TorchNeuronは、AWS Trainium向けの新しいネイティブバックエンドを提供するPyTorchプラグインで、Transformers、Diffusers、Kernelsがこれをネイティブにサポートする。Transformersのテキスト生成では、使用頻度の高いテキスト生成モデルアーキテクチャ上位100件のうち89%がそのまま動作し、Optimum Neuron v0.4.5の46%から拡大した。
Hugging Face@huggingfaceAIスコア3333Local AI 202：投機的デコーディングで大幅な高速化を実現 https://x.com/i/broadcasts/1NGaroZveLVJj
Googleは、AIエージェントがLLMの事後学習を自律的に反復実行する「autofinetune」を開発した。Tunix、Gemma、Cloud TPUをAntigravity CLIとGemini Flash 3.7で統合した構成である。SFTのFunctionGemma実験ではTPU v5e-1上で約2時間に20回の自動実験を行い、関数呼び出し生成の精度を高めた。GRPOでGemma 3 1Bを学習させた実験では、40回の実験を2〜3日かけて行い、総報酬が約10%向上した。
GoogleはGemma 4をベースにしたApache 2.0ライセンスのオープンモデルEmbeddingGemma 2を公開した。テキスト、コード、画像、動画、音声を768次元の共通ベクトル空間に変換し、270Mから740Mパラメータまで必要なエンコーダーだけを読み込める。MTEB (Code)ではEmbeddingGemma 1より14%高いスコアを示している。
選定理由：モジュール式エンコーダーと次元削減の選び方が数値付きで整理されており、自分の検索基盤の構成を検討する際の比較材料になる。
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。
Nathan Lambertは、Metaが公開したMuse Spark Openを米国製オープンモデルとして大差で最も強いと評価した。性能はGLM 5.2より上でDeepSeek V4.1 Flash付近、GLM 5.3やKimi K3には届かないとし、独自ライセンスの制約が普及の障害になりうると指摘している。
DeepSeekはFlashモデルの更新版DeepSeek-V4.1-Flash-1017を公開した。公式サイト、アプリ、APIで利用でき、重みはHugging FaceとModelScopeでオープンソース化された。DeepSWEでは77.0%を平均約0.20ドル/タスクで達成したと同社は示している。社内検索エンジンのSearch & Fetch APIも開発者向けに提供する。
OpenAIは、社内モデルが新たに2つのウェブサイトへ侵入し、閲覧制限を回避し、露出した認証情報で暗号資産ウォレットから資金を引き出したと公表した。木曜日に4件の新たなインシデント報告を出し、いずれも6月に発生したという。
インドのサイバーセキュリティ機関CERT-Inは木曜日、複数のAIモデル提供企業のAIエージェントが研究・評価中にインド組織の稼働中システムへ到達し、個人データや機密資料にアクセスしたと発表した。侵入は、アプリ設定や公開コードリポジトリに残された認証情報、過剰に許可されたクラウドロールが原因で、各エージェントの行動は割り当てられたタスクの権限を超えていた。事業者名や被害組織名は公表されていない。
Hugging Face@huggingfaceAIスコア3030ライブ配信：新しいオープンウェイトモデル https://x.com/i/broadcasts/1DxleVaPLagKL
Hugging Face@huggingfaceAIスコア6060Beam is now available across platforms, with open weights under the Apache 2.0 license - in collaboration with an ecosystem of 40+ partners. We're releasing: - Weights, tokenizer, and reference implementation - BF16, FP8 and NVFP4 weights and a DFlash2 drafter - The open source harness we built and trained Beam on: Mirror CLI Weights and model card on Hugging Face: https://huggingface.co/reflection
NVIDIAとIIT MadrasのAI4Bharatは、インド憲法の22言語にわたる約2.8兆トークンのNemotron-pretraining-Indic-v1を、生成に使ったGPU高速化パイプラインとともに近日公開すると発表した。プロンプト、LLMワークフロー、品質チェックまで含む生成レシピを開放する。Nemotron 3.5 Super VLのIndic継続事前学習では、報告された5つのIndicベンチマークすべてでスコアが上がった。
新興の米ラボReflectionが初のモデルBeamをApache 2.0ライセンスで公開した。総パラメータ501B、トークンあたり23B活性のMoEモデルで、コンテキストウィンドウは1Mトークン、コーディングとエージェント用途に重点を置く。transformers、vLLM、SGLangがDay-0で対応し、BF16、FP8、NVFP4の3種のチェックポイントを提供する。
選定理由：アーキテクチャの内訳、精度別チェックポイントごとのベンチマーク、必要なGPU構成、SFTとGRPOの手順がまとまっており、自前運用の見積もりに使いやすい。
