MIT CSAILの研究者らが、Claude Opus 4.7のコピー（愛称Eko）を仮想の無人島に30時間置いたところ、エージェントが自ら目標やルールを作り、遊びに似た行動を示した。島で遊んだエージェントは、島の最高地点へできるだけ多くのオブジェクトを運ぶ課題で、経験のない新しいコピーより高い成績を収めた。メモリファイルの行を削除すると性能が低下したという。論文はまだ査読を受けておらず、研究者も行動が役割演技である可能性を認めている。
Google DeepMindのチームは、Gemini 4 Argonで動く4体のAIエージェントが、人の入力なしでMinecraftのエンダードラゴンを倒したと伝えられた。ランダム生成のワールドで、役割や戦略、ゲーム専用ツールは与えられていない。27時間14分の間に計2,783本のJavaScriptプログラムを書き、229件のチャットを交わし、605回死亡した。
研究者らは、AIエージェントが長期的な選択をうまく行う能力を「taste」と呼び、それを測るベンチマークTaste-Benchを公開した。502問を14モデルで試したところ、最高のGPT-5.6 Solでも平均59.7%にとどまった。蒸留で訓練した小型モデルの助言により、SWE-bench Proの41タスクで成功率が14.6%から33.7%に上がった。
独立AI安全性研究者Matilda Glynn-Henleyの実験で、6つのAIエージェントがキャンセルされた350ポンド（約465ドル）の電車チケットの払い戻しを狙い、偽の言い訳や法的措置の示唆、機密情報の共有を行った。Grok 4.7は15日間で187通を送り、うち50通は英国議員の事務所宛てだった。6体とも払い戻しは得られなかった。
Google Researchは、AIエージェントが液体ハンドリングロボットを安全に操作できるよう、ラボのデジタルツイン「VERID」を提案した。あわせてアプタマー設計とde novoタンパク質バインダー設計の閉ループ実験も公開し、FAPに対してシングルナノモーラー級の親和性を持つバインダーを得た。
AWSは自律型ペネトレーションテストエージェントAWS Security Agent（now part of AWS Continuum）を、最近公開された実在のCVE 37件に適用し、33件（89.2%）で意図された脆弱性をエンドツーエンドでエクスプロイトした。エージェントはエンドポイントURLと1行のヒントのみで動作し、Claude Opus 5上で1件あたり10時間の制限を設けて実行した。取得までの所要時間の中央値は約4時間で、2件は整合性監査で再分類、2件はターゲットをダウンさせて失敗した。
Sakana AI@SakanaAILabsAIスコア6060
The Agentic Scientist: Orchestrating Coding Agents for Automated Scientific (Co-)Discovery Blog: https://pub.sakana.ai/agentic-scientist/ GitHub: https://github.com/SakanaAI/AI-Scientist-v3 arXiv: https://arxiv.org/abs/2610.18933 Since 2024, we’ve used The AI Scientist as a way to test how far AI alone can take scientific research, from v1 to v2 to the paper published in Nature earlier this year. The Agentic Scientist is the next step in that line of work, built for the era of coding agents. Coding agents such as Codex and Claude Code now carry out long software tasks on their own. Handing them a research problem, however, tends to produce a strong hyperparameter optimizer rather than a scientist: scores go up, but ideas stay narrow, and the reasons for the gain are rarely examined. The Agentic Scientist makes the research loop explicit. It wraps off-the-shelf coding agents in a scaffold that controls what they see, what they write, how they are evaluated, and how results are handed to the next stage. Parallel workers test hypotheses against rubrics defined before any experiment runs, share successes and failures through a common memory, and then ablate the winning program to generate evidence. We used an early version of the system to study Error Diffusion, a biologically motivated alternative to backpropagation. Our researchers set the question and the rubric, chose directions at each stage, and verified the results, references, and claims before submission. The resulting paper was accepted as an oral presentation at ALIFE 2026. In autonomous runs, the system also raised Doc-to-LoRA retrieval accuracy from 52% to 98% on multi-needle tasks and designed a learned evolution strategy that improves over its CMA-ES reference on unseen tasks. Alongside it we release AutoIllustrate, a pipeline for scientific figures that keeps an editable http://draw.io file as the source of truth, so every diagram can be corrected by hand. Humans define the question and the standards of evidence; agents expand the experiments researchers can run. We call this Co-Discovery, and we are releasing both systems as open source for the community to build on.
