catchup

Opus 5.5が磁性半導体発見ほか9件

夕版ai

目次

1. Opus 5.5エージェントが室温磁性半導体候補を発見

  • Opus 5.5エージェントと研究チームが室温磁性半導体の候補を2件発見。1件は新規設計、もう1件は1999年に初めて作られた材料で、計算上求める特性を満たすと予測される。
  • 強磁性体（冷蔵庫の磁石に代表されるもの）と反強磁性体（AF）の中間に位置する材料を目指す。スピントロニクスでは電子のスピン向きで情報を保存し、ハードディスク読み取りヘッドやMRAMに応用される。
  • 反強磁性体は隣接する原子磁石が逆向きで打ち消し合うため、通常はスピン向きの区別ができない。新材料はこの制約を超えた特性を持つとされる。
  • 各電子の量子力学的性質「スピン」が磁気モーメントを生む。スピンの上向き・下向きで情報を符号化する仕組みがスピントロニクスの基盤となる。

原典 Opus 5.5 agents discover two room-temperature magnetic semiconductor candidates

2. Anthropic Coworkがクラウド推論に移行

  • Anthropic Coworkの旧版はモデル推論をクラウドで実行し、ツール呼び出しをAnthropic提供のVM（ローカルに配布）で処理していた。
  • 新版ではモデル推論とVMの両方をクラウドで実行し、各セッションは独自のサンドボックスを持つ。他セッションと状態を共有しない。
  • ローカルデバイス上のファイルが必要な場合、デスクトップアプリがファイルアクセスツール呼び出しを担当する。
  • これによりスマホからの利用、作業の継続、バッテリー消費削減といった課題が解決される。

原典 Quoting Felix Rieseberg

深掘り: Leviathan — 大規模データ向けエージェント深層メモリ

  • Leviathan は大規模データセット向けのエージェント深層メモリを提供する単一の静的バイナリ。JSONL、JSON、CSV/TSV、SQLite、またはデータベース CLI がエクスポートできるあらゆる形式のレコードを、ランク付けされたフルテキストインデックスに変換する。
  • 個人開発者がエージェントの長期記憶を低コストで構築できる。追加のインフラや複雑なパイプラインを必要とせず、単一バイナリで動作するため運用負荷が低い。
  • 入力データの形式が柔軟で、既存のデータベースやファイルベースの記録をそのままインデックス化できる。エージェントが過去の対話や記録を高速に検索・参照する基盤となる。
  • 静的バイナリであるため、依存関係の管理やランタイム環境の構築が不要。デプロイやローカル実行が簡潔に行える。
  • フルテキストインデックスにランク付けを組み合わせることで、関連性の高い記録を優先的に取得できる。エージェントの回答精度とコンテキスト維持に直結する。

原典 elstongun/leviathan

4. Reflection Beam — 米国発501Bオープンモデル

  • ReflectionがBeamを発表しました。テキスト専用の501B総パラメータ（23Bアクティブ）のMoEモデルで、コーディング・エージェント・科学作業向けです。米国でゼロから学習されました。
  • フルウェイトはApache 2.0で今月公開予定です。事前学習は23.8Tトークンで、一部は数億件のPDFからのOCRパイプラインによるものです。
  • RL/OPDの安定実行は10K GB300で、約1Mタスクにわたり1億回以上のロールアウトを実施しました。SWE-bench Verifiedで80.9を記録し、GLM 5.2の3〜4倍の推論効率を主張しています。
  • 事前学習とRLはそれぞれ約4週間、約10,500 GB300で実施されました。ReflectionはColossusに月額1.5億ドル、Nebiusに10億ドルの契約を持つとAxiosが報じました。
  • 今月中に他の米国ラボからもオープンモデルが公開される見込みで、米国発のオープンウェイト選択肢が拡大します。

原典 [AINews] Reflection Beam - 501B-A23B American Open Model

5. 基盤モデル推論を開始トークン固定で向上

  • 訓練データが基盤モデルの応答開始トークンとその後の推論行動の間に関連を作ることを示す。開始トークンを固定するだけで、RL学習済みモデルと競合する性能を引き出せる。
  • 開始トークン「.\n\nOkay」を固定すると、Olmo-3-7BのMATH-500 pass@1精度が42%から78%に向上する。
  • 開始トークン「Alright,」を固定すると、Qwen3-14Bの同精度が72%から87%に向上する。
  • RLはこれらの開始トークンをより発生しやすくするが、固定することでRLの性能の多くを回復できる。

