Sony AIは卓球ロボットAceに関する研究がNature誌の表紙を飾ったと発表した。公式ルールの下でトップレベルの大学生選手やプロ選手と対戦し、エンドツーエンドの遅延は20.2ミリ秒で、エリート人間選手の約230ミリ秒を下回るという。ブログでは開発の経緯、システム構成、今後の課題を解説している。
選定理由：視覚、制御、ハードウェア、シミュレーションからの転移学習を一体で設計した過程と、現状の限界まで開発側の言葉で語られている。
Google Researchは、成功と失敗の両方の経験から知見を抽出して蓄積するエージェント向けメモリフレームワーク「ReasoningBank」を提案した。Gemini-2.5-Flashを用いた評価では、スケーリングなしのReasoningBankがメモリを使わないエージェントより、WebArenaで成功率が8.3%、SWE-Bench-Verifiedで4.6%高かった。さらにSWE-Bench-Verifiedではタスクあたりの実行ステップがほぼ3つ減少した。
Google Researchは、推論優先の合成データ生成フレームワーク「Simula」を紹介した。データセット全体をメカニズム設計として扱い、シードデータに頼らずに生成する。Gemini 2.5 Flashを教師モデル、Gemma-3 4Bを生徒モデルとして5つの領域で評価し、各領域で最大512Kのデータポイントを生成した。全領域で、Simulaは単純なベースラインより高い性能を示し、より少ないサンプル数で下流タスクの性能を上回った。
Google Researchは、合成ニューロン形状を生成するAIモデル「MoGen」を開発し、脳の神経接続マップを作るAI再構成モデルPATHFINDERの学習データに加えた。合成データを10%混ぜて学習させたPATHFINDERは、保留したマウス軸索の再構成エラー率を4.4%削減し、その改善の多くは統合エラー（merge error）の減少によるものである。マウスの全脳規模では、手作業による校正の157人年分の削減に相当するとされる。MoGenはオープンソースモデルとして公開された。
AI セーフティ・インスティテュート（AISI）の事業実証WG傘下のデータ品質SWGが、「2025年度 データ品質SWG 活動報告書」を公開した。ユースケース別の重要な品質特性の整理、データ品質マネジメントチェックリストの作成・検証、官報データを用いたデータ品質レベルとAI出力品質の検証を報告している。策定・改定したガイドブックとチェックリストに加え、検証に使った官報データもPDF形式とHTML形式で公開されている。
Googleは、生成AIで複数のAIアバターとの会話環境を作り、未来型スキルを評価する研究実験「Vantage」を発表した。ニューヨーク大学との共同研究では、18〜25歳の被験者188人が紛争解決とプロジェクト管理の課題に取り組み、AI Evaluatorの採点は人間の専門家同士の一致度と同程度だった。英語版はGoogle Labsで利用登録を受け付けている。
Google Researchは、LLMベースのユーザーシミュレーターとの差（リアリズムギャップ）を測定するためのデータセット「ConvApparel」を紹介した。衣料品の買い物領域で4,000件以上の人間とAIの多ターン会話（約15,000ターン）を収集し、参加者は「Good」と、意図的に非協力的に振る舞う「Bad」の2種類のエージェントにランダムに振り分けられた。
Google Researchは、論文用の図を生成するエージェント「PaperVizAgent」と、論文を自動で査読するエージェント「ScholarPeer」を発表した。PaperVizAgentは0～100の評価スコアで総合60.2を記録し、GPT-Image-1.5、Nano-Banana-Pro、Paper2Anyを上回った。人間の基準値50.0を超えたのは同フレームワークだけだという。ScholarPeerは、Web検索で文献を参照しながら批評的なレビューを生成し、既存の自動査読手法との比較で高い勝率を示した。
Google Researchは、LLMの行動傾向（behavioral dispositions）が人間の合意とどの程度整合するかを評価する枠組みを示した。25のLLMを状況判断テスト（SJT）で評価したところ、人間の注釈者の意見が全員一致する場合は、小規模モデルとフロンティアのクローズドウェイトモデルがほぼ完全に整合した。一方、合意が90%未満になると整合率は80%台半ばで頭打ちになり、合意がない場面では人間の意見の幅を捉えきれなかった。
Google Researchは、AI評価で項目数と項目ごとの評価者数のどちらを優先すべきかを検証した。多数決との一致を見る場合は項目数を増やす方が有効で、意見の幅を捉える場合は評価者数を増やす必要がある。従来の1〜5人という基準は不十分な場合が多く、約1,000件の総アノテーション規模でも適切な配分により再現性の高い結果が得られるとしている。
TuringのVLAチームが、東京での走行データ100時間以上を対象に運転意図のキャプションを付与したデータセット「RACER」を構築した。意思決定に関わる要素と運転行動の因果関係を明示するChain-of-Causation形式の説明を、4段階のパイプラインで自動生成しており、ステップ1・2ではQwen3-VL-235B-A22B-Instruct、ステップ3ではQwen3-VL-235B-A22B-Thinkingを使用した。1,000件のサンプルデータはHuggingFaceで公開されている。
