AI FRONTIER
Signals worth understanding before they become obvious.
LRMoE：メモリ制約ノード向け需要側負荷再調整による効率的なMoE訓練
LRMoEはメモリを考慮したMoE訓練システムであり、逆伝播において需要の再調整と保持ワークロードの均衡を同時に行い、容量認識ルーティングと物理的圧縮によって逆方向通信、計算、実行バッファ需要を削減する。論文はQwen3-30B-A3BとGLM4.5-106B-A12Bで、固定損失目標に達するまでの累積MoE層訓練時間がSYMI比で21.2-44.8%削減されたと報告している。
- 論文はQwen3-30B-A3BとGLM4.5-106B-A12Bで、固定損失目標に達するまでの累積MoE層訓練時間がSYMI比で21.2-44.8%削減されたと報告している。
- 順伝播実行時には、すべてのルーティング計算を保持しつつ、リソース制約下で保持クォータとエキスパート配置を計画する。
- 逆伝播時には負荷再調整メトリックが各トークン・エキスパートペアのエキスパート更新への寄与を推定し、クォータ内でペアを選択する。
- 容量認識ルーティングアルゴリズムは保持されたペアを元のエキスパートの利用可能なインスタンスに分散し、物理的圧縮がより小さな通信ペイロードと可変サイズのグループ化GEMMを形成する。
メモリ制約のあるGPUノードで疎なMoEを訓練するチームにとって、LRMoEは逆伝播で寄与に基づきトークン・エキスパートペアを選別することで、順伝播のルーティング計算を変えずに逆方向トラフィックとバッファ需要を下げられることを示す。
パートナー・アウトサイダー正の傾聴によるAIエージェント間の隠密共謀の検出
本論文はPartner-Outsider Positive Listening（PoPLi）という行動テストを提案する。秘密の取り決めを共有するパートナーはメッセージの正確な言い回しに反応するが、その席に置かれた無関係なエージェントは反応しない。PoPLiは、意味を保ったままメッセージを言い換えたときの両エージェントの行動変化の差として、記録済みプロンプトを再生して事後に計算される。
- 5つの条件（共謀なし、中立メッセージ付きの共同報酬、意図を明示した同条件、隠密の頭文字コード、意図を明示した同コード）を含む模擬市場で、コードが存在する場合のPoPLiは0.48から0.59の間（95%区間はすべて0.29超）、存在しない場合は-0.10から-0.01の間だった。
- メッセージのみを監視するモニターは条件を分離できなかった。発話者のメッセージを読むモニターは50市場すべてで「いいえ」と回答し、全売り手のメッセージを読むモニターは共謀のない10市場のうち9市場を誤検知した。
- PoPLiが検出するのは私的チャネルの使用であり共謀そのものではなく、インセンティブのみによる共謀や意味に乗せたコードは検出できない。
- 本手法は記録済みプロンプトの再生により事後に計算され、論文は作業中の研究として位置づけられている。
マルチエージェントシステムを構築する開発者にとって、PoPLiはログ再生に基づく行動監査手段を提供し、無害に見えるメッセージ中の私的チャネルを発見できるが、インセンティブや意味ベースの共謀は対象外となる。
WebAnything：実ウェブからスケーラブルなエージェント環境へ
WebAnything は、実 URL から出典に基づく再利用可能な Web 環境を全自動で再構築するフレームワークであり、初期設定と認可後のサイトごとの手動実装や修復を不要にします。論文は 14 のアプリケーション領域と 53 カテゴリにまたがる 244 の Web サイト成果物を構築し、12,984 の実行済みかつ受理されたタスクを支えたと報告しています。
- 論文は 14 のアプリケーション領域と 53 カテゴリにまたがる 244 の Web サイト成果物を構築し、12,984 の実行済みかつ受理されたタスクを支えたと報告している。
- 人手支援の WebHarbor と比較して、WebAnything は 3 つの忠実度指標でより高い総合スコアを達成し、ブラインド監査で 12 勝、2 引き分け、0 敗だった。
- 5,856 のインタラクション軌跡で Qwen3.5-9B を微調整すると、論文は REAL 成功率が 9.9 ポイント、Odysseys-Easy Rubric Avg と Task Avg がそれぞれ 6.25 と 6.32 ポイント、固定ハーネス下の WebArena-Verified Overall 成功率が 13.33 ポイント向上したと報告している。
