AI FRONTIER
Signals worth understanding before they become obvious.
FairStress：LLMの意思決定における公平性をより深く評価する
Ai2が、29領域にわたる300の二者択一意思決定シナリオを含むベンチマークFairStressを公開し、敵対的プレフィックスに対してモデルが決定を変える対称性を測定する。人口属性とプレフィックスの変化を組み合わせることで1,300万件超のテストケースに拡張される。
- FairStressは採用、医療、融資、教育、住宅、刑事司法を含む29領域の現実的な二者択一シナリオ300件を収録する。
- 人口属性と敵対的プレフィックスの変化を組み合わせ、300のシナリオは1,300万件超のテストケースに拡張される。
- FairStress-Coreは項目反応理論に基づき選定された5万件のサブセットで、評価の計算コストを抑える。
- 論文は15モデルで、正解を放棄する平均ギャップが暗示的身份では6.9ポイント、明示的ラベルでは9.3ポイントだったと報告している。
開発者は公平性評価を最終回答だけでなく意思決定の安定性にまで広げるべきで、固定選択肢のスコアリングは生成的意思決定における過剰補正を見逃す可能性がある。
ALTK-Evolve：学習メモリがフロンティアモデルなしでGPT-4.1客服エージェントをτ²-benchリーダーボード首位に
IBM ResearchのALTK-Evolveは、エージェント自身のタスク試行から行動ガイドラインを抽出しシステムプロンプトに追加することで、モデル重みを更新せずに客服エージェントを改善する。GPT-4.1を使用したReActエージェントはτ²-bench小売タスクで67.5% Pass^4を達成し、全小売エントリを上回った。
- 小売タスク：ベースラインPass^4は57.5%、lossless構成（292ガイドライン）で67.5%（+10.0ポイント）；平均精度は78.1%から82.5%（+4.4）。
- 航空タスク：ベースラインPass^4は35.0%、sup3構成（14ガイドライン）で45.0%（+10.0）；lossless構成の平均精度は57.5%から65.0%（+7.5）。
- 小売リーダーボード：Pass^4=67.5%で、合成τ²-bench小売データで微調整されたRAFT-30B-A3B（61.4%）を6.1ポイント上回る。
- 航空リーダーボード：gpt-5.5使用エージェントは82.0% Pass^4で全フロンティアエントリ（66–72%）を上回る；gpt-4.1のsup3構成は44%で8位。
プロンプトレベルの学習メモリは、重み微調整なしで通常モデルのエージェントをフロンティア水準に引き上げ、コストは主にキャッシュ可能な入力トークンに集中する。
Ant Ling、Ming-3.0音声シリーズをオープンソース化：音声合成・認識・理解をカバーする5モデル
Ant LingがMing-3.0音声シリーズをオープンソース化した。5つのモデルで音声合成、音声認識、音声理解をカバーする。
- 公開元はAnt Ling。
- Ming-3.0音声シリーズは5つのモデルで構成される。
- 対象範囲は音声合成、認識、理解を含む。
音声合成・認識・理解を一括でカバーする5つのオープンソースモデルは、音声パイプライン構築時に複数ソースを組み合わせる手間を減らせる。
LLM における漏洩した API キー：AI エージェントが秘密情報を露出する仕組み
LLM における漏洩した API キーを扱う論文要旨であり、大規模言語モデルの能力・評価・アラインメントをめぐる問題を、手法と実験結果に注目して論じている。
- 出典は GitGuardian Blog、タイトルは「Leaked API Keys in LLMs: How AI Agents Expose Secrets」。
- 要旨は、大規模言語モデルの能力・評価・アラインメントをめぐる問題を扱うと述べている。
- 要旨は、手法と実験結果に注目する読者に適すると述べている。
LLM エージェントを構築する開発者は、API キーを露出し得る秘密情報として扱い、その前提で防御を設計すべきである。
NVIDIA Cosmos3-H-Dreams：生成シミュレーションで臨床手術を再現
NVIDIA は Cosmos3-H-Embodied-Nano（160 億パラメータ）を基盤とするリアルタイム生成手術シミュレータ Cosmos3-H-Dreams を発表した。臨床胆囊摘出術の映像とロボット運動学で学習し、単一の NVIDIA RTX PRO 6000 GPU 上で対話的に動作する。
- Open-H-Embodiment で事前学習された 160 億パラメータモデル Cosmos3-H-Embodied-Nano を基盤とする。
- 学習は 832 x 480 映像、10 Hz で整列した動作、28 の動作次元を使用。
- 教師モデルはまず 24 未来フレームで適応し、その後 72 フレーム（10 Hz で 2.4 秒と 7.2 秒）に拡張。
- 4 ステップと 2 ステップのノイズ除去チェックポイントを公開。2 ステップモデルは別途学習されたもので、4 ステップモデルのサンプリングステップ削減ではない。
提供された教師ファインチューニングと Self-Forcing 蒸留のレシピにより、開発者はこのリアルタイム手術ワールドモデルを自前の映像とコントローラデータに適応できる。
AnyLanguageModel 1.0 公開：Apple プラットフォームにおけるローカルモデルの1年
AnyLanguageModel 1.0 が公開された。Apple の Foundation Models フレームワークに対するドロップイン互換の代替として、同じセッションコードでシステムモデル、llama.cpp・MLX・Core ML 経由のオープンウェイトモデル、複数のホスト型プロバイダーを利用できる。
- import FoundationModels を import AnyLanguageModel に変更するだけで、同じセッションコードがシステムモデル、llama.cpp、MLX、Core ML、ホスト型プロバイダーで動作する。
- ツール呼び出しとガイド付き生成が全プロバイダーで利用可能になり、ネストした @Generable 型とその配列にも対応する。
- ホスト型プロバイダーは OpenAI の Chat Completions と Responses API、Open Responses、Anthropic Messages API、Google Gemini API、Ollama、Private Cloud Compute、Hugging Face Inference Providers をサポートする。
- 記事で挙げられたモデルには Gemma 4 E2B（GGUF、Q4_0 で約 3.4 GB）、LFM2.5 2.6B（GGUF、Q4_K_M で約 1.7 GB）、Qwen3.8 27B（MLX、4 ビットで約 16 GB）、GLM-5.3（BF16 で約 1.5 TB）が含まれる。
Apple プラットフォームの開発者は import の切り替えだけでローカル推論とホスト型推論を同じセッションコードで扱えるため、プロバイダー対応の実装コストが下がる。
OpenMOSS-Team が MOSS-Image-SFT を公開、5.1B のテキスト画像生成モデルを Apache-2.0 で提供
MOSS-Image-SFT は OpenMOSS が MOSS-Image-Base から教師あり微調整したテキスト画像生成モデルで、同一のアーキテクチャと推論パイプラインを使い、自然言語プロンプト、タグ列、JSON レイアウトによる文字配置と物体配置の制御に対応する。
- モデル規模は 5B パラメータで、重みと推論コードは Apache-2.0 ライセンスで公開されている。
- 公式例では SFT が Base より明確な文字グループ化と整理されたホワイトボード配置を生成するとしている。
- 実行には Python 3.10 以降、CUDA 対応の NVIDIA GPU、PyTorch 2.9 以降が必要。
- 既定のサンプリング設定は Flow-matching Euler、50 ステップ、CFG 3、Shift 5、負分岐の第 22 層スキップ。
Apache-2.0 の 5B テキスト画像生成モデルと JSON レイアウト制御の組み合わせは、文字と物体の正確な配置が要る制作パイプラインに直接組み込める。