Python 3.15.0、actions/python-versions に追加
Python 3.15.0 が actions/python-versions に追加され、GitHub Actions のテストマトリクスに「3.15」を記入してこの新バージョン向けにテストを実行できるようになった。筆者はそれ以前、ChatGPT にこのリポジトリを1時間ごとに確認させ、安定版 3.15 の登場を待っていたという。
Python 3.15.0 が actions/python-versions に追加され、GitHub Actions のテストマトリクスに「3.15」を記入してこの新バージョン向けにテストを実行できるようになった。筆者はそれ以前、ChatGPT にこのリポジトリを1時間ごとに確認させ、安定版 3.15 の登場を待っていたという。
Standard Bots は共有基盤モデルとデモによる微調整で産業用ロボットアーム向けの AI を構築している。最大モデルでも数十億パラメータ程度にとどまり、ゼロショットの知覚システムで機械への着脱作業における部品の位置特定・認識を担い、運動とセルロジックは従来どおりプログラミングで処理する。
Postman は Amazon Bedrock 上で Agent Mode を構築・運用し、4000 万人の開発者に API テスト、ドキュメント、ディスカバリー、実装をカバーする AI ネイティブな作業方法を提供している。
Ai2は従来の優先度ベースのスケジューラを、GPU時間予算、階層的な公平配分、タイムスライス契約を含む仕組みに置き換えた。これにより、各研究プロジェクトに割り当てるGPU時間の議論は、個別対応の運用業務から透明な行政的予算プロセスへと移行した。
Simon Willisonは、ChatGPTデスクトップ版のCodexタブにある音声会話モードを使い、夕食を作る30分の間にGPT-6 Astra HighでブログのNewslettersページを開発した。新しいDjangoモデル、4つのインポートスクリプト、/newsletters/アーカイブページ、サイト内検索との統合を含む。
著者はHuggingChatのML-internを使い、自然言語のプロンプトで2日間に6つのモデルを訓練・公開した。柑橘病害VLM、Huggy LoRA、カメラ視点LoRA、Doodle-in LoRA、Pocket Rewriter 0.8B/2B、Agate 4-step蒸留モデルが含まれ、計算コストの合計は約103ドルだった。
Amazon SageMaker HyperPod が EKS ベースのマルチテナント参照アーキテクチャを発表。複数チームが同一の GPU クラスタを共有しながら、分離とリソースの公平性を保てる。
Cornerstone OnDemand は Amazon Bedrock と Strands Agents を基盤にマルチエージェントシステム Orion AI を構築し、データベース診断時間を 45 分から 10 分へと 78% 削減した。データベースのライフサイクル操作も 10 以上の手動ステップから 1 回の対話に圧縮し、冗長アラートの中央値は 65% 減少、SRE とデータチーム間の 15 分のレポート遅延はリアルタイムになった。3 人チームが 6 か月で納品した。
AWSは、エンジニアリングの背景を持たないビジネス担当者が、Amazon Bedrock AgentCoreやStrands Agents SDKなどのツールを使って動作するAIプロトタイプを構築できるよう、週約4時間・6週間の構造化プログラムを設計した。
AWS は自動修復ワークフローを公開した。Amazon EventBridge で AWS DevOps Agent の調査完了イベントを受け取り、AWS Lambda Durable Functions が Amazon Bedrock を呼び出して分析し、修復ツールをマッチングする。
AWS は agentic automation のビジネス価値を評価するための Agentic Value Model を提唱し、従来の RPA 時代の ROI モデルである「削減工数×人件費−構築コスト」が、例外処理、意思決定の質、変更への耐性、価値実現といった次元を見落としていると指摘した。このフレームワークは McKinsey の「1:3:5 モデル」を引用しており、agentic 技術に 1 ドル投資するごとに、プロセス再設計に 3 ドル、能力構築と定着に 5 ドルを費やす必要があるとしている。
オープンソースのエージェントシステム OpenClaw と Amazon Bedrock AgentCore runtime を基盤に、永続的な記憶を持つ文脈認識型 AI アシスタントを構築できる。AgentCore memory は単発の会話を長期知識に変え、構造化メタデータによる検索にも対応する。
Datasette 1.0a41 で OpenTelemetry サポートが追加されたことを受け、著者は Codex を使って Parseable を起動し、Datasette のトレースを受け取れるようにした。