SB Intuitionsは2月28日〜3月5日に神戸市で開催されたDEIM2026に初めてゴールドスポンサーとして協賛し、ブース展示と技術報告を行った。口頭・ポスター発表は3件実施され、適応的プロンプト最適化に基づく次発話推薦や、ブラックボックスな検索エンジンに対するクエリ拡張に特化したSLMの強化学習について発表した。
Hugging FaceでDifferential Transformer V2が発表された。V2はV1の推論速度低下（約6〜12%減）と学習の不安定性を解消する改良とされ、Query側のヘッド数を2倍にしてKey/Valueは増やさず、FlashAttentionを1回呼び出した出力を偶数・奇数ヘッドで分けて差分を取る構成になっている。
Turingのインターン研究チームが、テキストを白い画像に印字したText-Printed Image（TPI）を入力に使い、実画像なしでVLMを学習する手法を提案した。実験では、テキストをそのまま使う学習（Text-only）より大きな性能向上を示し、一部のタスクではGT-Image（実画像による学習）に迫る改善も見られた。GPT-4o-miniを用いたSelf-Instructによるデータ拡張（1万サンプル生成）でも、シードデータが少ない場合と完全な場合の両方で性能が向上したと報告されている。
SB Intuitionsの研究チームが、英語のWildGuardTestを日本語化したガードレール評価ベンチマーク「WildGuardTestJP」を開発したと発表した。有害コンテンツ翻訳に特化した多段階の手法を用い、1,725件のデータを公開している。さらに、このデータセットで学習した日本語ガードレールモデル「sarashina-wildguard-7B」も開発した。
Mistral AIはCarbone 4およびADEMEと共同で、大規模言語モデル（LLM）の環境影響を測るライフサイクル分析（LCA）を実施した。Mistral Large 2の学習と18か月の利用で、20,4 ktCO₂e、281 000 m3の水消費、660 kg Sb eqの影響が生じた。Le Chatの400トークンの応答1回あたりでは1.14 gCO₂e、45 mL、0.16 mg Sb eqだった。
ELYZAは、日本語版汎用医療LLMを微調整し、レセプトの確認修正箇所の要否判断と修正提案コメントの生成に取り組んだ。3,721件のアノテーションデータで学習し、修正要否判定ではgpt-4oやPFNの医療特化モデルを全指標で上回ったとしている。ただし全モデルの性能は低く、gpt-4oのf1は11.2%、開発モデルのベスト設定でもf1は30.9%にとどまった。
ELYZAは、オープンモデルの継続事前学習により日本語版汎用医療LLMを開発し、各ユースケースの基盤とした。予備実験では、Llama-3.1-70Bに英語の医学論文（peS2o）と医学・科学系の日本語コーパスを組み合わせた設定が、IgakuQAで最も高い性能を示した。日本語医学論文はそのままでは学習が不安定だったが、LLMでクレンジングすると安定性と性能が改善したという。
SB Intuitionsの研究者Seng Pei Liew、Takuya Kato、Sho Takaseによる論文が、機械学習のトップカンファレンスICML 2025に採択された。小さなモデルを再利用（upcycling）して大規模なMoEモデルを構築する際のスケーリング則を調査している。その結果、再利用するデータを増やしても性能は単純には向上し続けず、元のモデルの学習方法の影響を受けるという新たな効果を見出し、upcyclingを効果的に行うためのガイドラインを提示している。
SB Intuitionsの日本語ModernBERTについて、トークナイザに形態素解析器を事後的に組み込んだ場合の性能への影響を分析している。MeCab、Juman++、Sudachiを用いたトークナイザへの差し替えでも性能への影響は小さく、固有表現認識タスクでも高い性能を達成した。モデルは日本語と英語を合わせて約4.4T tokensで学習されている。
日本語ModernBERTの「系列長拡張: Phase 2」におけるマスク率と訓練エポック数の影響を検証した。マスク率15%は30%より平均スコアが高く（88.70対88.54）、JCoLAは約1.2ポイント改善した。Phase 2を3エポックにすると130Mモデルの平均は88.95になり、JCoLAはさらに0.6ポイント上がった。
SB Intuitionsの研究者がCOLING 2025（1月19〜24日、アブダビ）に参加し、発表と注目論文を報告した。投稿2,723本のうち760本が採択され、Direct submissionsの採択率は約20%だった。自社発表はペルソナ対話の手法で、ペルソナをシャッフルして生成した応答を擬似負例とする選好チューニングにより、外部データなしで日英両言語のペルソナ一貫性を向上させたとしている。
SB Intuitionsは、LLMの過度な拒否と安全性の両方を測定できる日本語データセット「日本語安全性境界テスト」を構築した。12のリスクカテゴリと5種のプロンプトタイプで安全な入力と安全でない入力を作成し、採点形式で評価する。同程度のパラメータサイズのInstructモデルと比べ、sarashina2.2-3B-instruct-v0.1のスコアは大きく上回ったという。
J-AISIは、AIセーフティに関する活動マップ「AMAIS: Activity Map on AI Safety」をディスカッションペーパーとして公表した。問い合わせ先はaisi-amais-info[at]ipa[dot]go[dot]jpである。