XYBench:ユーザーの質問に潜む誤った前提を見抜けるか試すベンチマーク
Hugging Faceは、ユーザーの質問に含まれる誤った前提(XY問題)をAIアシスタントが識別し、真の目的へ導けるかを試す8K件超の質問からなるベンチマーク「XYBench」を公開した。同ベンチマークはEMNLP 2026のBest Resource Paper Awardを受賞した。
Hugging Faceは、ユーザーの質問に含まれる誤った前提(XY問題)をAIアシスタントが識別し、真の目的へ導けるかを試す8K件超の質問からなるベンチマーク「XYBench」を公開した。同ベンチマークはEMNLP 2026のBest Resource Paper Awardを受賞した。
Microsoft Research Focus 第98号は複数の研究進展に焦点を当てている。AI音声翻訳が汎用翻訳の実現を後押しし、新研究が高次元幾何学の分野で31年間未解決だったKLS予想を解決した。その証明は計算機支援による形式検証を通過している。
Google Researchは、コンシューマー向けウェアラブル端末のデータから介入可能な「コーチング可能な健康年齢」(CHA)を構築する研究フレームワークを提案した。約10万人のFitbitユーザー、228万人週分のデータに基づいてセンサー世界モデルSensorWMを訓練し、歩数・睡眠・運動習慣の違いに応じて今後12週間で20項目の生理指標がどう変化するかをシミュレーションできる。
Microsoftの研究者はLazarusと呼ばれるバックドア手法を発見した。LLM内の10個未満の休眠ニューロンの重みを書き換えるだけで、再学習なしに、そのモデルを使うエージェントがトリガー条件の出現時に攻撃者の命令を実行するようになる。
Google DeepMindは、複数のLLMエージェントによる形式検証フレームワークAlphaProof Codeを公開した。AIエージェントがSignalプロトコルの実際に稼働するコードについて数学的証明を行い、主要なセキュリティ特性を検証する。
BAIRは11月9~12日にAustinで開催されるCoRL 2026で、メイン会議の論文33本、Late-breakingポスター4本、oral/spotlight 10件(oral 3件、spotlight 7件)を発表する。
ElithとNVIDIAは、オープンソースのペルソナデータセットNemotron-Personas-Japanの金融分野向け拡張版であるNemotron-Personas-Finance-Japanを公開した。日本の公式統計と家計金融・金融リテラシーのデータを組み合わせた、100万件規模のオープンなペルソナデータセットとしては初めてだとしている。
Hugging Faceは、エキスパート同士の相互作用を考慮する二階のMoEエキスパート剪定手法HOPE(Higher-Order Pruning of Experts)を提案した。50%の剪定率でHOPEは全手法中最高の平均順位を記録し、エージェント型コーディングタスクでは次善の剪定手法より最大+6.1%向上した。
Microsoft ResearchはGitHub NextおよびRiSEグループと共同で研究プロトタイプ「PDD Kit」を公開した。開発者の自然言語による意図をVerusの形式仕様に変換し、エージェントが生成したコードがすべての入力に対して仕様を満たすことを証明する。証明が届かない部分はテストにフォールバックする。
Google ResearchはNatureに研究を発表し、スマートウォッチの光電容積脈波(PPG)と加速度計(ACC)の信号を用いてカフによる校正なしに高血圧状態を受動的に識別するマルチモーダルAIシステム「AI-PPG-ACC-HTN」を提案した。
OpenAIは、Linuxカーネルでローカル権限昇格の脆弱性948件を発見・検証し、パッチを生成する自律パイプラインを構築した。資料はこの結果のみを示し、パイプラインの具体的な構成や脆弱性の詳細は明らかにしていない。
Google ResearchはAgile Deliberationフレームワークを提案した。主観的な視覚分類器の構築を概念の定義と概念の反復の2段階に分け、VLMが意味境界の曖昧な画像を能動的に選び出してユーザーに自らの定義を明確化させ、そのフィードバックを自動プロンプト最適化のループに取り込む。
IBMはHugging FaceのブログでPaletteを紹介した。20BのオープンウェイトモデルをLoRAで微調整し、スライド作成を「デザイナーがJSONブリーフを書く」「コーダーがpptxgenjsのコードを書く」という2つの役割に分解した。訓練データは約1000件のスライド、約1万ページで、IBM Design Languageに準拠している。
Hugging Faceは、言語モデルが長文書内でエンティティの状態変化を追跡する能力を評価するベンチマーク「StateBench」を公開した。難易度はR-trivial、Aperiodic、Soluble、General finiteの4段階で構成される。
