見出し・要約・本文から、情報のつながりを探します。
AWSはMulti-Turn Reinforcement Learning（MTRL）機能をリリースし、ユーザーはSageMaker AI上で、ステップ単位のアノテーションなしに、タスク全体の遷移と最終的な結果に基づいて大規模モデルエージェントを訓練できるようになりました。Wordleを例に、AgentCoreのデプロイ、データ準備、PPOトレーニング、報酬設計、コスト分析に至るまで、一連のワークフローを実演しています。
IBM Researchは、オープンソースのGranite Timeseries Ensemble（v1）を公開し、PatchTST-FM-r1/r2、FlowState、Tiny Time Mixersの4種類の事前学習アーキテクチャを統合して、ゼロ・ファインチューニングによる確率的アンサンブル予測をサポートしています。デフォルトでは等重みの確率的アンサンブル（Probabilistic Ensemble）を採用しており、四分位範囲に基づく適応的重み付け（IQR Ensemble）も提供されています。GIFT-Evalベンチマーク（2026年10月20日時点のスナップショット）において、点予測誤差（MASE=0.683）は最良の単一モデルをわずかに上回り、全体的なロバスト性が顕著に向上しています。
アレン人工知能研究所は、OlmoEarth v1.3をリリースし、惑星全体で10メートルの解像度を持つ64次元および128次元の事前計算済み衛星埋め込みベクトルを提供するとともに、対話型探索ツール「Embeddings Explorer」も搭載しています。これにより、コード不要の変更検出、類似領域の検索、軽量な分類モデリングが可能になります。
Googleの研究チームは臨床機関と共同で前向き多施設共同研究を実施し、低コストな携帯型プローブを用い、超音波専門医でないスタッフが操作するAI駆動の「ブラインドスキャン」超音波検査手法が、シカゴおよびナイロビの両地域において、専門家レベルの超音波生体計測と同等の妊娠週数評価精度（平均絶対誤差4.18日対4.48日）を実現することを確認しました。さらに、ローカルデータによる微調整を必要とせず、資源が乏しい地域における産前超音波検査の普及に向けた実行可能な道筋を示しています。
Google CloudとNVIDIAは、Vera Rubinアーキテクチャを基盤とするA5Xインスタンスを来月から正式に商用提供すると発表しました。第一弾は米国で展開され、その後欧州へと拡大される予定です。このプラットフォームは、NVL72 GPU、ConnectX-9 SuperNIC、Virgoネットワーク、および第4世代の液冷技術を統合しており、大規模強化学習や生成型エージェントの推論など、高密度な計算負荷が求められるシナリオに特化して設計されています。
NVIDIAは、オープンソースの時系列予測モデル「Kumo Forecast」（旧称：NV-Tesseract Forecasting）を発表しました。同モデルはMOMENT-1-large Transformerアーキテクチャを基盤とし、直接予測とDomain-Aware Representation and Retrieval（DARR）による二重経路推論をサポートするとともに、モデル構造を変更することなく利用できる解釈可能性フレームワークを内蔵しています。
AWSチームは、Amazon SageMaker HyperPod上でGPT‑OSS‑20Bを用いた多言語推論の微調整実験を実施し、LoRAによるパラメータ効率的微調整を採用しました。SFTでは、英語・フランス語・ドイツ語・スペイン語・イタリア語の5言語における推論の言語正答率を22％から100％に引き上げましたが、回答言語の正答率は62％にとどまりました。GRPOはこれを踏まえ、回答言語の正答率をさらに70％まで向上させましたが、推論言語の性能には影響を与えませんでした。ただし、その効果は言語によって異なり、例えばスペイン語では30ポイント上昇する一方で、イタリア語では20ポイント低下しました。実験は、GRPOがゼロから新たな能力を創出することはできず、既存の偶発的な振る舞いを最適化するにすぎないことを明確に示しています。
PyTorch 2.15 は、Apple Silicon Mac に重大な MPS バックエンドのアップグレードをもたらし、macOS 上で初めて FP8 テンソル演算をネイティブにサポートします。また、MoE モデルのデコード速度が 5～6.5 倍に向上し、ビデオ VAE のデコードにおけるピークメモリ使用量は 270 GiB から 8 GiB へと大幅に削減され、さらに多数のオペレーターが MPSGraph から専用の Metal カーネルへ移行されました。
Goodfireの研究者ニック・カマラタ氏は、2万6千語に及ぶ長文を公開し、大規模言語モデル（LLMs）の内部メカニズムは、学界の予想をはるかに上回るほど構造的で理解しやすい可能性があると主張している。その核心的な論点は、Inception v1などのモデルにおける「多義ニューロン」の再解釈に基づいており、たとえば「猫と車を同時に活性化するニューロン」は、無秩序な重複ではなく、V字型の視覚パターンに応答するものであるという見方を示している。なお、この見解は現行のLLMにおいて体系的な検証がまだ行われておらず、スタンフォード大学のクリス・ポッツ氏やAlignment Research Centerのジェイコブ・ヒルトン氏らによって、その普遍性および技術的深さについて疑問が呈されている。
Googleの研究チームは、革新的な単一ラウンドの格子暗号集約プロトコルと信頼できる実行環境（TEE）を連携して検証することで、特定の単一主体を信頼することなくデータを集約し、ユーザーのデータが常に端末に留まる状態を確保しつつ、集団レベルの匿名性を保った洞察を得られる新たなプライベート分析手法を発表しました。
