Anthropicの研究:専門家はAIエージェントのランダムな意見を採用し、自分の判断とみなす
Anthropicが因果推論の専門家50人を対象に行った実験で、エージェントの5つの意思決定ポイントの選好をコイン投げでランダムに指定したところ、専門家は4つの分析上の意思決定で86%の割合でエージェントの立場を採用し、反転率は62%から82%に達した。
Anthropicが因果推論の専門家50人を対象に行った実験で、エージェントの5つの意思決定ポイントの選好をコイン投げでランダムに指定したところ、専門家は4つの分析上の意思決定で86%の割合でエージェントの立場を採用し、反転率は62%から82%に達した。
Google Researchは、LLMが能動的な対話とオフラインの睡眠を交互に繰り返し、短期的な文脈を長期的なパラメータへ定着させる「sleep」フレームワークを提案した。睡眠段階では、MoEによるパラメータ拡張、知識蒸留、RLによる模倣学習を通じて記憶の定着を図り、さらにランダムなエキスパートの活性化と勾配で選別した合成サンプルによって自己改善する。
Ai2は研究「Old Ideas, Novel Problems」を公開し、大規模言語モデルが科学研究アイデアの新規性を判断する信頼性を検証した。併せてベンチマーク、データ、コードをオープンソース化した。研究ではICLR 2026の査読意見に基づき、新規性の高い人間のアイデア154件と低い145件からなるプールを構築し、さらにLLMが生成したアイデア154件を用意した。
OpenAIは、数学・計算機科学・物理学の3分野で自社AIが生み出した証明を検証するため、外部専門家をshepherd(監督役)として招いた。各分野の専門家の助言に応じて個別に対応する。数学と計算機科学の証明はLeanに翻訳済みで、計算機科学の結果は指数時間仮説(ETH)を覆すと主張し、数学の結果は全次元における局所平滑化予想を証明したと主張している。
ニューヨーク大学とテキサス大学オースティン校の研究者が、Claude、GPT-5.6、GLM-5、Kimi K2.5、Llama、Olmo など 14 のモデルに日常会話、コーディングセッション、論説文を生成させ、計 120 の会話、45 のコーディングセッション、980 の論説文を分析し、映画字幕や StackExchange、学生の作文などの人間のテキストと比較した。
南京大学と商湯などの研究機関の研究者がOpenMobile-2を公開した。Qwen3.5ベースの9BとQwen3.6ベースの27Bで2つのスマホエージェントモデルを構築し、訓練環境、データ、再現手順を公開している。
Convovoの研究がAPI経由でGrok 4.7とGPT-6.1 Solに「誰に投票すべきか」と質問したところ、約500の選挙でGrokは92%の回答が共和党候補を推薦し、GPTは97%が民主党を推薦した。両者の一致率は10%未満だった。
Googleが資金提供した研究で、特許弁護士がまずGoogle Labsの未公開AIアシスタント「InFlow」を使って特許請求項を起案し、その後AIを使わずに審査課題をこなした。結果は独立系法律事務所のブラインド審査の弁護士が5つの観点で採点した。
Liu と Han の研究は、Claude Code、OpenCode、mini-SWE-agent の3つのフレームワークで Qwen3.6、Qwen3.8、Deepseek-V4-Flash、GLM-5.3-Flash、HY4-Preview などのモデルを実行し、フレームワークを変えたことによる成績の変化は同一設定での再実行時のばらつきと同程度で、447タスクで最も重いフレームワークと最も軽いフレームワークの差は2点未満だったと報告した。
ペンシルベニア大学とHugging Faceは、研究者が文献を読む中で「文献が引き起こす方向転換」を実現するプロトタイプシステムLitPivotを共同開発した。論文はUIST 2026で発表される。
MITの研究者がarXivに論文を公開した。Claude Opus 4.7で動く13体のEkoエージェントを模擬無人島に置き、タスクを与えず30時間探索させたところ、自ら課題を考案し、遊びに似た行動を示した。
MicrosoftとHugging FaceはThinkingBox-Trainingを共同公開した。ThinkingBoxによるデータベース終状態の決定論的検証をそのままRL報酬として使い、状態を持つ業務エージェントの訓練に用いる。
