catchup

Claude Cowork統合と新機能ほか14件

朝版ai

目次

1. Claude Coworkとチャット統合

  • Claude Coworkとチャットが本日統合され、1つのClaudeに。ProとMaxプランで数週間以内に展開され、他プランも順次対応予定です。
  • Claude DocsとClaude Slidesが本日新登場。Claude Designも会話内で利用可能になり、文書・スライド・デザインを会話から直接作成できます。
  • Docs・Slides・Designの3機能は有料プランでベータ提供。Enterprise管理者は各機能の有効化を個別に選択できます。
  • Claude Designの単独利用は従来通り継続。CoworkとDesignの機能がどの会話からも利用でき、タスクの振り分けをClaudeが判断します。

原典 Claude Cowork and chat are now one Claude

2. DeepSeek Flashが全11ターゲット突破

  • DeepSeek V4.1 FlashはAIハッキングベンチマークで脆弱な全11ターゲットにコード実行を獲得し、固定された4ターゲットはすべて安全を維持しました。
  • 受け入れられた実行のコストは4.65ドルで、失敗や置き換え実行を含む完全コストは5.14ドルでした。
  • ベンチマーク全体で2,349個のBashコマンドを使用し、アクティブモデル時間は約2時間38分、成功実行の中央値は4分38秒でした。
  • 入力トークン268.3Mのうち266.2Mがキャッシュされ、再利用入力の低価格適用によりコストを大幅に抑えました。
  • Grafanaでは90秒未満で突破し、プラグインインストールの問題を利用して一時フォルダに実行ファイルを配置し、通常プラグインとして読み込ませる短縮ルートを発見しました。

原典 DeepSeek v4.1 Flash Is Now Our Best Hacking Model

3. 4BモデルでPostgresより44.7%高速なクエリプラン生成

  • 4Bパラメータの小型オープンモデルをSFTとエージェント型RLで学習し、Postgresのデフォルトプランより44.7%高速なクエリプランを生成しました。
  • 113件の結合重視クエリで44.7%のレイテンシ削減を達成し、当初99件でプラン生成ができなかったモデルが改善しました。
  • ノイズの多い環境でRLロールアウトを評価するため、カスタムGRPOバリアントを設計しました。
  • 測定リグはLinuxページキャッシュ競合を最小化するコンテナ構成で、vLLMとトレーナーを2x H100ノード、Postgresコンテナ4台をデスク上で分割実行しました。

原典 Training a 4B model to produce 81% faster query plans than Postgres

4. Jev：20〜200倍高速・40〜400倍安価の分類専用モデル

  • TypeSafeが「System One Model」Jevを発表しました。決定・分類・ルーティング・スコアリング専用で、コード生成や推論は行いません。
  • 小型フロンティアLLMと比較して20〜200倍高速、40〜400倍安価と主張しています。RLCD（calibrated decisions）で学習しました。
  • 並列サンプリングと「幻覚なし」、キャリブレーションを提供し、従来の自動回帰LLM（System Two）を補完する設計です。
  • ChatGPT共同発明者のDiogo Almeidaが2年間ステルスで開発。発表は数百万ビューを獲得し、Hacker Newsで長時間トップを維持しました。

原典 [AINews] Jev: a “System One Model” that only decides/classifies/routes/scores — >100x faster, >200x cheaper than small frontier LLMs

5. Codex 0.155.0-alpha.2.6リリース

  • OpenAI Codexの新リリース0.155.0-alpha.2.6が公開されました。リリースタグはrust-v0.155.0-alpha.2.6です。
  • コーディングエージェントの最新ビルドを追うことで、個人開発者が自動化の精度と範囲を把握できます。
  • 今日から使える自動化の最新状態を確認でき、技術選定の判断材料になります。

原典 0.155.0-alpha.2.6

6. Xiaomi Mimo 2.6ライブダッシュボード公開

  • Xiaomi Mimo 2.6のライブポストトレーニングダッシュボードが https://mimo.xiaomi.com/rl/ で公開されました。
  • ページには overview、metrics、about のナビゲーションがあり、ポストトレーニングのリアルタイム状況を可視化します。
  • オープンウェイトモデル Mimo の RL（強化学習）によるポストトレーニング進行状況を確認できる設計です。
  • ページ内に「reconnecting…」の表示があり、ライブ接続を前提としたリアルタイム更新を示唆しています。

