Show HN：LLM-cost-watch – Claudeに、あなたのLLM請求額が急増した理由を尋ねてみましょう
記事のURL：https://github.com/rohith0707/llm-cost-watch コメントのURL：https://news.ycombinator.com/item?id=50415785 ポイント：1 # コメント：0
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。
n8n@2.46.5
n8n 2.46.5のアップデートでは、いくつかのバグが修正されています。具体的には、AIエージェントノードの非推奨となったエージェントタイプのコールアウトの修正、ノードパラメータの資格情報解決の改善、および式での名前付き配列キーの読み込みの有効化などが含まれます。新機能としては、移行レポートでアーカイブ済みのワークフローをデフォルトで非表示にすることや、移行レポートの読み込みに時間がかかりすぎた場合にメッセージを表示することなどがあります。
n8n@2.47.1
n8n 2.47.1のアップデートでは、アーカイブ済みのワークフローをデフォルトで非表示にしたり、レポートの読み込みに時間がかかる場合にメッセージを表示したりするなど、移行レポートの利用体験を向上させる機能が導入されています。
n8n@2.46.3
## [2.46.3](https://github.com/n8n-io/n8n/compare/n8n@2.46.2...n8n@2.46.3) (2026-10-30) ### 不具合修正 * **core:** 移行所有者へのリマインダーを再送する前にクールダウン時間を追加 ([#42567](https://github.com/n8n-io/n8n/issues/42567)) ([724efc3](https://github.com/n8n-io/n8n/commit/724efc352f51a52910924789b79cf66770807e09)) * **core:** アクティベーション後にIMAPトリガー式を解決 ([#42612](https://github.com/n8n-io/n8n/issues/42612)) ([17594a7](https://github.com/n8n-io/n8n/commit/17594a7eefa42bc37f532af35c4f38eb1986bbc5)) * **core:** 式内でユーザー情報を__isErrorキー付きで返す ([#42490](https://github.com/n8n-io/n8n/issues/42490)) ([9fe595e](https://github.com/n8n-io/n8n/commit/9fe595e1b83179b54ac5768d03c5f90f9c409f16)) * **editor:** ワークフロープロジェクトをその名前で表示
n8n@2.45.7
core：ワークフロー スコープのルートが実行データを読み取る際に、read 権限を必要とするようにしました（#42446）（93638f4）
FilingLoop：企業開示の審査・修正におけるLLMエージェントの評価と進化
arXiv:2610.37905v1 発表タイプ：新規 要旨：SEC EDGARなどの公開開示リポジトリは、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。これらの書類のレビューを言語モデルベースのエージェントでサポートするには、関連文書間で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の検証が必要です。既存の財務に関する質問応答の評価では、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、企業開示の審査・修正を対象とした対話型ベンチマークであり、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した。
アーティファクト蒸留：フロンティアモデルから小型言語モデルへの訓練不要な転移
arXiv:2610.37680v1 発表タイプ：新規 要旨：フロンティアモデルと小型言語モデルの性能差を埋める手法としては、通常は蒸留が用いられます。すなわち、フロンティアモデル（教師）の出力に対して小型モデル（生徒）を微調整することで転移を行いますが、この方法では転移に必要な計算コストが伴う上、転移された知識はほとんど不透明なままです。そこで私たちは「アーティファクト蒸留」を提案します。これは、教師モデルが学習課題を解き、その問題解決手順を外部にアーカイブしておき、生徒モデルが推論時にそのアーカイブを参照するという手法です。これにより、勾配による更新は一切不要となります。LiveBenchの4つのタスクにおいて、Claude Opus 4.5が作成したアーカイブを用いることで、Claude Haiku 4.5は空間的推論において、コストを60％に抑えながら、無補助のClaude Sonnet 4.5を0.707対0.647で上回り、テーブル結合タスクではコストを89％に抑えた上でSonnet 4.5と同等の性能を達成しました。さらに、同じ生データのアーカイブを用いることで
