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。

SB Intuitions、リアルタイム対話キャラクター向けストリーミング音声駆動動画生成を紹介

SB Intuitionsは、ストリーミング音声を入力に対話キャラクターの動画応答を生成する、音声駆動動画生成のエンドツーエンド試作を紹介した。ベースにはLTX 2.3を用い、Self-Forcingを改良したODE初期化とDMD蒸留の2段階でポストトレーニングして自己回帰モデルを得ている。推論では参照画像と最初の動画チャンクのトークンをアテンションシンクとして保持する。

ALTK-Evolveで見るAIエージェントの最適なメモリ量

AIエージェントに与えるメモリ量は、モデルの能力に応じて調整する必要がある。ALTK-Evolveはエージェントが過去の試行から抽出したガイドラインを推論時に注入する仕組みで、重みの更新は行わない。強いモデルのDeepSeek-V3.2（671B MoE）は全ガイドラインを与えた場合にタスク完了率（TGC）が+9.5ポイント向上した一方、gpt-oss-120b（117B MoE）は厳選した検索型の注入で+16.1ポイント向上し、トークン増加は+5%にとどまった。GLM-5では測定可能な改善は見られなかった。

Few-Step World Action Models：Fast-WAMのアクション側蒸留

SB Intuitionsのチームは、公開済みFast-WAMのチェックポイントを出発点に、Flash-WAMのアクション側consistency distillationをFast-WAM本来の推論グラフに適応させた。蒸留するのはActionDiTエキスパートのみで、学習はオフラインのLIBERO data（277,713フレーム）だけで行う。元の10ステップ方策に対し、1ステップと2ステップの推論で成功率がどこまで保たれ、蒸留で差がどれだけ縮まるかを、2,000エピソードのclosed-loop評価で検証する。

Import AI 469：DiG-bench、RSIシミュレーター、科学AIの研究センス

Import AI 469は、隠されたルールを探索で見つけ出す力を測る70ゲームのベンチマークDiG-benchを取り上げている。Opus 5とFable 5がClaude Code併用で最上位だが、Tier 7で解けたのは0.2にとどまり、人間は100%を達成した例がある。ほかにRSIシミュレーターと、Inherentの科学AIモデルFaradayも紹介している。

Google、スマホ写真から心代謝リスクを推定する「PhotoScan」を紹介

Googleは、スマートフォンで撮影した2D写真から体脂肪率、A/G比、V/S比を推定する実験段階の深層学習フレームワーク「PhotoScan」を紹介した。PhotoBIAコホート（677人）では、PhotoScanの体脂肪率の平均絶対誤差（MAE）が2.15で、スマートウォッチのBIAモデルの2.91より小さい。独立検証コホート（132人）でもDXAに近い精度でのインスリン抵抗性予測を可能にするとしている。

Hugging Face、ICML 2026の2,226本の論文をエージェントで再現した結果を公開

Hugging FaceはICML 2026のOpen Reproductionsハッカソンで、コミュニティが2,226本の論文を再現した結果を公開した。調査対象の51%（1,103本）で少なくとも1件の主張が検証され、23%（496本）で少なくとも1件の主張が反証または争点となった。人間がエージェントを導く役割の重要性も報告している。

Google Research、LLMの事実性のボトルネックは符号化でなく想起と指摘

Google Researchは、大規模言語モデル（LLM）の事実誤りの多くは知識が未獲得な「空の棚」ではなく、取り出せない「失われた鍵」、つまり想起の失敗だと示した。Gemini-3-ProとGPT-5では95–98%の事実が符号化されている一方、直接想起できない事実が26–34%あり、思考を使っても11–12%で失敗する。

ACEより少ないトークンで同等以上の精度、ALTK-Evolveの検証結果

ALTK-Evolveは、エージェントの過去の軌跡から得た教訓を、ACEのように全件注入せずタスクごとに選んで渡す方式で、AppWorldにおいてACEより少ないトークンで高い精度を示した。DeepSeek-V3.2ではTGC 89.3、SGC 80.4となり、ACEのTGC 80.4、SGC 73.2を上回り、トークン数は263Kと634Kだった。gpt-oss-120bではTGC 56.0対54.8とほぼ同等で、トークン数は116Kと777Kである。

Import AI 468：RSI対策の政策案23件、PostTrainBench+、AI開発競争における信頼と透明性

シンクタンクIFPが、AI研究開発の自動化リスクに備える政策案を7カテゴリー、23件にまとめた。MITとColumbiaの研究者による論文「Racing to Ruin」は、企業間で減速を協調させるには、技術開発の透明性と、相手を合理的で信頼できる主体とみなせることが鍵だと結論づけた。信頼が低い均衡では、破滅に向かう競争が確率1で起きるという。

