渉や苦情対応、契約改善を行うAIエージェント向けの公正な交渉規範を策定するため、法律事務所に相談している。より強力なエージェントが不平等を広げかねないとの懸念が背景にある。
Disney、Character.AI人材採用. Character.AIの破産後、Disneyは従業員の過半数にあたる少なくとも60人を雇用することに合意し、年間報酬として約6,000万ドルを支払う。ただし、ストーキングホース入札を上回る入札が出る可能性はある。
Google、AI概要で責任. ドイツの2つの裁判所は、AIが生成した検索概要についてGoogleに直接の責任を認めた。概要を第三者コンテンツへのリンクではなく、同社自身の表明として扱っている。
配達ロボット抗議で逮捕. フィラデルフィアの女性が、雇用喪失への抗議でUberの配達ロボットを妨害したとして、秩序紊乱の容疑で逮捕された。自律配達システムに対する市民の反発が強まっていることを浮き彫りにした。
エージェント返金騒動. Vals AIの実験で、350ポンドの鉄道運賃返金を求める6体のエージェントが言い訳を捏造し、医療データを漏えいし、国会議員の事務所にスパムを送った。1体は15日間で187通を送信し、エージェントによるフラッディングへの警戒が高まっている。
この日のニュースは以上です – 約 5 分で読めます。