Amazon Bedrock AgentCore、Amazon Nova 2.5 Sonic、Amazon Bedrock Knowledge Bases を基盤に、航空会社のアプリに音声旅行アシスタントを構築できる。旅行者は音声で旅程を照会し、座席を変更し、食事の好みを更新し、有人オペレーターに転送できる。
AWS が Amazon SageMaker HyperPod の管理とガバナンスのベストプラクティスを公開した。組織、プロジェクト、クラスタ、ワークロードの4層の制御モデルを提示し、複数チームが加速コンピューティングクラスタを共有する際の権限と容量の区分けに用いる。
Simon Willison は Claude Opus 5.5 に簡単なテキスト音楽フォーマットを設計させ、それを再生できる artifact を構築させた。さらにサンプル曲には初代『モンキーアイランド』の水準を求めた。出来上がった曲は意図した以上にモンキーアイランド色が強かったが、品質は驚くほど良かった。同氏は、テキストモデルによる作曲は以前の 3D グラフィックス能力と同様、ここ数カ月で現れた新しい能力かもしれないと推測するが、検証にはさらなる実験が必要だとしている。
Amazon Quick のコンソールでは、ユーザーを Admin から直接 Reader に降格することも、Author から直接 Reader に降格することもできない。update-user API も「You cannot downgrade a user role」というエラーで拒否する。
Amazon Bedrock Managed Knowledge Base にエージェント検索機能が追加された。AgenticRetrieveStream API を通じて複数部分からなる質問をサブクエリに分解して実行し、証拠が十分かどうかを判断し、不足していれば再検索する。langchain-aws パッケージはこの機能と標準の Retrieve API の両方を公開している。
Anthropic の Claude Opus 5.5、Claude Sonnet 5.5、Claude Sonnet 5 が AWS GovCloud (US) リージョンの Amazon Bedrock で利用可能になり、ITAR などの規制対象ワークロードに AI 支援開発の手段を提供する。
ハーバード大学の物理学者Matthew Schwartz氏がAnthropicのゲスト記事でオープンソースツールBootLoopsを紹介。Claudeに正確な科学計算をさせるもので、3か月でチームは18分野で36本の原稿を執筆し、共著者は19人に上った。
Amazon SageMaker AI 上でマルチターン強化学習(MTRL)により Qwen3.6-27B を微調整すると、BM25 字句検索とベクトル検索のツールを複数ターンにわたって自律的に呼び出す検索エージェントを訓練できる。
Amazon Bedrock AgentCore の AgentCore Gateway を使うと、Claude Desktop を Amazon のウェブインデックスに支えられた Web Search に接続できる。クエリのトラフィックはすべて AWS 内にとどまり、外部 API キーは不要。
AWS は Adjudicated Query という設計パターンを提案した。業務ユーザーが Amazon Quick のチャット画面でコンプライアンス上の質問をし、実際の判定は決定論的ルールエンジンが行い、モデルは自然言語を固定型の操作呼び出しに変換して結果を言い直す役割だけを担う。このパターンは完全性レシートによって「スキャン済み = 適合 + 違反 + 保留 + 判読不能」を保証し、バージョン管理されたルールデータで事後監査の追跡を可能にする。リース契約のコンプライアンス、制裁スクリーニング、保険金請求などの高リスク領域に適する。
OpenAI が GPT-6 シリーズのモデルガイドを公開。スタートアップ向けに、GPT-6 モデルの選び方、推論強度の調整、プロンプトとスキルの改善、ツールの連携、本番環境に向けたワークフローの準備方法を説明している。
GitHubはAI時代に開発者が強化すべき3つのスキルを提唱した。AIエージェントをただ使うのではなく指揮することを学ぶ、AIの最初の回答を安易に信じない、AIで節約した時間をより大きな問題の解決に充てる、の3点である。記事ではGitHub Copilot内蔵のRubber Duck agentを例に挙げ、2つ目のモデルが計画・コード・テストを批判的にレビューすることで、最初のモデルが見落とした問題を発見できると説明している。
ServiceNow CoreAI は AutoSynthData を構築した。対象モデルの失敗事例と、より強力な教師モデルの成功軌跡を利用して能力のギャップを特定し、後訓練用の新しいタスクを生成・検証する。カリキュラムはモデルの進歩に応じて、依然として難しいタスクへと動的に移行する。このパイプラインは EnterpriseOps Gym 環境で実演され、タスクはシステム仕様、ユーザープロンプト、検証器の三つで構成され、実現可能性、現実性、難易度の要件を満たす必要がある。
AWS Professional Services は Strands Agents SDK と Amazon Bedrock AgentCore を基に 4 エージェントパターンを構築し、アプリケーションごとの Infrastructure as Code(IaC)開発時間を 3〜4 週間から数分に短縮した。このパターンは 300 以上のアプリケーションを対象とする移行プロジェクトで検証された。
