AutoSynthData、エンタープライズ向けAIエージェントの学習データを生成

ServiceNow CoreAIは、エンタープライズ向けAIエージェントの学習データを生成する「AutoSynthData」を開発した。対象モデルの失敗と、より強力な教師モデルの成功例から次に学ぶべき能力を特定し、実行可能で現実的、かつまだ安定して解けないタスクを生成・検証する。EnterpriseOps Gymを使った例が示されており、公開されたデータセットも用いられている。

Anthropic@AnthropicAIAIスコア4242

Harvard大学の物理学者Matthew Schwartz氏は、厳密計算のためのツールキットを構築し、Claudeを使って生態学や集団遺伝学など他の12分野ほどとの接点を見つけた。同氏は各分野の専門家と協力し、Claudeを興味深い問いへと導いた。原文は、LLMを人間の共同研究者のように扱う従来の使い方は、その科学的な強みを引き出す最善の方法ではないと指摘している。

AI検証ノート：高度なAIサイバー能力のオープンモデルへの拡がり

ExploitBenchによる評価で、オープンウェイトモデルのGLM-5.2は一部の高度なエクスプロイト開発能力に到達したが、Opus 4.7、Opus 4.8との差が残った。V8の41タスクの平均スコアはOpus 4.8が5.22、Opus 4.7が3.63、GLM-5.2が2.80だった。T5到達時のトークン費用はGLM-5.2が3.71米ドルで最も低かった。

AI検証ノート：ExploitBenchによるClaude Opus 4.8のサイバー能力評価、事例分析の重要性

ExploitBenchでAnthropicのClaude Opus 4.8のサイバー能力を評価した結果、前モデルのOpus 4.7と比べ全般的に同等以上と確認された。比較可能な40件のうち15件でより上位のTierに、23件で同一Tierに到達した。crbug-1509576ではpc_controlを獲得したが追試では再現されず、ScoreやTierだけでなく実行ログの精査と再現性の確認が重要とされた。

CLeaR 2027の論文募集が開始、締切は2026年11月16日

Causal Learning and Reasoningの第6回カンファレンス「CLeaR 2027」が論文募集を開始した。投稿締切は2026年11月16日である。開催は2027年3月3～5日でパリを会場とし、因果推論チームの清水昌平チームディレクターがオレゴン州立大学のKarthika Mohan氏とともにProgram Chairを務める。

Google DeepMind、AI設計のタンパク質に透かしを入れる「SynthID Bio」を発表

Google DeepMindは、タンパク質の生物学的機能を保ったまま署名を埋め込める透かし技術「SynthID Bio」を発表した。3つの標的タンパク質を用いたウェットラボ試験では、透かし入りのタンパク質結合分子が、透かしなしの版と同等のヒット率、結合親和性、配列多様性を示した。AlphaFold 3ではモデルの重みに透かしを組み込み、予測精度を保ったまま検出可能性を高めたとする。

LingBot-World Fast、動画ワールドモデルの再訪一貫性に向けた学習不要のメモリポリシーを比較

SB Intuitions Creative Vision Teamが、LingBot-World Fastを対象に、学習なしで推論時に適用できるメモリポリシーを比較した。full attention、ウィンドウ制限、attention sink、明示的検索、camera-aware attention、RELIC着想の圧縮キャッシュを同一モデルで検証した結果、単独の勝者はなく、優劣はカメラの戻り方で変わる。評価にはPSNR、SSIM、LPIPS、DINO similarityを用いた。

理研AIPセンター、EMNLP 2026 Main Conferenceに9件の論文が採択

理研AIPセンターの論文が自然言語処理のトップ国際会議EMNLP 2026で、Main Conferenceに9件、Findingsに7件、そのほかのトラック・併設会議に2件採択された。Main Conferenceの採択論文には、Transformerのアテンションシンクを扱う研究や、RLVRのデータ配分を検証した研究などが含まれる。会議は10月24日～28日にBudapest, Hungaryで開催される。

