Archive 記事を横断検索
キーワードだけでなく、業界・用途・情報種別・公開時期を組み合わせて検索できます。気になるテーマから、自社で試すヒントまでまとめて辿れます。
← AI Intel トップに戻る2 / 12ページ
・LLMベースの財務分析ツールは情報取得能力で評価されるが、取得した情報が実際の判断に反映されるかは検証されていない ・文脈トークン数を2,000から128,000に増やし、無関連情報を混在させると、LLMのリスク判断精度が低下することを実験で確認 ・金融ディスクロージャー解析で、検索と判断統合の間に認識されていないギャップが存在する課題を指摘 ・長文脈処理時の LLM の信頼性が、金融意思決定支援システムの実装において重要な検証対象と...
・長期タスクで履歴が増えると状態把握と適切なスキル選択が困難になる課題に対し、Recurisという新しいメモリアーキテクチャを提案 ・作業メモリがタスク進捗を追跡し、経験メモリから必要なスキルを選別することで、過去全体ではなく現在のニーズに基づく判断を実現 ・再帰的自己改善プロセスを構造化し、長期的な複雑タスクの解決性能向上を目指す
・初代大学生で地方出身のゴハル・カーン氏が、大学入試支援YouTube「Gohar's Guide」を開設し、1000万人超のフォロワーを獲得。 ・大学出願エッセイや試験対策など、入試関連の実践的アドバイスと生活のコツを配信。 ・コンサルティング企業「Next Admit」を立ち上げ、有料の出願支援サービスを展開。 ・個人の課題体験を基にしたコンテンツが、同じ立場の学生層に強く支持される構図を示唆。
・AWS が SageMaker HyperPod に Ray（オープンソースの分散処理フレームワーク）の新機能を統合したことを発表 ・Ray は GPU クラスタ上で Python ワークロードをスケール可能にするツール ・基盤モデルの学習と推論に特化した HyperPod のインフラストラクチャと Ray を統合
・OpenAIがカリフォルニア州のAI安全法案「SB 53」の強化を提言。同社は以前この法案に反対していた。・規制の方向性や具体的な強化内容の詳細はソースに記載なし。
・Relativity Networks が 2,200 万ドルの資金調達を実施。中空コア光ファイバー技術を展開 ・この技術は従来型光ファイバーと比べて 30% 高速なデータ伝送を実現 ・データセンター間の通信インフラとしての活用を目指す
・メモリベースの自己改善型エージェント（オンラインタスク学習とテキストメモリ管理で段階的に改善）は従来の研究で有望と評価されてきた。 ・本研究は複数実行による分散測定とタスク順序のランダムシャッフルを含めて、これら手法の信頼性を包括的に再評価した。 ・従来の単一実行や固定順序の評価では、メモリ型エージェントの実際の安定性と汎用性が過度に評価されている可能性を指摘。
・複数の接触操作スキルを組み合わせた長時間ロボットタスクで、VLAモデルの個別スキルは優秀だが段階間のエラー蓄積が課題 ・LLMエージェントがVLAを補完し、言語計画→自由空間での解析的移動→接触操作時のみVLA実行の役割分担を提案 ・各段階の状態遷移を記憶・学習し、段階間の暗黙的な制約を顕在化させる方法論
・OpenAIがサイバーセキュリティ防御プログラム「Daybreak」を拡張し、新しいサイバー対応専用のAIモデルをリリース ・AI主導の攻撃が増加する状況への対応として、防御能力の強化を図る取り組み ・具体的な機能・性能・対応範囲についてはソースに記載なし
・Appleが長年待たされていたSiriのAI刷新を実現し、機能的には本来の性能に到達した ・ただし実装時期が遅く、競合製品が既に高度なAIアシスタントを提供している状況下での登場となった ・単なる機能改善では市場インパクトが限定的に見える、という市場認識が反映されている
・Amazon Bedrock AgentCore Identity が Private Key JWT によるクライアント認証に対応し、エージェントが共有シークレット不要で署名済み JWT で認証可能に ・公開鍵を ID プロバイダーに登録し秘密鍵で JWT にサイン、セキュアで管理しやすい方式を実現 ・OAuth 2.0 のシークレット管理負担を軽減し、エージェントと外部 API 間の認証セキュリティを向上
・ニューヨーク発のAI検出企業Pangramは、Menlo Ventures主導で900万ドルを調達し、AI生成コンテンツを見分ける需要拡大を見込んで事業拡大を進める。 ・同社はテキスト検出モデル「Pangram 4」と画像検出モデル「Pangram Image」を発表。画像版は研究プレビュー段階で、幅広い提供は今後を予定している。 ・TechCrunchによると、Web版は月額20ドルで、APIやChrome拡張も提供。Substac...