MicrosoftのAI診断システムMAI-DxOは、『Science』に掲載された研究で、『New England Journal of Medicine』の複雑な症例に対する模擬診断の正答率が83%だった。単独で診療する一般医・内科医は36%だった。こうした複雑な症例は通常、専門医やチームが対応するが、今回は比較対象に含まれていない。
マイクロソフトはGPT-5を搭載したDiagnostic Orchestratorを発表した。複数のAIエージェントが症状を推論し、検査項目を決定して診断を下す仕組みで、『ニューイングランド・ジャーナル・オブ・メディシン』の症例で約83%の正答率を記録した。参考資料を使った一般医は約36%、使わない場合は約22%だった。
Google DeepMindはGoogle Research、WRI、IIASAと共同でForest Typology(ForTy)2020を公開した。地球上の10×10メートルの各区画を6つの森林・土地利用類型に分類するもので、EUの森林破壊規制(EUDR)の重要なベースラインとなる。
OpenAIはPerturbAI、Scripps Researchと協力し、GPT-Rosalindを基盤とする数千のAIエージェントを展開して、数百万のマウス細胞を対象とした全脳CRISPRアトラスを解析した。所要時間は32分だった。
Microsoft Researchの機械学習・最適化グループのXinzhi Zhang氏と共著者のZhao Song氏が、1995年に提唱されたKannan-Lovász-Simonovits(KLS)予想を証明した。この関係は高次元においても次元の増加によらず固定の定数で抑えられることを示す。
Google ResearchはJAMA Network Openに研究を発表し、盲検スキャン超音波に基づく在胎週数推定AIモデルが、異なる臨床環境やハードウェアでどこまで汎用化できるかを評価した。
OpenAI、PerturbAI、Scripps Researchは分散型AIエージェントを用い、数百万個の脳細胞のデータから有望な研究の手がかりを掘り起こした。この協業は、大規模なエージェント連携が生物データ解析で実際にどう活用できるかを示している。
AnthropicのClaudeは、Claude Scienceの研究環境でサソリ神経毒に標的を絞ったタンパク質結合体をほぼ自律的に設計した。この毒による死者は年間3250人を超える。
i14はAWSと協力し、TorchNeuron Nativeを通じて線形注意モデルLaplace 3BをAWS Trainium2へ移植した。Gated Linear Attention設計とMuon最適化器を維持している。
Hugging Faceは、採用や融資、医療などの意思決定におけるLLMの集団公平性を測るベンチマークFairStressを公開した。Olmo、Llama、Qwen、Gemma、Claude、GPTシリーズのモデルを対象とする。
ALTK-EvolveはGPT-4.1を使い、エージェント自身のタスク軌跡から行動規範を抽出してシステムプロンプトに追記する。τ²-benchの小売ドメインでPass^4 67.5%に達し、リーダーボード上の全小売エントリーと微調整モデルRAFT-30B-A3Bの61.4%を上回った。
MIT CSAILの研究者が、Claude Opus 4.7のコピー(コード名Eko)をRobloxベースの仮想無人島に30時間単独で置き、タスクを指定しなかったところ、エージェントは自力でマップの境界を探索し、目標を設定し、ブロックの模様や星座、自作のゲームを作り出した。
独立系AI安全研究者のMatilda Glynn-Henley氏がVals AIのサイトで実験を公開した。Grok 4.7、Claude Fable 5.1、Gemini 3.8 Flash、GPT-6 Astra、Muse Spark 1.3、Claude Opus 5.5の6モデルに、模擬環境でキャンセルされた350ポンドの鉄道切符の払い戻しを回収させたところ、すべて失敗した。
研究者らは、長期的なタスクにおける取捨選択の判断を検証する502問の意思決定分岐問題からなるTaste-Benchを提案した。最高性能のGPT-5.6 Solでも正答率は59.7%にとどまり、他のモデルは大きく下回った。
一見成功しているが各1カ所に欠陥がある合成作業ログ1600件で複数モデルを試した研究では、GPT-5.5は論文要旨200件のうち2件しか結論を弱める否定的結果に言及しなかった。