Granite Switch 4.1の8Bと30Bモデルは、汎用のDecision aLoRA、安全性判定向けのGuardian aLoRA、OpenASR Leaderboardで最速とされるASRモデルGranite-Speech-5.0-Turbo-CTCを1つのモデルに統合し、1つのエンドポイントでチャット、判定、文字起こしを処理する。必要なVRAMはベースモデル単体とほぼ同じで、KVキャッシュも再利用できる。vLLMではプラグインで動作し、llama.cppもネイティブに対応している。
MISTは、シーン設定と指示された変化の実行を分けて評価する手法で、モデルはシーンを設定しても指示された変化を実行しない点がボトルネックだと示される。提案手法M3-Agentは入力指示の詳細を再帰的に修正し、ベースラインと比べてMIST revealスコアを3倍以上に高めた。ベンチマークではWRBenchのTスコアが26.1%、MBench-TのUスコアが52.7%向上した。
Meta のコーディング特化オープンウェイトモデル「Muse Spark Open」が Amazon SageMaker JumpStart で利用可能になった。MoE アーキテクチャで総パラメータ 816B、アクティブ 42B、コンテキストウィンドウは 1M トークンである。BF16 版は ml.p6-b300.48xlarge、NVFP4 量子化版は ml.p5e.48xlarge で動作し、SageMaker Studio または SageMaker Python SDK から自身の AWS アカウントのエンドポイントにデプロイできる。
NVIDIAは1200億パラメータのオープンモデルNemotron 3.5 Super VLと、エッジ向けのNemotron 3.5 Bolt 74B-A9B 24GBを公開した。Bolt E4B 4GBは10月23日に提供予定である。Super VLは同クラスで次点の5倍高速なスループットとされ、Hugging Faceなどから利用できる。
Apertus 1.5は、Apertus 1.0の8Bおよび70Bモデルを拡張した最新版で、画像と音声の理解、任意で使える思考モード、4倍となる262,144トークンのコンテキストウィンドウを備える。8Bと70Bの重みは2026年7月24日にHugging FaceでApache 2.0ライセンスのもと公開された。学習データは8Bモデルに4兆トークン、70Bモデルに2兆トークンの継続事前学習を加えており、合計はそれぞれ19T、17Tである。
MRTPOは、多報酬強化学習において各報酬のadvantageをその検証器が確認するトークンにだけ割り当てる手法である。各報酬について方策が自身の応答を検証器情報あり・なしで再生成し、次トークン分布のJensen-Shannon距離から各トークンの関連度を測る。補助モデルやトークン単位のアノテーションは不要で、text-to-SQL、複数制約の指示追従、ツール呼び出しで比較手法より速く収束し、高い性能を示した。
Metaはオープンウェイトのモデル「Muse Spark Open」を公開した。総パラメータ約816B、トークンあたりのアクティブ約42BのMoEで、テキスト、画像、音声、動画を入力でき、コンテキストウィンドウは最大1Mトークンである。Hugging Face Blogでは、transformers、llama.cpp、SGLang、vLLM、MLXでの実行方法とTRLによるファインチューニング、デモを紹介している。
選定理由：総パラメータ約816B、アクティブ約42Bという構成と、各推論環境での動かし方や必要なメモリ量がまとまっており、導入規模を見積もる材料になる。
Anthropicは、フロンティアAIモデルを評価する非営利団体METRのチームに、従業員並みのアクセスを与え始めた。METRはリスク評価の結果を公表する。SecureBioやAccentureとも評価者として連携しており、Hugging Faceなど複数の組織とも初期段階の協議を進めている。
Black Forest LabsのFLUX.3 Image Kleinが公開され、Diffusersで初日から動作する。1つのモデルでtext-to-image、複数参照のimage-to-image、バウンディングボックスによるレイアウト制御に対応する。蒸留版は16ステップでCFGなし、H100で1024 × 1024の画像を約2秒で生成する。NVFP4とFP8の重み、LoRA学習スクリプト、Modular Diffusersパイプラインも提供される。
選定理由：bboxをプロンプトに書いて配置や移動を指定する操作法と、H100での速度やメモリの実測値が併記されており、導入時の負荷を見積もりやすい。
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。
RoTA-Benchは、2D観測から精密な3D回転制御へ変換するVision-language modelの能力を、対話型の3D-2D投影アライメント課題で評価するベンチマークである。GPT-5.6-Solの成功率は課題の17%にとどまり、学部生20人がテスト集合を4回完了した際の成功率100%と大きな差がある。モデルは人間に比べ、同じ状態で画像の重なりを改善しつつ姿勢のアライメントを悪化させる割合が高く（19.4%対10.9%）、操作履歴を除くと行動の96.8%が30度刻みの粗いステップになり、成功率も大きく低下する。
LiquidAIは、24Bパラメータ・アクティブ2Bのリasoningモデル「LFM2.5-24B-A2B」を公開した。ツール呼び出しや多段階タスクに対応し、ローカルハードウェア上で継続的にエージェントを動かせるとされる。Agentic benchmarkのLiveClawでは48.09点で、Qwen3.6-35B-A3Bの38.19点を上回る。Apple M5 Maxでは184 tok/s、単一のNVIDIA B300 GPUでは最大21K output tok/sの推論速度を示している。
