FDE-Gymは、要件が曖昧で未提示の制約を発見する必要がある顧客向けの導入タスクでAIエージェントを評価するベンチマークである。18業界・20の顧客シナリオから集めた95件のエンドツーエンドのタスクを含み、7社の13構成を評価した結果、最良の構成でも平均スコアは0.56にとどまり、95件中14件しか解決（スコア0.8以上かつインシデントなし）できなかった。未提示の制約の発見が主なボトルネックであり、必要な情報をすべて得られた23件でも、0.8以上に達したのは10件だけだった。
MJev-Spatialは、空間推論タスクを単一パスの分類フレームワークに統合したマルチモーダル判断モデルで、Qwen3.5-4Bを基に学習されている。8つのテストモデルの中で総合スコア65.64%を達成し、12のベンチマークのうち7つで首位となった。未改変の自己回帰ベースモデルは12すべてで下回り、最速の自己回帰ベースラインより2.5倍、ベースモデルより5.6倍高速に動作する。
SpecAgentは、小型のWeakモデルが行動軌跡を下書きし、大型のStrongモデルが1回のprefillパスでその区間を審査して、Strongモデルのデコードの大部分をprefillに置き換えるツール利用エージェント向けの手法である。
Mosaicは、複数セッションにまたがるエージェント型強化学習の手法であり、BrowseCompでコンテキスト圧縮とサブエージェント分岐の両方において、ブロードキャストのベースラインを上回る。Qwen3.5-4BをReActスタイルのエージェントループで用い、REDSearcherの1,000件の深層検索タスクで学習した。平均セッション数も少ない。
AI at Meta@AIatMetaAIスコア5858
MITのNeil Thompsonらの研究によると、確率論、統計学理論、経済理論、高エネルギー理論、重力・宇宙論、量子物理学などの理論問題について、最良のAIモデルの正答率は2024年半ばの約2%から2026年半ばには約35%に上昇した。研究ではo1、o3、GPT-5からGPT-5.5までのOpenAIモデルを、学習データの締め切り後に発表された論文の問題で検証し、インターネット接続も遮断した。Thompsonは数年以内に多くの理論問題がAIによって大きく変わると見ている。
研究者は、AIベースのタンパク質設計ツールを使い、2種類のプロテアーゼの触媒コアだけを残して、それ以外の部分をすべて置き換えた酵素を作成した。この酵素は特定のタンパク質を半分に切断するよう調整でき、神経疾患に関連するタンパク質の切断で有効性が示された。
Google Researchは、Mountain Viewで開催したResearch@ 2026で、科学者や開発者向けのAI関連の10の取り組みを発表した。Google Earth AIは早期アクセスを拡大し、70超の地理空間ツールを基盤に、実験的なエージェント間APIなど3つの新しい利用方法を提供する。Deep Reviewは一般公開され、TimesFMとTabFMはGemini for businessへの統合を予定している。
AI安全企業White Circleは、DALL·E 3、Nano Banana 2、GPT-Image-2の安全フィルターを市販・公開のツールとAPI呼び出しだけで回避できる攻撃手法RISEを、プレプリントで報告した。人間の審査で露骨な画像と確認された割合は、DALL·E 3で約13%、Nano Banana 2で10%未満、GPT-Image-2で約3%だった。OpenAIとGoogleはArs Technicaのコメント要請に応じていない。
理化学研究所 革新知能統合研究センター（AIP）に属する研究者による76本の論文がNeurIPS 2026に採択された。NeurIPSメイントラックには30,709件の論文が投稿され、7,900件（25.7%）が採択された。NeurIPSは機械学習および人工知能分野における世界有数の国際会議の一つである。
研究チームは、事前学習済み音声エンコーダの言語選択的な隠れ状態次元を使い、音声から直接コードスイッチング（発話内で言語が切り替わる現象）を検出する軽量な手法を提案した。CS-FLEURSの14言語ペアで、Whisper-smallエンコーダは平均F1 0.798を達成し、CNNの0.776、単一言語識別用に学習したHuBERT線形ベースラインの0.751を上回った。結果は、事前学習済み音声エンコーダがCS発話の識別に必要な情報をすでに符号化していることを示唆している。
Appleの研究者らが、テキスト、画像とテキストの組、音声とテキストの組で事前学習した初の三モーダルMasked Diffusion Models（MDM）を提示し、その設計空間を体系的に分析した。予備モデルは3B規模・6.4Tトークンで、テキスト生成、T2I、T2Sの各タスクで強い結果を得たとしている。また、物理的なバッチサイズと論理的なバッチサイズを分離するSDEベースの再パラメータ化により、最適バッチサイズの調整を不要にしたと報告している。
Speculative Samplingは、自己回帰型動画生成を対話的に動かすための学習不要な手法である。双方向注意ウィンドウのMiniMax H3に適用すると、Self-Forcing型の自己回帰後学習を行わずに対話化でき、新しいユーザー入力から最初の応答フレームが表示されるまでのエンドツーエンド遅延は約1.4秒になる。モデルは一度に5秒分の動画を同時にサンプリングする。
