Periodic Labsのリアム・フェドゥス（Liam Fedus）とEkin Dogus Cubukが、Latent Spaceのポッドキャストに出演し、物理実験に根ざした強化学習による「synthesis superintelligence」構想を語った。両氏は、知能だけでは科学的発見には不十分であり、フロンティアモデルでも物理的な実験が引き続き必要だと主張する。失敗した実験も重要な学習データになるとし、室温超伝導体や新しい磁石、電池などの材料探索を議論している。
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。
グラフ理論のBarnette予想が、openai/mathリポジトリの問題180として証明済みとされている。Jake Boggan氏はHacker Newsのコメントでこの点に触れ、その予想に断続的に約24年間取り組み、数千時間を費やしたと述べている。問題が解決されたと聞いたことには、複雑な感情を覚えたという。
LINEヤフーのエンジニアが、ニュース記事やSNSポストのブリーフィング自動生成を題材に、DeepEvalを使った評価ロボットと評価プロセスを紹介した。熟練編集者がGold DataとRubricを作り、自然言語で観点を定義できるG-Evalで評価と改善を繰り返す。G-Evalの元論文での人間評価とのSpearman相関は0.514で、評価ロボットは「一定の品質×量」を担う役割とされる。
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。
GitHubがAIコードレビューのオフラインベンチマーク「ReviewBench」を公開し、現在利用可能である。GitHub上の103.9M件のPRの分布に基づき、19言語・219件の公開PRで構成し、人間のレビュアー、フロンティアLLM、静的解析によるゴールデンセットを用いる。上級エンジニアによる独立検証で96.6%の一致を示し、Copilot code reviewのオフライン評価も本番実験の方向を予測しやすくなった。
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。
Import AI 475は、Toby Ordによるスウォームのスケーリング分析、Google DeepMindのSynthID Bio、CSAIPの世論調査などを取り上げている。Ordの分析では、4エージェントのスウォームは同等の性能に総トークン数が約2倍必要だが、エージェントあたりでは半分で済み、並列実行により理論上は半分の時間で処理できる。SynthID Bioは3種類のタンパク質の実験で、ウォーターマークなしの設計と同等の成績を示したという。
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。
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4242ExploitBench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。
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。
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。
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、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。
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。
理研 革新知能統合研究センター（AIP）の杉山将センター長が、第5回Conference on Lifelong Learning Agents（CoLLAs2026）で基調講演を行った。題目は"Learning beyond Clean Data: Toward Lifelong Agents in Imperfect and Changing Environments"。弱くノイズの多い教師情報からの学習、安定性と可塑性のバランスを取った分布変化への適応、疎でノイズが多く非定常なフィードバック下の強化学習を、統一的に理解する見解を紹介した。
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。
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。
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。
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は、AIを科学の加速と生活の改善に生かす取り組みを進めており、直近数週間でAlphaGenome Atlas、WeatherNext 3などの成果を相次いで公表した。AlphaGenome Atlasは、ヒトゲノムにおける90億通りの一塩基変化の予測的影響をマップ化し、研究者向けに公開された。WeatherNext 3は、1日以上先の降水予報の精度が50%向上し、すでに同社の製品で使われている。
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。
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。
アジア太平洋機械翻訳協会の年次大会AAMT2026で、黒橋禎夫所長・センター長が基調講演「Translation in the Age of Generative AI: Open Foundation Models and the Future of Human Expertise」を行う。大会は9月13日（日）に開催される。
Google DeepMindは、ヒトゲノムで起こりうる約90億の一塩基変異の分子レベルの影響予測をまとめたAlphaGenome Atlasを公開した。AlphaGenomeとAlphaMissenseの予測を1つの数値にしたAVIスコアも同時に提供する。学術研究向けにはウェブポータルから無料で利用でき、AlphaGenome APIとGoogle Antigravityのスキルでも使える。
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。