Anthropic、ClaudeのAIビデオゲームクローンに厳格な対応
Tom's Hardwareの報道によると、AnthropicはClaude Codeのシステムプロンプトを更新し、既存のビデオゲームを再現するためにこのAIツールが使用されるのを防ぐ方針を示しました。現在、レトロゲームの世界ではAIによる逆コンパイル、再コンパイル、移植が急増していますが、AnthropicはClaude Codeを使ってゲームを作ることは依然として許可する一方で、人々が[…]することを望んでいません。
AI NEWS JOURNAL
AI ニュースを検索
見出し・要約・本文から、情報のつながりを探します。
Amazon SageMaker AIで知識蒸留を活用した効率的なエージェントを構築する
最先端モデルに基づいて構築されたアジェンティックアシスタントは複数ステップのツールループを実行しますが、各ステップで最先端のコストを支払うのは本番規模では持続が困難です。この記事では、シーケンスレベルの知識蒸留（SeqKD）を使用して、最先端のティーチャーのアジェンティックな振る舞いを小型で低コストなスチューデントに移行する方法を紹介します。
FilingLoop：企業の開示情報のレビューおよび修正を目的としたLLMエージェントの評価と進化
arXiv:2610.37905v1 公告タイプ：新規 要旨：SEC EDGAR などの公開情報開示リポジトリは、企業の提出書類へのウェブアクセスを通じて、情報に基づいた投資を支援しています。これらのレビューを言語モデルエージェントで支援するには、関連文書間に存在する明示されていない不備の発見、不足している企業情報の取得、さらに要求された修正が証拠に基づく要件を満たしているかどうかの検証が必要です。既存の財務質問応答に関する評価では、こうした対話型の機能についての証拠は限られています。そこで私たちは、企業開示のレビューおよび修正を目的とした対話型ベンチマーク兼自己進化型エージェントフレームワークである \textbf{FilingLoop} を提案します。米国証券取引委員会（SEC）の歴史的な文書交換に基づき、FilingLoop は 96 社から抽出した、主に IPO 審査に関わる 380 のタスクを再構築します
Le Chonk：コーダーのために構築され、防御者に信頼されるモデル。
Mistral Large 4（Le Chonk）の重みが公開されました。1兆パラメータを備えたマルチモーダルモデルであり、ヨーロッパで訓練されたコーディング向けの最良のオープン重みモデルです。
Infini-AI-Lab、AIエージェント向けのオープンソースハーネスアダプタフレームワーク「Hermit」をリリース
Infini-AI-Labは、タスクからのフィードバックをもとに外部層の指示・スキル・メモリ・ツールを学習させ、エージェントのモデルとハーネスは変更しないApache-2.0ライセンスのハーネスアダプタフレームワーク「Hermit」をリリースしました。記事「Infini-AI-Lab、AIエージェント向けのオープンソースハーネスアダプタフレームワーク『Hermit』をリリース」はMarkTechPostに最初に掲載されました。
二つの不確実性は同じではない：安価な構造化コンテンツモデレーションにおける意見の相違と意思決定リスク
arXiv:2610.33258v1 発表タイプ：新規 要旨：コンテンツモデレーションは、何十億ものアイテムに対して、最先端のLLMを個々の投稿に適用するのは経済的に非現実的である規模で、段階的かつ議論の多い人間の判断をバイナリ的な行為（掲示のまま／削除）へと圧縮します。新たな種類の凍結型「System One」モデルは、1回あたり約0.000025米ドル、処理時間約100ミリ秒で、テキストではなくタイプ付き・校正済みの意思決定を返します。私たちは、そのようなモデルの一つについて、人間がラベル付けした142,658件のコメントを対象とした初の独立審査を実施し、共有プローブセット上で14の最先端推論モデル（GPT-5.x、Claude、Gemini 3、およびGrokファミリー）と比較評価を行いました。二つの重要な発見が際立ちます。第一に、この安価なモデルは精度面で競争力があり、ゼロショット分類のAUROC値（0.83）は統計的に有意な差異が認められず（ペアドブートストラップ、n=56；等価性を棄却できない結果、つまり
大規模言語モデルの信頼性検出のための表現シグネチャーの適応的転送