RoTA-Benchは、2D観測から精密な3D回転制御へ変換するVision-language modelの能力を、対話型の3D-2D投影アライメント課題で評価するベンチマークである。GPT-5.6-Solの成功率は課題の17%にとどまり、学部生20人がテスト集合を4回完了した際の成功率100%と大きな差がある。モデルは人間に比べ、同じ状態で画像の重なりを改善しつつ姿勢のアライメントを悪化させる割合が高く（19.4%対10.9%）、操作履歴を除くと行動の96.8%が30度刻みの粗いステップになり、成功率も大きく低下する。
MAI-Gymは、モバイル、コンピュータ、Web環境にまたがるGUIエージェントの評価、データ収集、オンライン強化学習（RL）を一つにまとめたオープンなプラットフォームである。これを用いて訓練した9BのMAI-Gym-9Bは、10B未満のオープンGUIエージェントで最高水準とされ、MobileWorldで78.4%、OSWorld-Verifiedで76.2%を記録した。フレームワーク、スキル、模擬アプリ、2,000件の検証済みタスク、モデルのチェックポイントも公開されている。
BizBenchは、決済企業の実業務手順に基づき、長期間タスクを実行するエージェントの途中経過の実行妥当性を評価するマルチターン型ベンチマークである。フロンティアモデルでも目標の部分的な達成に比べて制約違反が多く、Claude Opus 5とGPT-6 Solの厳密な成功率はそれぞれ64.0%、61.3%にとどまる。Qwen3.8-27Bは目標達成率が42.0%だが厳密な成功率は32.7%に下がり、結果のみの評価では無効な実行が見えなくなることを示している。
多段階の世界状態予測を評価するベンチマーク「WorldCast」が提案された。8カテゴリ320件のケースで12モデルを評価した結果、GPT-Image-2.5 Systemは72.8点、Nano Banana Proは42.8点、最良のオープンソースモデルは20.1点だった。強力な生成モデルは基盤の言語モデルの能力も効果的に活用している。
CarryOnは、長期タスクを行うAIエージェントが、やり取りの履歴を繰り返し圧縮する代わりに、再利用可能なタスクの進捗から作業を再開できるようにするオブジェクト指向のコンテキストランタイムである。OSWorld 2.0とBrowseComp-Plusでは、性能がそれぞれ5.8ポイント、7.0ポイント向上した。同時に、総トークン使用量はそれぞれ51.9%、22.9%削減された。
研究では、データが限られる低リソース言語の事前学習において、高リソース言語のデータを混ぜる手法がハイパーパラメータ調整より大きく性能を改善すると示された。150Mから1.43Bパラメータの4規模で、アラビア語に英語データを混ぜた約1000回の事前学習を比較し、検証損失と下流タスク精度の両方で混合が優位となった。混合の効果は目的言語の固有データ2〜3倍分（検証損失）、2〜13倍分（下流タスク精度）に相当し、検証損失だけでは混合の価値が過小評価される。
モデルの重みを固定したまま、プロンプト、メモリ、ワークフロー、実行可能コンポーネントなどエージェントのソフトウェア基盤（ハーネス）をフィードバックに基づいて改訂する自己進化型の枠組みが提案された。採用された改訂は実行をまたいで保持され、進化的最適化による探索と、継続的PAC学習による信頼性の分析が行われる。期待汎化境界や、新しい独立した検証データを用いた高確率の採用規則などの理論結果が示され、コードと補足資料も更新され続けている。
Into the Unknownは、論文と研究方向を与えてAIエージェントに後続論文を書かせるベンチマークである。9つの先端エージェントが書いた135本の提出物のうち、全条件を満たしたものはなく、114本が整合性チェックに失敗した。コードとデータは公開されている。
Qwen@Alibaba_QwenAIスコア3434
ElorianとScale AIが、視覚シーンが暗示する情報の推論力を測るベンチマーク「Humanity's Sixth Sense」を公開した。人間のpass@1が93.1に対し、最高のGPT 6 Astraは53.6、GLM-5.3-flashは26.8、Kimi K3は25.5だった。ほかに、宇宙でのAIの優位性を論じたAI Frontiersの記事と、AIの研究センスを測るTasteValも取り上げている。
SELFCOMPACTは、モデル自身が文脈を圧縮するタイミングと方法を決めるエージェント用スキャフォールドである。圧縮ツールと、圧縮すべき時と抑制すべき時を定める軽量なルーブリックを組み合わせ、ファインチューニングなしで適応的な圧縮を実現する。6つのベンチマーク（競技数学とエージェント型検索）と7モデルでの評価では、固定間隔の要約と同等以上の性能を、より少ないトークンコストで達成した。数学では要約なしのベースラインに対して最大18.1ポイント、エージェント型検索では5～9ポイント上回り、1問あたりのコストは30～70%低い。
機械翻訳（MT）の品質評価において、LLMと人間アノテーターの一致度を、MQMとESAの2つの評価方式で検証した研究である。70言語ペアの長文テストセットとWMT23・WMT25データを用いた結果、LLMの一致度が人間同士を上回る場合もあったが、多くの設定では両者とも信頼性が不十分だった。人間は細粒度のMQMや低リソース言語ペアで、LLMは軽微な誤りやエラースパンアノテーションで課題を抱えることも示された。