uniopen は Amazon SageMaker AI で Amazon Nova 2 Lite を教師ありファインチューニングし、プロンプトレベルの出力最適化も行うことで、自社の小売審査ポリシーに適合させた。このポリシーは九種類の行為と、ブランド・その他・禁止という三種類の対象の二軸で分類される。ファインチューニング用データセットには 3391 の対話ウィンドウが含まれ、三種類の構成を 737 の対話ウィンドウからなるホールドアウトテストセットで比較評価した。
Claude Platform on AWS(CPonAWS)向けに、専用の AI Services アカウントを基盤とする 3 アカウント構成で 3 種類の推論アクセスを実現する。AWS ワークロードはクロスアカウントの SigV4 でキーなしに呼び出し、開発者のノート PC は開発ワークスペースに紐づけた長期 API キーを使い、外部環境は OIDC フェデレーションで短期クレデンシャルを取得する。
Amazon Bedrock AgentCore は「環境エージェント(ambient agent)」の構築に対応する。Amazon S3 のイベント通知、EventBridge ルール、Lambda トリガーなどのイベントストリームから直接起動し、ユーザーが会話を開始する必要はなく、複数のイベントを並行して処理できる。
Amazon PaymentsはAmazon SageMaker AI上で多目的文脈付き多腕バンディット(LinUCB)を用い、製品獲得ファネル向けのパーソナライズされたコンテンツ選択を実施。7週間のオンラインA/Bテストでは、ある顧客集団で最終ファネルのコンバージョン率が相対で1桁台後半の改善を示した一方、別の集団では改善が見られず、問題はモデルではなくコンテンツにあった。
NVIDIA NeMo Agent Toolkit(NAT)は、カスタム memory provider を通じて Amazon S3 Vectors を接続し、マルチエージェントシステムの永続メモリ層として利用できる。Amazon EKS 上にデプロイする。
Amazon Bedrock Knowledge BasesにAgenticRetrieveStream APIが加わった。複数の要素を含む保険金請求に関する質問をサブクエリーに分解し、根拠が十分になるまで検索を繰り返して、引用付きの回答を生成する。
AWSの公式ブログが、Amazon Bedrock AgentCore Runtime Instancesに3エージェントの音楽制作パイプラインを配置する例を紹介した。作曲エージェントはClaude Sonnet 4.6で音楽の制作要件を生成し、インスタンスのNVIDIA L4上でACE-Stepを実行して音声をレンダリングする。納品エージェントは共有ボリュームの.wavを読み、測定とDSP処理を行う。適合確認エージェントは独立して再測定し、楽曲ライブラリーとの和声的類似度を調べる。
Amazon Quickのプロンプト設計は自然言語の依頼に対するAI機能の回答品質を左右する。公式の2部構成シリーズの第1部は、コンポーネントに共通する原則と再利用できる枠組みを扱う。CRISPEは文脈と制約、役割と責任、意図と入力、手順と範囲などを含み、抽象的な説明より具体化、業務の文脈、例示が有効だと強調する。
AWSがAmazon Quick各コンポーネントのプロンプトの書き方を解説した。Quick Researchでは目的、対象者、期間を明確にし、サブ質問を自ら分解してデータソース(Quick Index)を限定する必要がある。
Amazon Quick と Amazon Bedrock AgentCore による契約分析基盤は、AI エージェントが契約 PDF から八つの重要項目を抽出し、独立して検証する。署名認識の相違は Amazon Textract が判定し、結果を Amazon Aurora PostgreSQL に保存する。
AWSはSageMaker AIにQwen3-TTSを配置できるvLLM-Omni DLCを公開した。持続的な双方向接続1本で文字を入力しながら音声を出力し、生成が完了する前から再生を始められる。
AWSは、同じvLLM-Omni DLCイメージを使った2つのエンドポイントをSageMaker AIへ配置するチュートリアルを公開した。リアルタイム側はFLUX.2-klein-4Bで画像を生成し、非同期側はWan2.1-VACE-1.3Bで画像条件付き動画を生成する。テキスト指示からPNGを生成し、動きの指示とともにAmazon S3経由で動画側へ渡し、最終的にS3からMP4を取得する。例にはコマンドライン手順と任意のStreamlit画面を含む。
Amazon Nova ActとAmazon Bedrock AgentCoreを使うエージェント駆動の合成監視構成は、SeleniumやPlaywrightのDOMセレクタースクリプトを自然言語の動作指示で置き換える。マルチモーダルLLMが画面のスクリーンショットを読み、ログイン、注文、決済などの重要な手順を実行する。