arXiv:2610.33442v1 公開タイプ：新規 要旨：大規模言語モデル（LLMs）は、ハルシネーションや推論エラーを含む信頼性に関する問題に脆弱であると報告されています。既存の品質検出器は、内部表現に基づいて信頼性の低い出力をある程度の精度で予測できます。しかし、これらの検出器を訓練するには、多くの場合、特定分野に特化した大量のラベル付きデータが必要であり、そのため新たな分野への適用が制限されます。私たちは、この課題に対処するために、関連する複数の分野間で表現シグネチャーを転送することを提案します。具体的には、まず各分野ごとに低次元のシグネチャーを抽出し、次にクロスフィッティングを用いて、分野固有の予測器の組み合わせ重みを学習する統計的枠組みを構築します。この重みは、各ソース分野における予測の重要性に応じて適応していきます。
音声言語モデルにおける制御可能な発話スタイルキャプションのベンチマーク
arXiv:2610.33036v1 公表タイプ：新規 要旨：発話スタイルキャプション（SSC）は、声の質感、プロソディー、表現力といったパラリンガリスティックな属性を捉えながら、話し方がどのように伝えられているかを自然な言語で記述することを目的としています。会話型AIエージェント、制御可能な音声生成、大規模な音声アノテーションなど、多くの下流アプリケーションでは、単一で区別されない記述ではなく、話者の特性、感情、発話スタイルなど、特定の側面を対象とした次元別のスタイルキャプションが必要とされています。しかし、既存の研究には、制御可能な発話スタイルキャプションに関する統一的な定式化が欠けています。本研究では、このギャップを埋めるために、SSCを指示に従う音声言語タスクとして定式化し、明示的な指示によって発話スタイルの次元を指定する形で取り組みました。
LeafSkill：再帰的LLMエージェント向けの効率的な葉レベルのアクション接地
arXiv:2610.32412v1 発表タイプ：新規 要旨：再帰型の大規模言語モデル（LLM）エージェントは、分解・実行・環境からのフィードバックを通じて長期的なタスクを解決する。しかし、原子的なサブタスクを生成した後、しばしば同じ大規模モデルを再度呼び出して、馴染みのある指示を実行可能なアクションに変換している。我々は、高レベルの計画はタスク固有である一方で、葉レベルのアクションの具現化はタスク間で繰り返され、環境が許容するアクションと照合可能であることを観察した。そこで、セマンティックに関連する具現化の経験を取得し、アクションテンプレートを現在のオブジェクトおよび許容されるアクションに結びつけ、軽量な17億パラメータの選択器によって結び付けられたアクションを選択するか、あるいは変更のないサブタスクを元のエージェントに委ねる外部再利用層であるLeafSkillを提案する。スキルは外部に留まり…
バースト性の高いワークロード下におけるサーバーレス自動スケーリング戦略の比較評価のための統一的なキューイングベースのフレームワーク
arXiv:2610.35564v1 発表タイプ：新規 要旨：サーバーレスコンピューティングプラットフォームは、極めて突発的で予測不可能なワークロードに適応しつつ、サービス品質（QoS）を維持しなければなりません。QoS要件やサービスレベルアグリーメント（SLA）を満たしながらワークロードの変動に対処するため、これらのプラットフォームは自動的なリソーススケーリングに依存しています。商用の関数即時実行（FaaS）プラットフォームでは、アクティブな関数インスタンスの数や利用可能な処理能力を動的に調整するために、さまざまなオートスケーリング戦略が採用されています。本研究では、代表的な3つのオートスケーリング戦略――リクエストごとのスケーリング（SPR）、同時実行度ベースのスケーリング（CLS）、メトリクスベースのスケーリング（MBS）――をモデル化し、比較しました。独自のプラットフォーム固有の実装から独立した体系的な評価を可能にするため、我々は de
データカルチャーがゼロトラストから出荷可能なAI分析エージェントへと辿った道のり
Data Cultureは、AI分析の導入における精度を0％から94.7％に向上させた3段階の評価フレームワークを構築しました。
改ざんされた機械学習：大規模言語モデルによる機械学習研究の評価
arXiv:2610.32114v1 公表タイプ：新規 要旨：AIアライメントの進展を加速する一つの手法は、アライメント研究そのものの一部を自動化することである。そのためには、研究提案における欠陥の特定や、提案された実験が意図した主張を支持するかどうかの評価といった、監督が困難な研究課題に対しても信頼性高く機能するシステムが必要となる。この能力を評価するため、我々はTampered MLを導入する。これは、公開されている機械学習論文から再構成された実験提案と、目的とした方法論的欠陥を導入した最小限に編集された対照案からなる、1,858組の項目ペアからなるベンチマークである。モデルは、提示順序に関わらず、より方法論的に妥当な提案を識別しなければならない。層化抽出サンプルに基づく人間による検証研究では、全体の86%が…