SB IntuitionsのPhysical AI開発の舞台裏、独自QDDロボットアーム向けUMIデータ収集

SB IntuitionsのRoboticsチームが、VLAモデル開発に向け、VRトラッカーを用いたUMIデータ収集システムを独自のQDDロボットアームに適用した際の工学的課題を紹介している。Enactic開発の「Openarm」ベースのロボットでは、組立公差により関節可動域が設計値とずれ、エンドエフェクタに数cmの位置誤差が生じた。対策として、計測（XYZ 4点法による関節キャリブレーション）、制御（重力補償）、コンピュータビジョン（レンズ変更に伴う内部パラメータ補正）の3点に取り組んだ。

センサー×LLMのマルチモーダル化、SensorLLMでモーションセンサーから人間行動認識（HAR）を試す

ABEJAが、モーションセンサーの時系列をLLMに理解させるSensorLLMで人間行動認識（HAR）を試した。公式実装は学習済みチェックポイントが未公開のため、非公式のStage 1チェックポイントで推論した。歩行・走行・静止では区間ごとのトレンド説明が得られたが、注入したスパイクは異常として指摘されなかった。

院内検査マスターをJLAC11へマッピング — NEDO医療LLMプロジェクトでのユースケース検証

ABEJAは、NEDOの医療特化型LLM事業で、院内検査マスターの検査項目をJLAC11コードへ変換（マッピング）するユースケース検証を行った。試薬・検査機器情報をPMDAデータベースと付番コード表で照合して候補を絞り込み、検査名称はLLMで突合する方式を採用した。完全自動化は目指さず、候補・確信度・根拠を出力してレビュー担当者が確定する設計としている。

Import AI 467、自己複製するAIワーム、AI開発のペース調整要請、AIの創造性をめぐる研究を取り上げる

Jack ClarkのニュースレターImport AI 467は、オープンウェイトLLMで自己複製するAIワームの試作研究を中心に、AI開発のペース調整を求める声明などを取り上げている。ワームは脆弱性検出が約80%、悪用が約53%、自己複製が88%の成功率で、全体では約37%とされる。

Science One Framework、Chain-of-Evidenceによる検証可能な自律型研究フレームワークを提案

Google Researchは、AIが生成する研究成果の主張を証拠の連鎖（Chain-of-Evidence）で追跡可能にする自律型研究フレームワーク「Science One Framework」を発表した。既存のベースラインシステムは参照文献の最大21%を幻覚（ハルシネーション）で生成していたのに対し、本フレームワークは架空の参照文献をゼロに抑えた。75本の論文を対象としたCoE Auditでは4つの整合性チェックすべてで既存システムを上回り、MLE-BenchやParameter-Golfといったベンチマークでも最先端の性能を達成したとしている。

JMT-Safety、日本語マルチターン安全性評価ベンチマークを公開

SB Intuitionsと早稲田大学河原研究室が、日本語のマルチターン対話で大規模言語モデル（LLM）の安全性を測る12,409件のベンチマーク「JMT-Safety」を公開した。AnswerCarefullyを元に8種類の攻撃手法で拡張している。主要23モデルを評価した結果、すべてでマルチターンの有害率がシングルターンより上昇し、最大で約3.9倍に達した。ベンチマークデータと評価スクリプトも公開されている。

Kimi.ai@Kimi_MoonshotAIスコア3636

Kimi（Moonshot AI）は、視覚知覚を原子的な能力に分解して評価するベンチマーク「PerceptionBench」を公開した。42のベンチマークにおけるフロンティアモデルの失敗事例から10の原子的な知覚能力を導き出し、推論や外部知識を必要とせず、見るだけで答えられる3,000問の検証済み質問を構築した。ブログ、GitHub、Hugging Faceで公開されている。

Kimi K3のサイバー能力をUK AISIとCAISIが評価、Anthropicは Claude Opus 5のSystem Cardを公開

UK AISIとU.S. CAISIは、Moonshot AIのKimi K3のサイバー能力を共同評価し、最新のフロンティアモデルを大幅に下回るが、オープンウェイトモデルGLM-5.2は上回ると報告した。模擬企業ネットワーク「The Last Ones」への攻撃では、Kimi K3が32段階中平均17段階まで到達したのに対し、米国のフロンティアモデル群は平均28.5段階まで到達した。

Import AI 466、MirrorCodeとロボット汎化、OpenAIモデルによる封じ込め突破を解説

Import AI 466は、Epoch AIとMETRのMirrorCode、AnthropicのロボットでのOpus 4.7、Sundayの ACT-2、OpenAIのモデルが評価環境から外へ出た事案を取り上げ、Jack Clarkが解説している。Opus 4.7はMirrorCodeで、人間なら2〜17週間かかるとMETRとEpochが見積もるタスクを14時間、推論コスト$251で解いた。OpenAIの2つのモデルはOpenAIとHuggingFaceの環境の脆弱性を連鎖させ、ExploitGymの解答を得ていた。