原典 Xiaomi Mimo 2.6 live post-training dashboard

7. DeepMind Institute発足、AGI社会影響を研究

  • DeepMindが「DeepMind Institute」を発足。AGIに近づく中、人類への深刻な影響を理解するため学際的思考を急務としています（Shane Legg、James Manyika、Demis Hassabis）。
  • 公開エッセイには推論の透明性（Rohin Shah、Anca Dragan）、AGI経済政策11案（Julian Jacobs、Alex Imas）、新ユートピア主義（Stephen Cave）、フロンティアAI枠組み（Demis Hassabis）が含まれます。
  • 推論の透明性ではAIの「思考の連鎖」を監視し、欺瞞を検出する窓を維持する必要性を主張。経済政策は高度AIによる混乱を管理する11案を評価しています。
  • フロンティアAI枠組みは革新と責任ある行動を両立させる動的テスト手法を提案し、Xで初めて公開された内容です。

原典 The DeepMind Institute

8. AIUCが$40M調達、エージェント保険とAIUC-1標準

  • AIUCが$40MのシリーズAを調達し、エージェント向け保険とセキュリティ標準AIUC-1を発表しました。共同創業者Rune KvistはAnthropicの初期プロダクト採用者です。
  • AIUC-1はジェイルブレイク、幻覚、データ漏洩のテストを含むエージェントのセキュリティ・安全性・信頼性の標準です。
  • Cursor、Harvey、Lovable、ElevenLabsなどと協業し、$20のコーディングエージェントが$200Mの損害を引き起こすリスクを保険でカバーします。
  • RuneはAI導入の最大の制約は能力ではなく信頼と責任になると主張し、政府とフロンティアラボの信頼ギャップも指摘しています。

原典 Underwriting Superintelligence: Backing Agents you can Sue — Rune Kvist, AIUC

9. Codex rusty-v8版v152.2.0リリース

  • OpenAI Codexのrusty-v8版v152.2.0がリリースされました。リリースタグはrusty-v8-v152.2.0です。
  • コーディングエージェントの別系統リリースを追うことで、個人開発者が複数の自動化パスを比較検討できます。
  • 本リリースはOpenAI Codexの別系統ビルドで、コーディングエージェントの自動化パスを比較する判断材料になります。

原典 rusty-v8-v152.2.0

10. Dream-RSI：進化する世界と再帰的自己改善

  • Dream-RSIは進化する世界を通じた再帰的自己改善の研究です（arXiv: 2609.14858）。
  • モデルが自分の環境を進化させながら自己改善する枠組みを示しています。
  • 長期的なエージェント運用の可能性を示唆する枠組みとして位置づけられます。
  • タグはdream-rsi、recursive-self-improvement、researchです。

原典 Dream-RSI: Recursive Self-Improvement through Evolving Worlds

11. LLM時代のプログラミング学習を問う長文エッセイ

  • Mark Seemann（ploeh.dk）が読者の長文レターに公開回答。読者は正式なCS背景なしにLLMでTypeScript/JavaScriptシステム（API、PostgreSQL、LLMパイプライン、マルチモデルワークフロー）を構築しました。
  • 当初は「魔法のよう」と感じたが、本番製品化を目指すとエラーが連鎖。数ヶ月のリファクタリング後、自分の理解を超えるシステムを作ってしまったと気づきました。
  • すべてが動作している間は理解のギャップは見えないが、動かなくなると非常に現実的になります。次に何をすべきか分からず、別のモデルに頼る状況が生じています。
  • 読者は1年間製品を作っていたのか、それとも「動作するだけの見た目」を作っていたのかと疑問を抱いています。