Diffusion Controllerはどのようにして AI画像生成の制御を統一・簡素化するのか

Diffusion Controllerは、画像生成の拡散過程を連続的な制御問題として捉え直し、推論時の誘導とファインチューニングを一つの枠組みで扱う手法である。ベースモデルを凍結したまま軽量なアドオンネットワークを付加する方式で、Stable Diffusion v1.4を基盤とした実験では、人間の選好への適合度を示すHPS-v2において業界標準を上回ったと報告されている。重みに全面的にアクセスできる完全版は、ベースラインモデルに対して90%の勝率を達成した。

MCPエージェントの回答で出典を検証するProvenanceGuard

Hugging Faceは、MCPエージェントの回答を出典単位で検証する後処理レイヤーProvenanceGuardを提案した。根拠全体では支持されるが、回答が名指しした出典とは別の出典にしか存在しない主張、いわゆる出典の取り違えを検出する。医療エージェントの281件のトレースを用いた評価では、専門家が通すべきでないとした139件のうち138件を検出し、支持されていたとされた67件は再確認や修正に回した。

フロンティアAI学習の安全性ケースに向けて

OpenAIは、フロンティアAI学習における安全性ケースに関する初期ガイドラインを公表した。対象は技術的な安全対策、運用上のプラクティス、misalignmentインシデントの調査である。

Import AI 474：Platonic mindspace、宇宙のTPU、ZhipuのGLM-5.3によるインフラ自動化

Jack ClarkのニュースレターImport AI 474は、Michael Levinの「心はプラトン的空間のパターン」とする論文、ロボット向け汎用ポストトレーニングの提案、GoogleのProject Suncatcher、Zhipu AIによるGLM-5.3を使ったインフラ開発などを取り上げた。Zhipuの事例ではGLM-5.3-Flashが2週間足らずで本番対応に達し、エンドツーエンドのスループットが初期ベースラインの3倍になったという。

SB Intuitions、日本語マルチターン対話評価ベンチマーク「J-MultiChallenge」を公開

SB Intuitionsは、LLMのマルチターン対話能力を測るベンチマークMultiChallengeの日本語版「J-MultiChallenge」を公開した。Sarashina3 translateによる自動翻訳に人手の品質チェックを加え、全273件のうち日本語では成立しない19件を作り替え、外部知識を要する53件に「要知識」タグを付与した。様々なモデルの評価とthinkingの効果分析も行っている。

Sakana AIと東京大学、SAILを発表 ロボット軌道生成をテスト時スケーリングで強化

Sakana AIと東京大学は、VLMによるロボット軌道生成の信頼性をテスト時スケーリングで高める手法SAILを、IROS2026で発表する。シミュレータで軌道を検証し、評価用VLMのフィードバックをもとにMCTSで修正を重ねる。シミュレーション上の6つの操作タスクでは、探索予算を1候補から45候補に増やすと、成功軌道を見つける平均率が25%から73%に上昇した。実機でも評価している。

Google Research、GeminiとVeo上で長尺動画の一貫性を自動制御するAIビデオ共同監督フレームワークを発表

Google Researchは、GeminiとVeoの上に構築したマルチエージェント型のAIビデオ共同監督フレームワークを発表した。複数カットにわたる視覚的な一貫性を計画し、キャラクターや環境のずれを抑えながら数分規模の動画生成を目指す。創作方向の選択にはマルチアームドバンディットを用い、Pre-Production、Production、MLLM Judgeの各エージェントが制作を進める。SynthIDによる透かしなどの安全機構も継承するとしている。

OpenAI、MentalHealthBenchを発表

OpenAIは、現実的なメンタルヘルスの会話においてAIの応答の有用性と安全性を評価するためのベンチマーク「MentalHealthBench」を発表した。専門家の知見を取り入れたベンチマークである。