原典 Base Models Can Reason By Taking a Cue From Training Data

6. Dust — バックプロパなしでトランスフォーマー事前学習

  • Dustはゼロ次最適化による初の手法で、トランスフォーマー言語モデルの事前学習においてバックプロパゲーションと競合する性能を示す。各トークンで独立に活性化を摂動（node perturbation）することで、1回のフォワードパスで全仮想メンバーを並列評価できる。
  • 大規模モデルほど人口効率が高く、243Mパラメータモデルは120倍小さいモデルより大半の人口サイズで優れる。ゼロ次最適化は大規模ネットワークにスケールしないと広く信じられているが、Dustは逆の傾向を示す。
  • 1Mトークン以上では、最先端のES手法EGGROLLのトランスフォーマー実装より$10^3$〜$10^4$倍効率的である。大きな人口（より多くの計算）ではDustはバックプロパを近似し、複数の設定でそれを上回る。
  • 勾配推定は人口が増えるほどバックプロパとよく一致し、1Bトークンまでの全スケールで良好に保たれる。これはスケーリングに向けて有望な結果である。

原典 Dust: Pretraining Transformers Without Backpropagation

7. MemPilot — オンデマンドマルチモーダルメモリ管理

  • LLMエージェントのエコシステムでは、メモリが対話間の情報保持と再利用を支える中核要素となっている。
  • 既存のエージェントメモリシステムはクエリ非依存でメモリを構築するため、不要な前処理コストが発生し、後に重要となる詳細を破棄するリスクがある。
  • 実行時適応への移行は始まっているが、多くは特定操作や固定スキームに特化しており、性能・コスト・レイテンシの柔軟な制御は未探索の領域が大きい。
  • MemPilotはこの課題に対処し、オンデマンドでマルチモーダルなメモリ管理を行う枠組みを提案する。

原典 MemPilot: Orchestrating On-Demand Multimodal Memory Curation for LLM Agents

8. T-Search — エージェント型検索リトリーバー

  • T-Searchはオープンウェイトのエージェント型リトリーバーで、ハードな多段階検索に対応します。固定コーパスに対する検索ツールと質問を受け取り、境界付きの多ラウンド検索を実行して、短い根拠付きでランク付けされた証拠チャンクを返します。
  • Qwen3.6-35B-A3Bをベースに構築され、敵対的にフィルタされた合成検索タスクで学習されます。ラウンドスライスされた教師ありファインチューニングの後、GSPOによるリコール報酬で最適化されます。
  • 回答生成は下流モデルに委ねられるため、バックエンドと生成器を再学習なしに交換できます。個人開発者がRAGシステムを高精度に構築する際の基盤となります。
  • 英語とロシア語の7つのベンチマーク（ゴールド証拠付き）で平均評価されます。

原典 T-Search: An Open Agentic Retriever and Playground for Hard Multi-Step Search

9. Falcon-Emirati — エミレーツ方言特化7B

  • Falcon-Emirati-7BはFalcon-H1-Arabicをベースに、エミレーツアラビア語（湾岸方言）の語彙・トーン・文化的文脈を理解・生成する方言特化モデルです。MSAのみを知るモデルでは、ナバティ詩や諺に含まれる文字通りでは失われる意味を捉えられません。
  • Falcon-H1-ArabicはMambaとTransformerを各ブロックで並列動作させるハイブリッドアーキテクチャを採用し、128K〜256Kトークンの長文脈で線形時間効率と長距離依存性の精度を両立します。
  • ファミリーは3B・7B・34Bの3スケールで、MSAと複数方言（湾岸・レバント・エジプト・マグレブ）に加え英語・多言語データで事前学習されています。

原典 Falcon-Emirati: When an LLM Learns the Dialect, the Culture, and the Nuance

10. Programmatic Search Agent — 候補処理を直接制御

  • 既存の検索エージェントはクエリを適応させるが、固定された検索インターフェースでは候補処理と証拠提示がエージェントの直接制御外に置かれる。
  • 軌跡分析により、支持する文章が取得されてもエージェントに届かない場合がある。同ページのオラクル介入では、返される証拠を変更すると後続の検索が減少する。
  • Programmatic Search Agent（PSA）は、候補に対するローカルな実行可能計算を検索アクションの単位とする。
  • PSAは永続的な候補ワークスペース、柔軟なプリミティブ構成、選択的な証拠提示を統合する。

原典 Programmatic Search Agents: Extending Agentic Search Beyond Query Reformulation

原典

  1. Opus 5.5 agents discover two room-temperature magnetic semiconductor candidates
  2. Quoting Felix Rieseberg
  3. elstongun/leviathan
  4. [AINews] Reflection Beam - 501B-A23B American Open Model
  5. Base Models Can Reason By Taking a Cue From Training Data
  6. Dust: Pretraining Transformers Without Backpropagation
  7. MemPilot: Orchestrating On-Demand Multimodal Memory Curation for LLM Agents
  8. T-Search: An Open Agentic Retriever and Playground for Hard Multi-Step Search
  9. Falcon-Emirati: When an LLM Learns the Dialect, the Culture, and the Nuance
  10. Programmatic Search Agents: Extending Agentic Search Beyond Query Reformulation