Google Researchは研究ブログを公開し、AIエージェントがウェットラボ実験を閉ループで進めるための3つの進展を紹介した。VERIDフレームワークは実験台の意味的デジタルツインを構築し、リアルタイムの3D状態追跡、仮想予行演習、ハードウェア安全チェック、映像による動作ログの同期を可能にする。
NVIDIAはIIT MadrasのAI4Bharatラボと共同でNemotron-pretraining-Indic-v1を公開した。約2.8兆トークンで22のインド言語をカバーし、うち2,601.0億が現地文字トークン、224.6億がローマ字化トークン。カウントにはGemma-4トークナイザーを使用。
Microsoft Researchはゼロ知識仮想マシンMagnetarを公開した。Rust、Go、Cで書かれたRISC-Vプログラムの実行を証明でき、ノートPC上で毎秒720万〜870万のプロセッサ命令を証明、15のベンチマークプログラムで既存の最速zkVMより平均10〜39倍高速で、証明の検証は約12ミリ秒。
新しいベンチマークで複数の商用AIエージェントが人間のヒントなしに理論物理の研究問題を解き、OpenAI Codex環境で動作するGPT-6-Astraが50問中49問(98%)を正解した。1問あたりの平均コストは3ドル未満、ベンチマーク全体で約116ドルだった。
研究者らはAI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を残してそれ以外の部分を置き換え、特定のタンパク質を狙って二分割できる酵素を設計した。神経疾患に関連するタンパク質を切断することで有効性を検証した。プロテアーゼはペプチド結合の切断を触媒するが、ペプチド結合自体の半減期は数百年と推定されている。
研究者のEthan Elasky氏によると、2026年9月28日から10月8日の期間に、Tencent Cloud上で稼働するAIエージェントが、Alibaba傘下のAmapに対して2,600回を超えるデータスクレイピングを試みた。
Googleは地理空間推論エージェントの技術報告書を公開し、4つのベンチマークで4種類のエージェント構成を比較した。あわせて新ベンチマークGeoKToolsとGeoExpertQueriesの開発セットをオープンソース化した。
Ai2はHiRO-ACEシステムの新バージョンHiRO-ACEv2を公開した。ダウンスケーリングモデルHiROv2は複数の高解像度気象場を同時に予測でき、極端な降雨・風速・気圧事象の再現能力を高めている。
Anthropicの研究者William Zhou氏とDaniel Freeman氏による新研究は、小型AIモデルがセキュリティの甘い消費者向けIoT機器上で自己複製できるかを検証し、複製プロセスをネットワークのスキャン、アクセス取得、新機器上でのAI環境構築、さらなる拡散の4段階に分けた。
マイクロソフトリサーチの研究がFork-and-Flush手法を提案した。エージェントをK個の並列ブランチに分岐させ、各ブランチで会話コンテキストをすべて消去しつつワークスペースは保持することで、同じ種類の解法を磨き続けるidea basinsから抜け出せるようにする。
Sakana AIとUC Berkeleyの研究者らは、同一の言語モデルが問題解決、ワークフロー最適化、結果評価の三役を同時に担い、再帰的自己改善を実現するMulti-Agent Self-Supervision(MASS)を提案した。
Microsoft Researchは、公開された匿名化済みの学習記録から個別化されたAI学生シミュレーターを訓練する研究システム「StudentSim」を発表した。AIチューターが実学習者に触れる前にフィードバックを得られるようにするもの。行動の忠実度とチューターへの応答性という2つの軸でシミュレーターを評価するベンチマーク「StudentSimEval」も提案し、チェス、第二言語としての英語ライティング、数学の3領域で主要なベースラインを上回った。StudentSimは製品ではなく、教室に配備されることも、教師を代替することもない。
Google DeepMind の新研究が Science に掲載された。AlphaProof Nexus は 353 の未解決 Erdős 問題のうち 9 つを独自に解決し、そのうち 2 つは 56 年間未解決だった。チームは論文発表前に解答をオンラインで公開していた。