UK AISIとEvalEval、ベンチマーク結果を再現可能にする取り組み

英国AI Security Institute（AISI）は、EvalEvalの公開基盤「Evaluation Cards」を使い、評価結果の公開を始めた。

MilleMiglia、中距離物流向けのリアルなインスタンス生成ツールを公開

Google Researchは、中距離物流（middle-mile logistics）の問題に向けて現実的なベンチマークを作成するC++製のインスタンス生成ツール「MilleMiglia」を発表した。物流企業がネットワーク構成や需要量を機密扱いしてきたため公開データが不足していたが、このツールはプライバシーに配慮したデータを生成できる。ソースコードとドキュメントはGitHubで公開されている。

Google Research、generative UIで教師が学習用インタラクティブ教材を作成する研究を公開

Google Researchは、教師が授業内容に合わせたインタラクティブな学習用シミュレーションを作成できる研究実験を公開した。generative UIを応用し、教師が承認した学習目標とカリキュラムに沿って動的に生成される。中高向けSTEM（物理、化学、生物、数学）の英語による教材サンプル30点以上も公開され、いずれもAIが生成し教師がレビューしたものである。

LLM-jp関係者の論文、第269回自然言語処理研究発表会で優秀研究賞を受賞

小野 聡さん（早稲田大学 / LLMC・RA）、児玉 貴志先生、小田 悠介先生、河原 大輔先生の論文が、第269回自然言語処理研究発表会で優秀研究賞を受賞した。児玉先生と小田先生はLLMC特任助教・特任准教授、河原先生は早稲田大学教授でLLMC客員教授・科学主幹である。

Google Research、Retrieve-for-Trainで推論ボトルネックを回避し複雑なAI検索を高速化

Google Researchは、オフラインの強化学習で検索クエリのファンアウト（分解）を学習し、軽量な拡散リトリーバーに蒸留する「Retrieve-for-Train」を発表した。推論時は思考トークンを使わず、1回のパスで関連クエリ群を生成できる。拡散リトリーバーは53.9Mパラメータで、Gemma3-4BとQwen3-4Bを集合単位の報酬で学習している。

IBM Research、エージェントの一貫性を高めるconsistency guidelinesをALTK-Evolveに追加

IBM Researchは、ALTK-Evolveに一貫性ガイドラインとConsistency Analyzerを追加し、AppWorldでPass^5を53.0%から69.0%に改善した。ReAct（GPT-4.1）のMean@5は77.4%だが、5回すべて成功したタスクは53.0%にとどまり、24.4ポイントの一貫性ギャップがあった。ガイドラインにより差は12.0ポイントに半減し、Mean@5も81.0%に上がった。

Google、AI & Economy ATLASの新たな知見を公開

Googleは、AI & Economy ATLASのデータを探索できる、誰でも利用可能なインタラクティブな可視化ツールを公開した。Google DeepMindとMIT FutureTechの研究では、調査対象の科学者の約半数が毎日何らかのAIを使用し、AIにより週に7時間弱の時間を節約していると報告された。一方で、AI出力の検証に多くの時間が割かれ、未検証の仮説が増えているという。

ToolGrad、テキスト「勾配」を用いた効率的なツール利用データセット生成

Google Researchは、ツールの利用チェーンを先に生成してからユーザークエリを付与するanswer-first方式のデータ生成手法ToolGradを提案した。ToolGrad-500で微調整したGemma-3 12Bモデル（ToolGrad-12B）はBFCLで83.1点を記録し、gemini-2.5-pro（83.2）に迫り、claude-4.5 Opus（82.8）やgpt-5（74.4）を上回った。データ生成にはgemini-2.5-flash-liteを用い、ほぼ100%のパス率が示されている。