Microsoft Research Focus 第97期では複数の新研究を紹介。自己改善エージェントフレームワークForkPilotは6つのベンチマークと主要モデルでテストされ、既存の最良手法と同等の水準を達成しつつ、AI処理のオーバーヘッドを最大59%削減した。
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、Kakeya予想、指数時間仮説、量子色力学に関するモデルの結果を公開し、研究者がこれらの結果をどのように検証し、さらに発展させられるかを説明した。内容はOpenAIと学術コミュニティの協力によるものだ。
Google ResearchとGoogle for HealthのチームはIDWeek 2026で、結核スクリーニングAIが研究から臨床へ至る道筋を共有した。2019年にRadiologyで基準を発表し、2024年にNEJM AIで多施設前向き検証を完了、その後南アフリカのNexus AIがCE MDR class IIb認証を取得した臨床診断ツールへと製品化した。
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。
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。
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。
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。
Dharma-AIはHugging Faceのブログで、近く公開するVocabX論文を紹介した。語彙を頻度ではなくトークンあたりのコストに基づいて再構築する手法により、Qwen3-4Bベースのポルトガル語作文採点器で実測の推論コストを77.0%削減し、平均応答を350トークンから101トークンに、benchスコアを0.703から0.810に改善した。
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。
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。
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。
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。
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。
Google DeepMindはGemini 4 Argonの安全性・セキュリティ報告を公表し、同モデルの広範な展開を開始するとともに、Fairwind Programの信頼できるサイバー防御者の範囲を拡大した。
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 ResearchとNBERは、3カ月間の実地実験を発表した。11の知的財産法律事務所の弁護士133人を対象に、当時未公開だったGoogle LabsのAI特許作成アシスタント(現在はGemini Notebookに所属)をランダムに開放した。
NVIDIA のチームは Nemotron 3 を出発点に、SFT、RL、フィードバック駆動の推論フローを用いて、モデルを IOI 2026 と IMO 2026 の両方で金メダル水準に到達させた。IOI 2026 では Nemotron-3-Ultra-CC が 535.4/600 を記録し、金メダルラインの 361.12 と人間の最高得点 498.27 を上回った。IMO 2026 ではシステムが 30/42 を獲得し、公式の金メダルライン 29 を上回り、6 問のうち 4 問で満点を取った。
OpenAIは、数学の未解決問題に対して内部フロンティアモデルが得た新たな結果を発表し、Leanによる証明の形式化と関連する研究の詳細を公開した。関連資料はGitHubで公開されている。
Google Researchは、Google Earth AIのPopulation Dynamics Foundation Model(PDFM)を概念実証として用い、自己教師あり事前学習による「場所」の埋め込みベクトルを既存の疫学ワークフローに直接組み込む手法を示した。タスク固有の微調整なしで、従来の入力と同等以上の性能を達成できるという。
Googleは報告書「エージェントのプライバシーとセキュリティにおける未解決・新興課題:文脈的観点」を公開した。2025年末にニューヨークで開催されたCAPSワークショップで、学界と業界から50名以上が協力してまとめたもの。報告書は、エージェントが非構造化インターフェース、確率的な制御フロー、自律的な委任という3点で従来のソフトウェアと異なると指摘。Contextual Integrity理論を基盤に、リアルタイムでポリシーを生成する文脈ポリシーエンジンを構築し、システムサンドボックス、モデル推論、ユーザー制御の各層で協調して防御すべきだと主張している。