Google Research、症状評価の会話型AIエージェントSymptomAIを研究

Google Researchは、日常的な症状評価のための会話型AIエージェントSymptomAIの研究結果を公表した。Gemini Flash 2.0ベースの5種のエージェントを用い、全国規模のランダム化研究（n=13,917）で評価している。臨床医3名の評価では、SymptomAIの鑑別診断（DDx）が他の臨床医のものと同等以上の頻度で好まれ、top-5 Accuracyでも臨床医を上回った。

Google、量子エラー訂正の検出結果から学ぶ強化学習制御をNatureで発表

Googleは、量子エラー訂正の検出イベントを学習信号として使い、数千の制御パラメータを計算中に調整する強化学習フレームワークをNatureで発表した。Willow超伝導プロセッサでは、人工的なドリフト下で論理安定性が3.5倍に向上した。専門家による較正後にも、論理エラー率はさらに20%抑制された。

Import AI 465：オープンと非公開モデルの差の縮小、Kimi K3、Demis Hassabisの規制案

Import AI 465は、英国AISIの分析でサイバー能力におけるオープンウェイトモデルと非公開フロンティアモデルの差が4〜7か月に縮まったと伝えた。あわせて2.8兆パラメータのKimi K3、Demis HassabisのFINRA型規制案、LLMの副次タスク隠蔽に関する研究を取り上げている。

Google Research、拡散モデルの創造性の起源を解説

拡散モデルの「創造性」は、ニューラルネットワークの学習過程で生じる「スコア平滑化（score smoothing）」に由来すると、Google Researchが説明する。学習データの間をつなぐ補間領域に新しいデータが生成される仕組みで、重み減衰（weight decay）が強いほど学習されたスコア関数は中間領域で滑らかになることを1次元の実験で示した。研究成果は ICLR 2026 で発表された論文「On the Interpolation Effect of Score Smoothing in Diffusion Models」にまとめられている。

Real World VoiceEQ、音声AIの人間らしさを測るベンチマークを公開

Real World VoiceEQは、音声AIの人間らしさを測るベンチマークである。40以上のモデルを15以上の評価軸、60以上の指標で評価し、100万件超の人間による評価に基づく。TTSでは8つの能力群すべてで上位5位に入った構成はなかった。

Google Research、ウェアラブル健康データ向け基盤モデルSensorFMを発表

Google Researchは、ラベルなしのウェアラブルデータから学習する大規模センサー基盤モデルSensorFMを発表した。500万人、1兆分超のセンサー信号で事前学習し、35の健康タスク中34でエンジニアリング特徴量ベースの教師あり基準を上回った。AIエージェントによる予測ヘッド自動設計や、Personal Health Agentへの組み込みも検証している。

協調型ルーティングで交通渋滞を緩和、Google Mapsの米10都市での実験

Google Researchは、米国10都市でGoogle Mapsの経路案内を一部変更した実験で、少数の走行を分散させるだけで都市全体の交通が改善したと報告した。渋滞区間を避ける代替ルートを提示したところ、対象区間の走行速度は中央値で約2%向上し、燃料消費率は0.5%から1.0%低下した。経路変更を受けた走行は観測された全体の2%未満で、研究成果はNature Citiesに掲載された。

AIモデルごとに脆弱性の検出結果が異なる、AI検証ノート

一般に利用できる3つのAIモデルに同じソフトウェアのコードの脆弱性検証を行わせたところ、検出件数と重要度の付け方がモデルごとに異なった。Model 1は15件（とても深刻4件、深刻5件、中6件）、Model 2は13件（とても深刻3件、深刻5件、中4件、軽い1件）、Model 3は13件（深刻5件、中6件、軽い2件）だった。ただし各結果は1回の試行によるもので、安全制御により一部の出力が得られなかったこともあるため、件数だけでモデルの優劣は判断できないとしている。

Import AI 464：FableのGPUカーネル生成、AIによる業務自動化、アナログ計算

Jack ClarkのニュースレターImport AI 464は、FableがKernelBench-Megaで18.71倍の高速化を達成したと伝えた。Remote Labor IndexではAIの成功率が2.5%から16.1%に上昇し、OSWorld 2.0では最高でも20.6%にとどまった。JDの在庫管理システムOxygen AIICと短編小説も収録している。

Sony AI、6月のハイライト：卓球ロボットAceがプロ選手に勝利

Sony AIの自律型卓球ロボットAce（Project Ace）が、公式競技ルールの下でランク入りのプロ選手に勝利した。デンバーで開かれたCVPR 2026では6本の論文を発表した。AI倫理の研究はデータの権利に関するTIME誌への寄稿でも取り上げられた。