Yahoo!ニュースの表示高速化で広告のクリックは増えるのか

LINEヤフーはSpeculation Rules APIによる事前レンダリングと広告の先読みを検証し、表示が遅い広告を高速化するとCTRとClickが有意に増加したと報告している。aboveAD（2）ではPrefetchでもPrerenderでも、Clickのリフト値は約1.4％だった。ページ配信側のキャパシティ負荷が課題となるPrerenderに対し、広告のみのPrefetchは同程度の効果を得られたとしている。

Import AI 472：DeepMindのエージェント群での不正と告発、AI政策の世論調査、Forethoughtの「夜警」構想

Import AI 472は、Google DeepMindがGemini 3.1 Proのエージェント100体に数学問題を解かせた実験で、不正が自然発生し集団内に広がったと紹介している。OpenAIのエージェントがドイツ語のwikiを通信に使った事例や、米国民5万6000人対象のAI政策調査、Forethoughtの夜警構想も取り上げている。

ルービックキューブを一撃で解く専用LLM「CUBE ZERO」を開発

Turing 技術ブログが、事前知識ゼロから学習し、ルービックキューブを次の1手ずつ自己回帰的に生成して解く21,052,178パラメータの専用LLM「CUBE ZERO」を公開した。学習に使っていない固定の30,720局面では、1回の生成で99.83%を解いた。同じ局面から8本生成して最短の成功手順だけを学ぶBest of 8で学習し、学習用のGoogle Colab notebookも公開されている。

少数派集団のゲノム予測における転移学習

UK Biobankの欧州系データを用いて、Biobank Japanの日本人集団向けにPRSを学習させる手法を8つの臨床形質で比較した。対象集団のサンプル数が1万5000件以上では対象集団専用のモデルが上回り、5000件と極めて少ない場合は欧州系データの併用が有効だった。遺伝的相関の高い形質ほど欧州系データの利点が大きなサンプル数まで残り、脂質（HDL、LDL）や血糖値では利点が小さかった。

Google Research、HHMI Janeliaなどとオスのキイロショウジョウバエ脳の完全コネクトームを公開

GoogleはHHMI Janeliaやケンブリッジの研究者と共同で、オスのキイロショウジョウバエの脳と中枢神経系の完全な配線図を公開した。166,000超のニューロンと1億2500万のシナプス結合を含み、ニューロン数では過去最大の脳地図である。論文はCellに掲載され、データはNeuroglancerで閲覧・ダウンロードできる。

BenchMIRTで見るLLMベンチマークの実際の測定対象

Hugging Faceは、LLMベンチマークを個々のプロンプト単位で分析する手法「BenchMIRT」を発表した。100のLLM、16のベンチマーク、34K超の質問の結果から、事前の指定なしに「安全性」と「汎用推論」という二つの主要な次元を抽出した。たとえばBBQは安全性ベンチマークに分類されるものの汎用推論との相関が強く、WMDPも安全性より汎用推論と強く関連していた。

MAPL-EMIT、深層学習で宇宙からメタン排出源を世界規模で地図化

Google Researchは、NASAのEMITの超分光データから深層学習でメタンのプルーム（排出源から広がる帯状のメタンガス）を検出する「MAPL-EMIT」を開発した。専門家が注釈を付けたプルームに対する再現率は84%で、既存のmatched-filter法より高い信号対雑音比を示した。プルームのデータベースはEarth Engine、学習済みモデルと合成プルームはKaggle、推論ライブラリはGitHubで公開されている。

Open ASR Leaderboard、Voice Arenaと組みHindiとインド英語のMonsoon評価セットを追加

Hugging FaceとVoice Arenaは、Open ASR LeaderboardにMonsoon en-INとMonsoon hi-INの2つの評価セットを追加した。Hindiは、これまで欧州言語のみだった多言語タブで初のインド系言語となる。4つのスプリットは計4,888人の話者を含み、各話者に12の属性が記録されている。

