トピック別に新着順で読めます。「あのアップデート何だっけ」はキーワード・期間からも探せます。
AIエージェントが実際のWebサイトでサインアップや決済までこなせるかを検証するOraが、自社の検証基盤をVercel上に一本化し、Vercelのエージェントフレームワーク「eve」を他の主要ハーネスと同条件でベンチマークしました。結果を受けてeve自体も改善され、Oraは自社の内部エージェント開発にeveを採用しています。
Hugging Face上で「TrueSET/verified-code-repair」というコード修復データセットが公開されました。すべての正誤判定をLLMではなく実際のコード実行で行っているのが特徴で、Qwen2.5-7B-Instructを微調整したところ、最も難しい2ファイル横断バグの修正率が17.1%から40.0%へ統計的に有意に向上したと報告されています。評価スクリプトも同梱されており、GPU1台・約15分・1ドル未満で誰でも同じ結果を再現できます。
Google DeepMindが公式ブログで、ATARIのゲームを用いた初期の強化学習研究からEVE Onlineとの協業まで、15年にわたるゲームAI研究の歩みを紹介しました。現在はゲームスタジオと提携し、新しいAIゲームプレイの試作に取り組んでいることが明らかにされています。
Supabaseが2026年8月の開発者アップデートを公開しました。BigQueryへのリアルタイム同期を実現する「Supabase Pipelines」の公開アルファ版や、ChatGPTアカウントでのサインイン機能のベータ提供、全サービス横断のログ検索基盤「Unified Logs」など、多数の新機能が発表されています。あわせてExtensionのバージョン指定廃止やrealtimeスキーマの変更制限といった破壊的変更にも注意が必要です。
AllenAI(Allen Institute for AI)がHugging Face Blogで公開した「TutorMoments」は、AIチューターが生徒に介入すべきタイミングとあえて手を出さず考えさせるべきタイミングを正しく判断できるかを問う取り組みです。今回参照できた原文情報はタイトルのみで、評価手法や結果などの詳細本文は確認できませんでした。
Pathwayの研究チームは、文脈内学習と再帰的な潜在空間推論を組み合わせた150Mパラメータのモデル「BDH-CQ」を発表しました。ARC-AGI-1評価セットにおいて、1タスクあたり0.0007ドルという低コストでpass@2 29.5%を達成し、従来報告されていたコスト対精度のパレートフロンティアを更新しました。
Hugging Face公式ブログにIBM Researchが寄稿した「How Much Memory Does Your Agent Actually Need?」というタイトルの記事が公開されましたが、本記事作成時点で原文の本文コンテンツが取得できませんでした。詳細な内容については原文URLをご確認ください。
Hugging Face Blogに2026年8月14日付で公開された「State of Open Models: Summer 2026 Observations」というタイトルの記事が存在することは確認できましたが、今回提供された原文には本文テキストが含まれていませんでした。事実に基づく記事作成の原則上、内容の要約や解説を行うことができません。
Anthropicのフロンティア・レッドチームが、Claudeなどの言語モデルにロボットの実機・シミュレーション制御をさせる検証結果を公開しました。関節トルクを直接制御する低次操作は依然弱いものの、事前学習済みポリシーを介した高次操作では実用的なナビゲーションや物体操作を達成できるようになっています。モデルの世代が進むほど、状況に応じて戦略を修正する能力が特に向上している点が特徴です。
Vercelは自社のAI GatewayでPoolside製の新モデル「Laguna S 2.1」の提供を開始しました。無料版と高スループット向け有料版の2種類が用意され、最大100万トークンのコンテキストとエージェント型コーディング性能を強みとしています。AI Gatewayならではの一元管理・コスト最適化機能もそのまま利用できます。
OpenAIは、自社モデルを対象にした第三者機関によるサイバーセキュリティ評価で発生した最近のインシデントについて説明する発表を行いました。同時に、AIモデルのテストおよび評価プロセスを強化するための新たな安全対策の方針を示しています。
OpenAIが公式サイトで「Third-party cyber evaluations involving OpenAI models」と題する記事を公開し、モデルのサイバー領域における外部機関による評価の存在を取り上げました。同記事はHacker Newsでも話題となり、44ポイント・7件のコメントを集めています。具体的な評価内容の詳細は限定的ですが、AIモデルの安全性評価に関する透明性への関心の高さがうかがえます。
Anthropicは自社のサイバーセキュリティ評価活動の一環として、実際に発生した3件のインシデントを調査したことを公表しました。詳細な内容は原文でも簡潔にしか触れられていませんが、AIモデルの安全性評価の実務例として注目されます。
Anthropicは公式ブログ「Anthropic News」にて、新モデル「Claude Opus 5」の発表ページを公開しました。ただし今回確認できた原文には見出しのみが含まれており、具体的な性能や機能、提供時期などの詳細情報は記載されていません。
AWSは2026年7月24日、AIエージェントが実際のAWSタスクをどれだけ正確かつ効率的に遂行できるかを測定するオープンソースベンチマーク「aws-bench」のリサーチプレビューを発表しました。実際のAWS利用状況から作られたテストケース群とCLIツールが提供され、モデルやエージェントの性能を再現可能な形で比較できます。GitHubで公開済みで、READMEに従ってすぐに利用を開始できます。
Vercelは、AIモデルがアプリケーションコード内の脆弱性をどれだけ正確に見つけられるかを評価するベンチマーク「DeepsecBench」を公開しました。再現率・精度・コスト・実行時間を指標化し、予算とコードベースの複雑さに応じたスキャン体制の構築を支援します。フロンティアモデルが依然トップですが、Kimi K3やGrok 4.5などの効率的なモデルが低コストで肉薄しつつある点が注目されます。
Moonshot AIがHugging Face上で新モデル「Kimi K3」を公開しました。パラメータ数2.8兆のMoEアーキテクチャに新設計のKimi Delta Attention(KDA)を採用し、100万トークンのコンテキストウィンドウとネイティブなマルチモーダル対応を備えています。コーディングやエージェント作業、視覚理解を含む多数のベンチマークで高スコアを記録し、フルモデルウェイトが研究・実運用向けに開放されました。
DeepSeek AIがHugging Face上でDeepSeek-V4-Flashシリーズの正式版「DeepSeek-V4-Flash-0731」を公開しました。プレビュー版から大幅にエージェント能力を強化し、上位モデルのDeepSeek-V4-Pro(Preview)を上回るベンチマーク結果を示しています。MITライセンスで公開され、vLLMやSGLangでの投機的デコーディングにも対応しています。
OpenAIは、GPT-5.6のAPI設定のうち「推論の保持」と「コンパクション(圧縮)の有効化」という2つを組み合わせることで、ARC-AGI-3ベンチマークのスコアが3倍に向上したと発表しました。スコアの向上に加え、効率面でも改善が見られたとしています。
OpenAIは、外部機関によるAIモデルの評価を信頼できる形で行うためのガイダンスを公開しました。モデルの能力測定、安全対策の検証、評価結果の妥当性という3つの観点から、フロンティアシステムを評価する際の考え方を整理しています。