AIニュース
公司内部站点 · 页面资源保存在本地（2026-10-19 16:48 UTC）· 独立 X 采集尚未配置；互动计数仅限本站

AIニュース

TGRSSフィード全 976 件

NVIDIAのMid-Harness、TerminalBench-LiteのPass@1を50.0%から68.0%に引き上げ

端末エージェントのテスト時計算に関するNVIDIAの論文は、GPT-5.6 Solの検証器がサンプリングした8件のshellコマンドから選ぶことで、TerminalBench-LiteのPass@1が50.0%から68.0%に上がると述べている。検証器が弱いと、サンプルを増やしてもほとんど効果がない。

ActiveSaddler、エージェントハーネスを最適化しながらシナリオを適応させる

DAIR.AI は、Microsoft と共同研究者らによる論文 ActiveSaddler を紹介している。これは、エージェントハーネスの最適化に使うシナリオを変えるものだ。同じ最適化器で、固定シナリオ順と比べてテスト Pass@1 が GAIA2 では 4.4 ポイント、Terminal-Bench 2.0 では 7.5 ポイント向上する。

GLM-5.3のExploitBenchスコアは12%、Claude Mythosの14%に迫る

DeepLearning.AIの週次レターはAnthropicの数値を引き、GLM-5.3がExploitBenchのエクスプロイト課題の12%を、Claude Mythosが14%を解いたと示している。また、20.40ドル分のトークンでGoogle Chromeの最近のセキュリティエクスプロイトが見つかったとも述べている。

DAIR.AI、Meta の RankEvolve を紹介——Claude Code と Codex を組み合わせる

DAIR.AI は、Meta の論文に基づく RankEvolve を、Claude Code と Codex を別々のノードとして実行し、互いの変更をレビューして修復するプロトコルだと説明している。同一予算では、実行精度は 45.8% から 62.5% に上がり、12 回の反復で MovieLens-20M 上の HSTU の NDCG@10 が 4.48% 改善する。

CMUの論文、ソルバーを変えずにエージェントのハーネスを編集する4B提案モデルを訓練

このハーネス学習論文は強化学習を用いて、提案モデルがタスク、現在のハーネス、実行レポートからハーネスコードを修正する。訓練された4B提案モデルはReasoning Gymの単一ステップ改訂で35B教師モデルを上回り、HotpotQAでの訓練はMuSiQueと2WikiMultihopQAに転移する。

GitHub Copilot アプリが diff、ターミナル、ブラウザーを並べて表示

GitHub Copilot アプリでは、diff、ターミナル、ブラウザーが一緒に並び、レビュー担当者はタブを切り替えずにエージェントのコードを確認、実行、プレビューできる。初心者向けガイドがこのレイアウトの使い方を説明している。

Databricks が Genie One を更新、オントロジーの既定有効化、ファイルアップロード、スケジュールタスクに対応

Genie Ontology が既定で有効になった。今回の更新では、ワークスペース指示、文書とデータファイルの直接アップロード、Genie 内での Unity Catalog クエリ、過去の実行を参照できるスケジュールタスクも追加された。

Meta Superintelligence Labs の論文が RL ポストトレーニングにおける Sharpening Tax（シャープニング税）を説明

42 組のベースモデルとポストトレーニング済みモデルのペアでは、軽量ハーネスを備えたベースモデルが大量サンプルでは、RL ポストトレーニング版より多くのエージェントタスクを解くことがしばしばある。ポストトレーニング版は依然として pass@1 で勝る。著者らの PTGS 手法は、RL 中の推定難易度に基づいて各プロンプトのサンプリング温度を設定し、税をより小さくし、pass@1 も引き上げる。

AutoCompact、コーディングエージェントがコンテキストをいつ圧縮するか判断できるよう訓練

AutoCompactはジャッジを使って圧縮判断を修正し、その後、教師あり微調整とタスク成功報酬による強化学習を適用する。報告されている通過率はSWE-bench Verifiedで9.2ポイント、SWE-PolyBench Verifiedで5.0ポイント上昇し、256Kウィンドウが一度もオーバーフローしない場合も含む。