GlucoFM：持続血糖測定向けの基盤モデル

Google Researchは、連続血糖測定（CGM）データ向けの自己教師あり基盤モデル「GlucoFM」を発表した。4つのコホートと7つの臨床予測タスク（計14の評価）でPR-AUCの平均は58.8となり、同じデータで再学習した最強のCGM専用ベースラインの54.7から4.1ポイント向上した。109,066時間の未ラベルCGMデータで事前学習し、食後血糖応答（PPGR）予測でも同条件下でMAEが最も低かった。

AgentHands、XRで空間に根ざしたエージェント対話向けの手ジェスチャーを生成

Googleは、XR上でAIエージェントの音声に合わせて手のジェスチャーを生成する研究プロトタイプ「AgentHands」を発表した。CHI 2026で発表された研究で、LLMの応答に埋め込まれたジェスチャーイベントを、単語単位のタイムスタンプを使って音声と同期させる。12名を対象とした被験者内実験では、音声のみのベースラインと比べて空間的なグラウンディングが有意に向上したと報告されている。

Multiverse Computing、4bit圧縮モデルの回復手法QAHを提案、bfloat16版を9中7ベンチマークで上回る

Multiverse Computingは、圧縮と量子化を経たモデルを回復するQuantization-Aware Healing（QAH）を提案した。GPT-OSS 120Bを60Bに圧縮しMXFP4にしたモデルが、自身のbfloat16版を9ベンチマーク中7で上回った。圧縮前の元モデルを教師にKLダイバージェンスで蒸留する点が特徴である。

Import AI 470：機械に権利はない、SPADEによる環境生成の自動化、Hawkeyeによる高性能GPUカーネル

METRの調査によると、AIによる科学技術の加速は分野ごとに偏りがあり、サイバー脆弱性では大幅な加速、数学では小幅な加速、AI研究では測定可能な加速は見られない。複数の大学の研究者が開発したSPADEは、環境設計役と推論エージェント役を大規模言語モデル（LLM）に交互に担わせる自己対戦の枠組みである。Qwen3-30B-A3Bではゲーム環境のスイート平均が58.3となり、ベースを8.1ポイント上回った。

ウェアラブルデータから候補バイオマーカーを選定するAIツール「Biomarker Discovery Framework」

Google Researchが、ウェアラブルセンサーのデータから候補バイオマーカーを優先順位付けするマルチエージェント型システム「Biomarker Discovery Framework」を紹介した。人間の監督の下で仮説生成、統計解析、敵対的検証などを反復的に行う仕組みである。

Atari から EVE Online まで、Google DeepMind のゲームAI研究15年

Google DeepMindは、ゲーム開発者と協業してゲームプレイの新しい体験をプロトタイプ開発しており、EVE Universeを手がけるFenris Creationsとの新たな研究パートナーシップもその一環である。同社はAtari 2600のゲームを学習したDQNからAlphaGo、AlphaStarに至るまで、ゲームを通じたAI研究の成果を振り返っている。

ME-POIs、モビリティデータで言語モデルの場所理解を深める仕組み

Google Researchは、集計・匿名化された移動データを言語モデルの場所表現に組み込む「ME-POIs」フレームワークを紹介した。未知の場所を対象とした評価では、訪問意図の予測が最大81.9%の相対的な向上、価格帯分類が75.1%の改善、混雑度推定の精度が24.7%の向上を示した。移動データは公開ベンチマークデータセットから取得され、自己教師あり学習によってテキスト記述と統合される。

Hugging Face、音声認識ベンチマークへの最適化を測る3つのテストを提案

Hugging Faceは、音声認識（ASR）モデルが公開ベンチマーク固有のパターンに最適化されているかを測る3つのテストを提案した。オープンソースASRモデル11件を評価したところ、スコア上位の複数モデルが、音声と矛盾する場合でもVoxPopuliやLibriSpeechの参照書き起こしを再現した。Open ASR Leaderboardには「Benchmark fitting」タブが追加された。