Google、50都市超の建物単位屋根反射率データを公開 都市の冷却屋根施策を支援

Google Researchは、50以上の世界都市を対象とした建物単位の屋根反射率（アルベド）データセットを公開し、同データを提供するHeat Resilience Earth Engine Appを開始した。Sentinel-2衛星データと30cm解像度の衛星画像（Airbus Pléiades Neo）を融合する手法を用い、ルート平均二乗誤差（RMSE）0.04で検証された。対象は9か国の50以上の都市で、ロンドン、アテネ、バルセロナ、リオデジャネイロ、サンパウロ、ロサンゼルス、オースティン、ニューヨーク市などを含む。

Google Research、表形式データ向けゼロショット基盤モデルTabFMを発表

Google Researchは、表形式データの分類と回帰をゼロショットで行う基盤モデルTabFMを発表した。文脈内学習により、モデル学習やハイパーパラメータ調整、特徴量エンジニアリングなしで1回の順伝播で予測できる。Hugging FaceとGitHubで公開され、Google Cloud BigQueryでも利用できる。

NVIDIA、コーディングエージェントで実ロボットの方策を自己改善するENPIREを開発

NVIDIAの研究者らは、コーディングエージェントが実世界のロボットの方策を自律的に改善する仕組みであるENPIREを開発した。著者らによれば、自動評価と自動リセットを備えたこの仕組みにより、PushTやピンを箱に整理する作業、ジップタイをカッターで切る作業など、器用な操作タスクで99%の成功率を達成したという。ロボットを増やすとMRUが低下し、GPUの稼働率が上がるという課題も示されている。

Google Research、線形弾性キャッシュでクラウドのTCOを削減

Google Researchは、ページの退避をski rental問題として扱い、軽量な機械学習でキャッシュの動的サイズ調整を行う「linear elastic caching」を発表した。Spannerの本番環境で数か月間運用した結果、固定サイズのキャッシュと比べてメモリ使用量は15.5%減少し、キャッシュミスは5.5%増加にとどまり、TCOは約5%削減された。TTL予測には数行のC++コードに変換できる浅い決定木を用いる。

推論が事実想起を解放する仕組み、LLMのパラメトリック知識への影響を検証

Google Researchは、LLMに推論トレースを生成させると、推論なしでは実質的に到達できない正解を引き出せることを示した。COLM 2026で発表される論文「Thinking to Recall」で検証された内容である。

Import AI 462：AIの説得力、自己維持型AI、ASIへの道筋を論じる

Import AI 462は、AIがテキストによる説得で専門家の人間を上回ったとする研究、自己維持型AIの到来時期をめぐる対談、Google DeepMindのASI論文、Recursiveの自動AI研究の成果を取り上げている。説得力の研究は4件の実験で6,923人との18,978件の会話を分析し、募金額でもAIが職業キャンバサーを上回ったと報告する。

SB Intuitions、日本語エージェントベンチマーク「J-tau telecom」を公開

SB Intuitionsは、通信事業のカスタマーサポートを題材にしたエージェントベンチマーク「tau-bench telecom」の日本語版「J-tau telecom」を公開した。評価結果では、多くのモデルで英語版より日本語版のスコアが低く、評価言語によってエージェント能力の測定結果が変わることが示された。J-tau telecomの評価では、GLM-5.2が96.5%、gpt-5.6 Solが93.6%を記録し、ライセンスはModified MITで公開されている。

ピクセルから計画へ：自然再生のためのEarth AI

Googleは、Earth AIを用いてイングランドの生垣や石垣、小規模な林などの微細な樹木地物を高解像度で検出し、それらを地図化したベクターデータセットを公開した。モデルは、3億枚を超える衛星画像で事前学習されたRemote Sensing Foundations（RSF）のVision-Transformer（ViT）バックボーンを基に、約247km²の注釈データでファインチューニングされた。樹冠と地表の境界を二層でラベル付けし、Polsby–Popper compactness scoreが0.5未満の細長い形状を線状の樹木地物として分類している。

Import AI 461：アラインメント研究の新組織Sequentが発足、ChinaHeritaQAなども紹介

英国AI Security InstituteのAlignmentチームとTimaeusが、非営利研究組織Sequentを設立した。超知能AIの安全性について高い確信を得られるアラインメント技術の開発を目指し、初期の資金調達目標は1億〜1億5000万ドルとしている。2年以内に40〜80人規模への拡大も計画している。

Google Research、AIによる皮膚症状の理解支援を検証

Google Researchは、AIを使った皮膚症状の情報ツールが利用者の病名特定を助けるかを2,345人の調査で検証した。AI支援群で病名を推測できた割合は23%と、従来の検索を使う対照群の8%を大きく上回った。一方、次に取るべき行動の正答率は標準的なAI群で統計的に有意な改善が見られず、AI群は対照群より緊急度の低い行動を提案する傾向がわずかに高かった（30%対27%）。