- Explorer-Builder がブラウザで観測可能な構造、リソース、インタラクション結果を収集し、独立した検証器が凍結候補を検査して局所修復または対象を絞ったソース再取得を導く。
エージェント開発者にとって、サイトごとのエンジニアリングなしに実 URL から再設定可能な Web 訓練・評価環境を自動生成できることを示し、微調整による具体的な成功率向上も提示している。
ThinkJev：1つの思考で全予算に対応する校正済み型付き意思決定
ThinkJev は1つのオープンなハイブリッド思考モデルから高速系と低速系を構築する。System 1 は直接回答時の選択肢文字の確率を読み、System 2 は同じキャッシュ済みプロンプトで思考後に同じ文字の確率を読むため、エスカレーションで作業が重複せず、1回のサンプリング思考が任意の思考予算での答えを与える。
- 5% の目標誤り率の下で、Qwen3.5-27B は 8359 件のテスト意思決定のうち 24.5% を System 1 単独で回答し、実現誤り率は 3.9% だった（Qwen3.5-4B と 9B はそれぞれ 6.5% と 0.0%）。
- 残りの決定では、答えが確信でき次第思考を停止すると 81.6% の精度に達し、常に思考する 82.7% に対して思考トークンの 72% で済んだ。
- 論文は、型付き意思決定サービスの独立ベンチマーク JevBench の公開項目で、Qwen3.5-27B は 29.4% のみ思考し、記載された2つの思考 API と精度で区別できないと報告している（探索的）。
- 論文は訓練不要とし、ラベル付き開発データ上の統計検定で受け入れた System 1 の回答を目標誤り率以下に保つと述べている。コードとデータ生成器が公開されている。
型付き意思決定サービスを構築する開発者にとって、同一のオープンなハイブリッド思考モデル上でキャッシュ済みプロンプトと文字確率を再利用し、統計的保証に基づいて思考の要否を判断することで、誤り率を抑えつつ思考トークン消費を削減できる可能性を示す。
エージェント型スマートコントラクト合成で意図が失われる箇所の測定
本論文は、AIが書いたスマートコントラクトと再現すべき元のコントラクトで同一トランザクションを再生し一致頻度を測る実行ベースの評価を設計し、要件を先に聞くelicitation-firstアーキテクチャを提案する。
- 論文報告：すべてのシステムが含む関数のみを検査すると、パイプライン間の差の約半分が隠れた。
- 論文報告：3つのAIモデルで、先に聞くことが事後のレビューやパッチよりはるかに重要であり、自動セキュリティ修正は要求された動作をしばしば壊す。
- 論文報告：AI審判や標準分析ツールなどの一般的な手法は明らかな誤りを見逃し、スコアリングの選択も影響する。
- 著者はツール、600タスク、全結果を公開し、論文はACM TheWebConf2027に採択された。
エージェントによるコード生成では、生成前に不足要件を引き出し、独立に書かれた実行可能な答え合わせ用モデルで検証することが、事後レビューや自動修正より有効である。
OpenFrontiers：オープン研究課題の集合と科学的再発見のベンチマーク
OpenFrontiers は 12,151 件のオープン研究課題を収めた構造化コーパスと、数学の最近解決された問題による回顧的ベンチマークを組み合わせたもので、ベンチマークは 200 問（2026 年に解決された 110 問と未解決の 90 問）を含み、各問には自動プローブと 2 回の独立レビューで検査された Lean 4 文が付属する。
- コーパスは 12,151 件の問題について問題文、文脈、進捗などの情報を記録している。
- ベンチマークは 200 問を含み、110 問は 2026 年に解決され、90 問は未解決であり、各問には自動プローブと 2 回の独立レビューで検査された Lean 4 文が付属する。
- サブセット HQ-50 は品質スコアなどに基づいてさらに絞り込まれる。
- 評価プロトコルは隔離サンドボックス内の 2 つの独立したチェッカーで形式証明を採点し、閉本・凍結検索・ライブウェブの条件を設定する。
このベンチマークは形式採点を閉本・凍結検索・ライブウェブ条件に分離するため、構築者は真の再発見と公表済み解答の検索を区別できる。