Sakana AI@SakanaAILabsAIスコア5151
Sakana AIは、1つの共有モデルが仮想サブエージェントのチームでタスクを解き、最良のチームの実行結果で自らを学習し直す手法Multi-Agent Self-Supervision（MASS）を示した。27Bのオープンウェイトモデルで2サイクル実施した結果、4つの研究ベンチマークで出力トークンあたりのスコアがベースモデルの1.2〜1.6倍に達した。同種モデル同士の再帰的自己改善では盲点が共有される恐れがあり、AIの安全性のため慎重な検証が必要としている。
BridgeWAMは、World Action Models（WAMs）における映像エキスパートと行動エキスパートを、32個のLatent Bridge Queries（LBQs）を介して分離し、行動予測の効率と汎化性能を高める手法である。
Sakana AI@SakanaAILabsAIスコア4242
OpenMobile-2は、モバイルエージェントの環境、データ、ベンチマーク、モデルをすべてオープンソースで公開した。MobileGym++は人間とコーディングエージェントの協働で構築した35の商用スタイルアプリを含み、エミュレーター型アプリと合わせて110以上のアプリを提供する。GUI操作とアプリネイティブツールの呼び出しを組み合わせる設定を提案し、実機のモバイルタスクでほぼ2倍の性能を達成した。
Appleの研究チームが、拡散モデルの各逆ステップを厳密な尤度で学習できる条件付きNormalizing Flowとして表現するNormalizing Trajectory Models（NTM）を提案した。自己蒸留により、4ステップで高品質なサンプルを生成できる。テキストから画像へのベンチマークでは、強力な画像生成ベースラインと同等以上の性能を、4ステップの生成だけで示したとされる。
知的財産法の弁護士133人を対象に、未公開のGoogle Labs製AI特許作成支援ツールを3か月使わせる実地実験を行い、NBERから論文を公開した。AI利用で起草スコアは10日後に0.34SD、90日後に0.38SD向上したが、AIなしの添削課題で改善が見られたのはシニア弁護士だけで、ジュニアには明確な改善がなかった。
OpenAIは未公開の内部モデルが生成した722本の数学論文をGitHubで公開した。約4,000の研究問題を評価対象とし、1結果あたり平均約3時間のChatGPT Pro相当の推論計算を使ったという。同日にはMistral Large 4のAPI提供開始やEmbeddingGemma 2の公開もあった。
LiveMACEBenchは、ライブの金融市場で永続型LLMエージェントを評価する、決定トレースを用いたプロセス重視のベンチマークである。5つのフロンティアLLMを30日間評価した結果、実現リターンが能力別の測定値と乖離する「成果と能力のギャップ」が見られた。決定トレースに基づく診断では、能力ごとに異なるボトルネックが示された。
Google Researchは、Google Earth AIの人口動態基盤モデル（PDFM）が生成する場所の埋め込み表現を、5つの公衆衛生課題で評価した。PDFMは検索傾向、人の移動、建物の密度、気象・大気質などを統合した埋め込みであり、タスク固有のファインチューニングなしに既存の入力と同等以上の結果を示した。米国・カナダ国境の146郡ではMMRワクチン接種の説明分散が相対で36%向上し、コレラ発生予測では4週先のAUPRCが9.7%改善した。
OpenAIは、社内のフロンティアモデルによる数学の未解決問題に関する新たな成果を公表した。Leanによる証明の形式化と研究の詳細はGitHubで共有している。
Google Researchは、50名超の学術・産業界の専門家と共同でまとめたワークショップ報告書「Open and Emergent Problems in Agentic Privacy and Security: A Contextual Angle」を公表した。
経営幹部300人への調査によると、エージェント型AIプロジェクトのうち本番稼働に至るのは平均34%にとどまり、ナレッジとコンテキストの不足が主因の一つである。本番稼働が進む先行組織では、パイロットを超えて進むプロジェクトが平均61%で、特にセマンティックなナレッジが強い。データの断片化を課題に挙げた回答は55%で、投資先としてはRAGやナレッジグラフなどが優先される。
MicrosoftとHugging Faceは、AIエージェントが残すバックエンド状態と副作用で採点するベンチマークThinkingBoxを公開した。507の業務ワークフローを各20回実行し、Claude Opus 5.5がpass@1で67.16%と最上位だった。OpenEnv経由で自分のモデルを評価することもできる。
選定理由：最終応答ではなくDB状態で採点し、20回反復の一貫性とコストまで数値で比較しており、エージェント評価の設計を考える際の材料になる。
Googleは、Trusted Execution Environments（TEE）を活用した次世代の連合学習（FL）システムを発表した。データ匿名化の保証を、第三者が検証・監査できる形で提供する。Gboardはすでに新システムを採用しており、従来のFLシステムより計算時間が大幅に短縮されたという。各デバイスが事前に承認するアクセスポリシーはRekorという公開トランスペアレンシーログに掲載され、外部の監査者が追跡できる。