・Cognition が Poke を買収し、会話スタイルと相互作用モデルをコード生成 AI「Devin」に統合。 ・AI アシスタントの性能だけでなく、ユーザーとのインタラクション方法が競争優位性を左右する認識が広がっている。 ・会話体験の設計が AI ツールの市場価値判断に影響を与える傾向を示唆。
・OpenAI が ChatGPT に Health 機能を追加し、米国の対象ユーザーが医療記録と Apple Health を安全に接続可能に ・個人の医療データを ChatGPT に統合することで、よりパーソナライズされた健康情報の提供を実現 ・医療情報の安全な取り扱いと、ユーザーの健康管理の効率化が目的
・大規模言語モデル（LLM）の価値観調整は西洋的規範に偏った設計になっており、スリランカなどの多言語社会の固有の文化的価値を適切に処理できていない。 ・既存ベンチマークはシンハラ語による文脈化された価値観の評価を欠いており、文化的に配慮した評価と微調整を実現できない状況が存在する。 ・本研究はスリランカの価値観を反映した最初の調査ベースの評価リソーススイート「LKValues」を提案し、地域固有の文化的感応性を向上させることを目指してい...
・MetaがStoryKitというAI生成寝物語アプリを限定地域でテスト運用中。 ・親の反応や利用パターンを検証しながら、段階的な展開を進めている状況。 ・生成AIを家庭向けコンテンツに活用する企業の新たな試み。
・大規模言語モデルの微調整時に、全サンプルが同等に寄与するわけではないため、情報量の高い訓練データを選別して計算コストを削減する研究。 ・従来のデータ品質・多様性・推論トレース長といった固定ヒューリスティクスは、タスクごとに有効性が異なり汎化困難という課題を指摘。 ・Perplexity（困惑度）ベースのデータ選別アプローチを提案し、タスク固有かつ予算制約下での効率的なサンプル選択を実現。
・OpenEvolve や TTT-Discover などの自動発見システムは、アーカイブ・親選択・探索・予算配分といった複数の設計選択を組み合わせた複合システムである。・これらのシステムは実務的には汎用ハーネス（枠組み）として扱われているが、最適な設定は問題ごとに異なる可能性を指摘。・発見実行は計算コストが高く確率的性質を持つため、既存手法の比較には統計的に十分な独立試行が不足している傾向。
・Alphabet（Google の親会社）が Gemini モデルの動作効率を高める専用 AI チップの開発を進めている。 ・新チップにより、推論速度の向上とコスト削減が期待される。 ・独自チップ化により Google は生成 AI 環境の競争力を強化する意向。
・人間の視覚は継続的な目の動きと仮説の更新を伴う動的プロセスだが、現在の視覚言語ベンチマークでこれを測定していない ・新しいベンチマーク「ActiveVision」を提案し、大規模言語モデルが能動的観察（段階的な情報探索）を実行できるかを評価 ・既存のスナップショット型評価では見落とされる、モデルの観察戦略の質と効率を測定することが目的
・Couchbase が開発したデータベース補助ツール「Capella iQ」は、単一の大規模言語モデルではなく複数モデルを組み合わせた AI アーキテクチャを採用 ・Amazon Bedrock を活用して複数の基盤モデル（Foundation Model）を統合し、柔軟性・スケーラビリティ・耐障害性を確保 ・クエリ生成、インデックス推奨、マルチターン対話など複雑なワークフローに対応可能 ・エンタープライズ向け採用拡大に伴い、複数モデ...
・LLM（大規模言語モデル）を用いた複数エージェントシステム（MAS）と単一エージェントシステム（SAS）の性能差を理論的に分析した研究。 ・SASは推論プロセス全体を共有コンテキストに蓄積するのに対し、MASは各エージェントが独立したコンテキストを保有することが特徴。 ・情報ボトルネック理論により、両者の優劣が場面ごとに変動する理由を数学的に説明。 ・複数エージェント化がいつ効果的か、設計段階での判断指標を提供。
・大規模言語モデル（LLM）の推論能力向上に強化学習（RL）が中心的役割を果たしているが、事前学習との相互作用はほとんど研究されていない。・本研究は、事前学習の条件（モデルサイズ、学習データ）がRL投資のリターンにどう影響するか、またRLが実際にモデルに何をもたらすかという基本的な2つの問題に取り組む。・従来のLLM研究では事前学習コーパスの詳細が非公開のため、このような検証は困難だった。
・Muon最適化器は大規模事前学習ではAdamWと同等だが、強化学習の後学習での有効性は未検証 ・報酬が疎な環境でのエージェント学習（ALFWorld、Qwen2.5モデル）にMuonを適用すると、検証成功率が29%から54.6%に大幅向上（+88%） ・隠れ層の重み行列に限定してMuonを適用することで、効率的な学習を実現