何を言うかを超えて：ウルフゲームエージェントのための内面的思考による能動的な発話タイミング
arXiv:2610.32107v1 発表タイプ：新規 要旨：会話に参加する際には、何を話すかを決めるだけでなく、そもそも話すべきかどうかを判断することも重要である。特に、参加者間の利害が対立するウルフゲームのような環境では、発話と沈黙の両方が他者によって解釈・評価されるため、この判断は一層重要な意味を持つ。したがって、ウルフゲームをプレイするLLMエージェントにとって、何を話すかだけでなく、いつ話すかを決定することは極めて重要である。本研究では、AIWolfDial共有タスクの「Anytime Utterance Track」向けに開発されたウルフゲーム用AIエージェントを紹介する。本システムは、会話中の発話タイミングを内面的思考の生成と各思考の価値評価に基づいて決定する既存のInner Thoughtsフレームワークを基盤として構築されている。
AI-for-Scienceエージェントはモデルの安全性を保てるのか？
arXiv:2610.32045v1 発表タイプ：新規 要旨：AI-for-Scienceエージェントは、科学的仮説の立案、自律型実験の実行、および証拠の解釈にますます活用されています。これらのエージェントは、大規模言語モデル（LLM）をドメイン固有のエージェントハーネスに統合することで構築され、その結果、LLMの科学的能力が向上し、モデルが科学ツールを調整・運用できるようになります。本研究では、LLMをAI-for-Scienceエージェントハーネスに統合した際、モデルの安全性が維持されるかどうかを検討します。5つのエージェントハーネスを対象に、50件の有害な化学関連リクエストについて評価を行いました。具体的には、直接的なプロンプト入力、2種類の単純な敵対的プロンプト戦略、および適応型攻撃の条件下で、安全性の挙動がどのように変化するかを調べました。最近のGPT系モデル4種類において、我々の結果は示しています
LLM評価において、全体のF1スコアのみで自動採点システムを検証することは誤解を招くリスクがある：新たな研究は、具体的なプロンプト間の差異を考慮した検証の必要性を強調している
arXiv論文（2610.31678v1）は、対話型の大規模言語モデルの評価において、自動スコアラーの全体的な正答率やF1スコアだけに依存すると、プロンプト固有の誤りが隠れてしまい、プロンプト効果の誤った判断につながると指摘している。実証結果では、同一のスコアラーでも異なるプロンプト条件下で偽陽性率に大きな差（2.6%～33.3%）が生じ、表面的には有意と見られる9.3ポイントの効果も、二重のLLMによるレビュー下では2.3ポイントに縮小し、統計的に有意ではなくなった。
注目する理由：本研究は、実際の実験データ（6つのモデル、180個の架空のエンティティに関する質問、6種類のプロンプト条件）に基づき、現在のLLM評価において広く見られる方法論上の欠陥——すなわち、スコアラーの全体的な性能を重要な比較タスクにおける信頼性と同一視する——を明らかにしています。その核心的な主張（各プロンプトを個別に検証し、不確実性を考慮に入れる必要がある）は、明確な実証的根拠と実践的な提言に裏打ちされており、発表日（2026年10月26日）も新鮮で、出典も信頼できるarXivプレプリントプラットフォームです。
研究により、コーディングエージェントのベンチマークにおける「規範–オラクルギャップ」の問題が明らかになった
2026年10月24日にarXivに掲載された論文は、現在主流のコーディング・インテリジェンス・エージェント向けベンチマーク（たとえばSWE-Milestone）には「仕様–オラクルギャップ」が存在すると指摘している。すなわち、タスクの自然言語による記述には、テストに必要な重要な実装細部（例えば定数名、モジュールパス、正確なエラーメッセージなど）が含まれておらず、その結果、評価では上流のコードを再現する能力が測定されているにすぎず、真の理解力や推論能力が評価されていないという問題がある。
注目する理由：本研究は、この種のバイアスを初めて形式的に定義し、5言語をカバーする静的解析ツール（精度89.2％、再現率92.9％）を構築したうえで、SWE-Milestoneにおいて、25のマイルストーンタスクに推論不可能な暗黙的依存関係が存在することを実証的に明らかにしました。これにより、失敗率が大幅に上昇する（80.6％対48.4％）ことが示され、現在のランキングが「名前を真似る」タイプのエージェントを体系的に優遇している可能性が浮き彫りになりました。研究成果として、オープンソースの解析ツールと修正リソースが公開されており、方法論的価値と実践的価値の両面から貢献しています。