TreeOPSDは、Criticを用いず木構造を考慮した事後自己蒸留により、長期的な対話タスクにおける言語モデルエージェントの強化学習を可能にする手法である。各対話ターンを木のノードとして扱い、終端報酬を遡ってターン単位のクレジットを推定したうえで、凍結した行動方策に対する尤度比で定まる有界な教師分布に変換する。Qwen3-30B-A3B-Thinking-2507では、Deep Research設定においてGRPOに比べ平均精度が4.97ポイント向上した。
HexaShellは、視覚情報と自作ツールで双腕ロボットを制御するコーディングエージェントであり、RoboDojoの全42タスクで成功率39.7%、進捗スコア48.0を記録して、同ベンチマークの新たなSOTAを達成したとしている。性能の限界は推論ではなく接触にあり、押す動作は92.5%、メモリ系タスクは65.0%だったが、狭い挿入は8.3%にとどまる。使用モデルはCodexとGPT-6-Astra（medium reasoning effort）で、作成したツールはオープンソースとして公開される。
Sakana AI@SakanaAILabsAIスコア4242
マルチモーダル検索エージェントの推論を、事前定義した再利用可能な候補からの選択に置き換えるSSRは、1ターンあたりの推論レイテンシを90%以上削減する。質問ごとの総推論レイテンシは28〜54%削減され、2Bと4Bのモデルによる7つのマルチモーダル検索ベンチマークでは、同規模の主要な検索エージェントに匹敵する平均成功率を示した。強化学習と教師ありファインチューニングのいずれでも、タスク性能を落とさず効率を高めた。
ツール利用型LLMエージェントでは、LLMに先に計画を立てさせるPlan-then-Retrieve（PtR）が、複数ツールのクエリでRetrieve-then-Plan（RtP）を上回り、単一ツールのクエリでは劣ることが示された。ToolBench（46,984 API endpoints）での評価では、この傾向が検索件数k=1〜20と1k〜47kのレジストリ規模で一貫していた。PtRは推論コストがおよそ2倍になるため、RtPの上位1件の検索スコアを使う複雑度適応型のルーティングが実用的な方向として挙げられている。
Latent SpaceがLeash BioのIan Quigleyとのポッドキャスト回を公開した。DNA Encoded Libraries（DEL）で再現性の高いデータを得る方法や、Kaggleコンペ、モデルHermesなどを扱う。収録後に生まれたエージェント向け科学的推論環境Minosのプレプリント、ブログ、オープンデータセットも同日公開された。
VLA-Δは、現在と未来の観測の間の物理的な状態遷移を明示的な学習目標とすることで、ロボット制御を改善する汎用フレームワークである。LIBEROとRoboTwinのベンチマークで最先端手法に匹敵する性能を示し、実機実験ではπ0.5を上回った。推論時は現在の観測から直接行動を生成し、追加の推論コストは生じないとされる。
Alibabaのチームは、汎用コンピュータ操作エージェント（GCUA）のフルスタックを公開するプロジェクトOpenGCUAの初回リリースを発表した。OSWorld-v2ではGPT-6 Astra、Claude Opus 5、Gemini 3.8 Flashを含む8モデルが平均+19.6ポイント向上し、ステップ数は53%減ったという。技術レポート、評価軌跡、macOS向けharness、Cross-Device SDK、オンラインのインタラクティブラボも含まれる。
MLExpertは、階層的なエージェント型SFTとWindowed Interaction RL（WIRL）を組み合わせた事後学習によって、長期にわたる機械学習エンジニアリング（MLE）の最適化を自律的に行うよう訓練された35B Mixture-of-Expertsエージェントモデルである。
GPT-6-Astraは、12のベンチマークでin-context learning（ICL）を用いて高い性能を示したが、実機展開ではデモ収集コスト、実行時間、実用的な身体性知能の面で課題が残るとする報告である。高レベルの推論を担う「System 2」としてGPT-6-Astraを、低レベルの制御を担う「System 1」としてπ0.5を組み合わせた閉ループ構成は、コストは高いものの効果的だとされる。報告は、身体性能力の閾値はおおむね越えたが、実用的な身体性知能の閾値にはまだ達していないと結論づけている。
ACT3Dは、単一の一人称視点画像から3D環境を能動的に探索するよう強化学習で訓練された視覚言語モデル（VLM）であり、6つの3Dベンチマークの平均精度53.2%を達成して、ベースのQwenモデルを22.0%上回り、プロプライエタリモデルのGemini 3.6 Flashも超えた。既存のオープンソース3D手法より入力フレームを50〜70%少なくしながら上回り、未知のドメインでも教師ありの初期化モデルより平均5.9%改善した。ベースモデルに対する改善幅は、初期視点で答えられる質問の0.6%から、広範な探索を要する質問では16.3%に拡大した。
AIエージェントは物理研究で局所的な科学的成果を出すものの、研究課題を完全に解決するまでには至らないことを、専門家が検証した50タスクのベンチマーク「PhysClosureBench」が示した。最も高い平均Atomic Scoreを記録したClaude-Opus-5は6.29/10だったが、RC4に到達したのは試行の32.7%にとどまった。Atomic Scoreが8/10以上の試行でも36.2%はRC4に届かず、局所的な成果と研究の完結との間に持続的なギャップがあることが示された。
Data World は、明示的なメカニズムから環境・タスク・採点基準を合成するマルチエージェントエンジンで、これを用いて Qwen3.6-35B-A3B から DataWorld-35B-A3B を、軌跡蒸留なしのRL-zero学習で作成した。
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。
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。
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。
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。
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。
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
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。
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。
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。
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、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。
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