AI FRONTIER
Signals worth understanding before they become obvious.
LLMON:LLMネイティブのマークアップ言語、Granite 4.1 3Bと8Bに搭載
IBMはGranite 4.1ベースモデルから派生した実験的プレビューモデルgranite-4.1-3b-LLMON-previewとgranite-4.1-8b-LLMON-previewを公開し、LLMONマーク付きテキストを読み書きできるようにした。明示的な命令とデータの分離により間接プロンプトインジェクションに対処する。
- OPIベンチマークで、LLMONモデルはテストした最高のフロンティアモデルより47%多く、最高のオープンソースモデルより95%多く攻撃を回避した。
- LLMONは6つの区切り文字を定義し、予約された単一トークンとしてトークナイザーに組み込まれる。
- 学習は5段階の連続GRPOに続き、モデル自身の応答から作られた1000組のオンポリシー選好ペアによるDPO段階で構成される。
- モデルは実験的プレビューであり、探索と評価向けで本番環境向けではない。
RAGやツール呼び出しエージェントを構築する開発者は、Granite 4.1 Instructと同等の性能を保ちつつ注入耐性を高めるため、LLMONプレビューに差し替えられる。
TRELLIS.2 3D生成モデル向けファインチューニングガイド:LoRAアダプタとコンテナ
Hugging Face が TRELLIS.2 のファインチューニング用スクリプトとコンテナを公開し、LoRA で sparse-structure flow DiT と shape flow DiT のみを学習して、GSO の靴 188 点でソール形状の精度を改善する。
- 実験では GSO の 1,030 オブジェクトのうち 188 の靴オブジェクトを使用。
- 2 つの対象 DiT で合計約 930 万のアダプタパラメータを学習:sparse-structure flow DiT は attention と MLP 層で rank 8、shape flow DiT は attention 層で rank 16。
- 前処理コンテナは Blender で各オブジェクトを 16 ビュー描画し、188 オブジェクトの実行は a100-large(80 GB)で約 1 時間。
- 学習コンテナは ss と shape の 2 設定を提供し、例では max_steps=3000、i_save=500 を設定し、アダプタのチェックポイントを Hub にアップロードできる。
小規模な 3D データセットでは、texture flow DiT を凍結し形状系 DiT のみに LoRA を適用することで、限られた計算資源で幾何の欠陥を狙って修正できる。
Google Research、ウェアラブルによるCKMリスクプロファイリングと個別コーチングの枠組みを発表
Google Researchは、受動的なウェアラブル信号を変更可能な健康年齢に変換し、行動条件付きワールドモデルで個人向け12週間の「what-if」習慣軌道をシミュレーションし、日常的な血液バイオマーカーへ拡張して心血管・腎・代謝(CKM)の健康を追跡する研究用機械学習フレームワークを提案した。
- SensorWMワールドモデルは、同意した約10万人のFitbitユーザーの228万人週超の匿名化データで事前学習され、2週間のベースラインから20の生理指標が今後12週間でどう変化するかを予測する。
- All of Usコホート(n = 22,748、68,000人年超の追跡)では、ベースライン時に健康年齢が暦年齢より高い健康な参加者は、その後8年間で高血圧、心血管疾患、2型糖尿病を発症する可能性が有意に高かった。
- 49件の参加者プロファイル、計490件のペア評価による盲検比較で、ライフスタイルコーチは71.4%の評価で反事実に基づくプランを最良の総合プランとして選択した(p < 0.001)。
- 医師は反事実プランの99.2%を安全な運動強度範囲内と評価し、97.6%を生理学的記述が正確と評価した。
AI構築者にとって、ワールドモデルで反事実軌道を生成し言語モデルで実行可能な助言に変換する閉ループ設計と、専門家盲検評価・臨床安全指標による定量検証の型を示している。
Google Antigravity、クラウド上でAIエージェントが働く「リモートエージェント」機能を搭載
Google Antigravityが「リモートエージェント」機能を搭載し、AIエージェントがクラウド上で動作して就業時間外でも作業を続ける。
- 機能名は「リモートエージェント」で、AIエージェントはクラウド上で動作する。
- Publickeyの報道によると、AIエージェントは就業時間外でも働き続ける。
ビルダーにとっては、エージェントの実行を単一セッションの外へ延ばせるため、無人実行を前提とした引き継ぎと監視の設計が必要になる。
研究:AIが脆弱性探索を9か月から90時間に短縮
All About SECURITYが報じた研究によると、AIは脆弱性探索を9か月から90時間に短縮した。
- 報道では脆弱性探索が9か月から90時間に短縮されたとされる。
- 出典:All About SECURITY。
AIビルダーにとって、この報道された短縮はAI支援の脆弱性探索がセキュリティ研究の期間を大幅に圧縮し得ることを示す。