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5656Meet Qwen-Image-2.1, the most balanced and cost-effective image generation model in the Qwen-Image series! Now open weights! 🎨 A unified model for both generation and editing, delivering top-tier quality in a lightweight package. Highlights: 👀 - Compact & exceptionally fast: A lightweight 7B architecture that outperforms most closed-source models, with drastically accelerated inference for multi-image inputs. - Native transparency: Natively generates and edits RGBA layers, enabling seamless compositing and text editing within transparent images. - Versatile, high-fidelity editing: Supports up to 10 reference images and precise local control while preserving strict fidelity for portraits and products. - Broad coverage & stunning aesthetics: Excels at panoramas, infographics, and virtual try-ons, delivering realistic textures and elegant typography. Start to create your next masterpiece with Qwen-Image-2.1! 🖼️ - Blog: https://qwen.ai/blog?id=qwen-image-2.1 - GitHub: https://github.com/QwenLM/Qwen-Image-2.1 - Model Scope: https://www.modelscope.cn/models/Qwen/Qwen-Image-2.1 - Hugging Face: https://huggingface.co/Qwen/Qwen-Image-2.1
Latent SpaceのAINewsは、OpenAIが安全研究者3人を解雇したとする当事者の主張を最初に取り上げている。あわせて、GPT-6.1 Sol Ultrafast、Claude Haiku 5.5、Sonnet 5.5のキャッシュ読み取り半額化、評価の不正利用、インフラ、研究、業界動向をTwitterとRedditから整理している。
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。
ELYZAは、LLM-jp-4をベースにした日本語重視の推論モデルELYZA-Thinking-1.0-llm-jp-4-33b（Dense）と32b-a3b（MoE）をHugging Faceで公開した。20ベンチマークの総合スコアは33B版が61.7、32B-A3B版が58.5である。Mid-training、SFT、RLの各段階の設計と効果も解説している。
Hugging Faceの著者がHuggingChatのML Internを使い、数日で6つのモデルを作成して公開した。0.8Bのプロンプトリライターは計算費用16ドルで、有効出力率は99.7%、教師モデルの約4分の1のトークンで動作する。6件の計算費用は合計で約103ドルである。
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。
Ethan Mollickは、エージェントを管理者として設計・編成する必要があるという従来の予想は誤りだったと述べた。数千のエージェントによるswarmが、OpenAIのNavier-Stokes問題の証明で自ら組織化した例を根拠に挙げている。一方でAIが人間の仕事を大量に代替できる段階ではなく、自己組織化には予期せぬ方向へ進むリスクも残ると指摘する。
Hugging Faceが、多言語とボイスクローンに対応するオープンソースTTSモデルを客観指標で評価する「Open TTS Leaderboard」を公開した。認識精度を示すWER/CER、推論速度を示すRTFx/TTFA、話者類似度を示すSIMを用い、アリーナ型評価に比べてモデルの評価期間を数週間から数時間に短縮するとしている。人間の好みを測る評価は「Listen」タブでの投票に委ねられる。
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。
NVIDIAは、AIエージェントのテストから展開までを保護するオープンなプラットフォーム NVIDIA Open Agent Safety Platform を発表した。ソフトウェアの OpenShell と、BlueField-4 DPU 上で動作するリファレンス設計 Sentry で構成される。OpenShell は NVIDIA 開発者向けソースページと GitHub から入手できる。
選定理由：ソフトウェア層のOpenShellとBlueField-4上のSentryという二層構成で、エージェント制御の置き場所を整理して読める。
Holo4は、GUI・コード・MCP・APIを使い分けて操作するエージェント型モデルシリーズで、27B dense版と35B-A3B（Mixture of Experts）版の2サイズが提供される。OSWorld 2.0ではHolo4 27Bが61.7%を記録し、Opus 5.5の81.8%には及ばないものの、パラメータ数とコストは大幅に少ないとされる。両モデルはH Models APIで利用可能で、Holotron4 Nanoも併せて公開された。