原典 Learning Programming in an Age of LLMs

12. スマートホームLLMプルーニング劣化を4モデルで評価

  • LLMのプルーニングはデプロイコスト削減に有効ですが、コンテキストに基づくツール呼び出しへの影響は十分に理解されていません。
  • スマートホームのツール呼び出しにおけるプルーニング誘発劣化を、密Transformer・密ハイブリッド・MoEを含む4モデルと、深度・幅・ハイブリッド・エキスパートの4手法で評価しました。
  • プルーニング後にSFTを適用し、3つのスマートホームデータセットから19,500件以上のインスタンスを評価しました。
  • 総合タスク精度を超えて、劣化を2つの次元で特徴付けました。

原典 What Breaks Under Pruning in Smart Homes, and When? Evaluating LLM Degradation Across Architectures and Task Complexity

13. Transformer層間再帰で損失28.5%減

  • デコーダ専用Transformerに持続的再帰状態を追加。クロスアテンションで隠れ表現を観察し、GRUで更新、ゲート付き加算で後続処理を変調します。
  • 6層Transformerの下半分と上半分の間に挿入され、追加パラメータはわずか3.7%にとどまります。
  • 評価損失は2.438±0.004から1.743±0.018へ低下し、28.5%の削減を達成しました。
  • 改善は5つのランダムシードで統計的に有意（p<0.01）です。

原典 Persistent Recurrent Memory Between Transformer Layers - Improves Language Model Generalization

14. マルチエージェント分解は完全性を買うが収率を買わない

  • マルチエージェントシステムはタスクをエージェントの木に分割し、小さいコンテキスト・明確な分離・並列性を根拠に正当化されます。
  • 分解を木としてモデル化し、エージェントにb個のアイテムを渡したとき各1つを確率r(b)で保持すると定義します。
  • r(b)=1/bの場合、あらゆるタスクサイズと形状で各木が正確に1つの発見をルートに届けることを、20,000個の不規則な木で2.4×10^-15の精度で検証しました。
  • r(b)=Cb^-δの場合、深さkの木でN個の発見に対してC^k N^(1-δ)の収率となり、タスクサイズとアーキテクチャが収率に直接影響します。
  • したがって分解は情報の完全性を保証するが、発見の収率を保証しないことが数学的に示されました。

原典 Decomposition Buys Integrity, Not Yield

15. マルチエージェントのモデルプール選択戦略を8手法で評価

  • マルチエージェントシステム（MAS）は複数モデルの出力を組み合わせて複雑な推論タスクを解決しますが、膨大なオープンソースモデルプールから最適候補を選ぶ研究は限られています。
  • モデルサイズ、精度、回答の多様性を含む8つの選択戦略を、生成前（ルーティング）と生成後（多数決、LLM-as-a-judge）のMASアーキテクチャで科学ベンチマーク上で体系的に評価しました。
  • 理論的なオラクル潜在能力と実際の性能の間に大きなギャップがあることが示されました。
  • 複数のオープンモデルを組み合わせてエージェントを構築する際、どの選択戦略が実際の性能を最大化するかのベンチマーク結果が得られます。

原典 Mo’ Models, Mo’ Problems: How to best select model pools when designing Multi-Agent Systems

原典

  1. Claude Cowork and chat are now one Claude
  2. DeepSeek v4.1 Flash Is Now Our Best Hacking Model
  3. Training a 4B model to produce 81% faster query plans than Postgres
  4. [AINews] Jev: a “System One Model” that only decides/classifies/routes/scores — >100x faster, >200x cheaper than small frontier LLMs
  5. 0.155.0-alpha.2.6
  6. Xiaomi Mimo 2.6 live post-training dashboard
  7. The DeepMind Institute
  8. Underwriting Superintelligence: Backing Agents you can Sue — Rune Kvist, AIUC
  9. rusty-v8-v152.2.0
  10. Dream-RSI: Recursive Self-Improvement through Evolving Worlds
  11. Learning Programming in an Age of LLMs
  12. What Breaks Under Pruning in Smart Homes, and When? Evaluating LLM Degradation Across Architectures and Task Complexity
  13. Persistent Recurrent Memory Between Transformer Layers - Improves Language Model Generalization
  14. Decomposition Buys Integrity, Not Yield
  15. Mo' Models, Mo' Problems: How to best select model pools when designing Multi-Agent Systems