シーケンシングプロトコル理解におけるAIエージェントの評価と改善
arXiv:2610.37851v1 発表タイプ：新規 要旨：既存の科学系エージェントベンチマークでは、カスタマイズされたシーケンシングアッセイの解析に不可欠な、シーケンシングプロトコルで指定された正確な分子構造および生成ワークフローを再構築できるかどうかを評価するケースはほとんどありません。そこで私たちは、シーケンシングライブラリの構造と分子ワークフローの再構築を目的とした文書ベースのベンチマークであるLibStructBenchを提案します。実験結果から、最先端のエージェントは概ね正しい再構築を行えるものの、特に分子状態の表現やワークフローの接続性において、正確な再構築には依然として信頼性が不足していることが明らかになりました。また、基盤となる言語モデルを切り替えた場合の方が、エージェントハーネスを変更した場合よりも平均的な性能差が大きく、統計的に有意な差が認められました。
解説を読まずにスコアリングを行う：自動解釈可能性評価における構造的ショートカット
arXiv:2610.37676v1 公表タイプ：新規 要旨：自動解釈可能性は、スパースオートエンコーダー（SAE）の特徴について、評価例に対してその特徴がどの位置で活性化するかをトークンごとに予測させたり、マークされたトークンがその特徴に適合しているかどうかを判定させたりすることで、解説を評価します。我々は、評価データの標準的な処理パイプラインのみを用いても、解説を読まないままスコアリングが可能であることを示しました。Neuronpediaに保存されているGPT-2 smallモデルのランダムな500個の特徴に対するファジング実行において、活性化した例の91.3％が中心トークン上でピークを持つように切り取られており、さらに中心トークンがマークされていれば「はい」と判定するルールは、パイプラインのコードから再構築されたマークに基づいて計算した結果、保存済みのLLMスコアラーの0.838に対し、バランスのとれた精度0.979を達成しています。一方、マーク数のみを参照するルールでは0.969を記録しました。T
Seq@K：逐次的フィードバック下での言語モデルの評価
arXiv:2610.37859v1 発表タイプ：新規 要旨：言語モデルエージェントは、文脈における自然言語から学習する能力において、従来の知能システムとは根本的に異なります。この能力により、エージェントはフィードバックに応じて自身の回答を反復的に改善することが可能となり、これは現代のエージェント型ワークフローにおいて広く見られる動作様式です。しかし、コミュニティでは主にPass@1やPass@Kといった指標でモデルを評価しており、それらの指標では、エージェントが過去の試行に対するフィードバックをどのように活用しているかを捉えることはできません。そこで私たちは、Seq@Kという自然な評価プロトコルを提案します。これは、各前の試行が失敗した後にフィードバックを受け取り、K回の逐次的な試行のうちに問題を解決できるかどうかを測定するものです。長期的な計画を検討する多段階のエージェントベンチマークとは異なり、Seq@Kは、フィードバックによる改善という核心的な能力を単独で抽出し、形式化しています。
リヴィアン、VWとの合弁事業を拡大しAIアシスタントを加える
リヴィアンは、58億ドル規模の合弁事業の価値がその結果として拡大するかどうかについては明らかにしていない。
機械学習用原子間ポテンシャルにおけるTensor Coreの性能を引き出す
原子論的シミュレーションは、化学反応や相転移から機械的破壊に至るまで、分子や材料がどのように振る舞うかを研究者が理解するのに役立ちます。これらの...
n8n@1.123.90
1.123.90（2026年10月29日）core：招待を受け入れるには署名済みのトークンが必要です（#42292）（4580f22）
n8n@2.45.6
core：キュー実行モードでの実行にかかる動的時間を記録する（#42482）（f2f0c2f） editor：コンパクトなサイドバーのアイコンサイズを揃える（#42378）（56eec49）
人工分析v5とベンチマーク作成者のジレンマ
ベンチマーク業界の現状と、そこに欠けているものについての一考察。
n8n@3.0.1
## [3.0.1](https://github.com/n8n-io/n8n/compare/n8n@3.0.0...n8n@3.0.1) (2026-10-28) ### 不具合修正 core: 圧縮ビルドにおいて ExpressionError の名前を保持する (https://github.com/n8n-io/n8n/issues/42309) ([b3192c6](https://github.com/n8n-io/n8n/commit/b3192c6d151125c76c88fe8a421e027b4242a3f9)) core: QuickJS の式の結果に undefined 値を保持する (https://github.com/n8n-io/n8n/issues/42264) ([532f645](https://github.com/n8n-io/n8n/commit/532f645f21c99e178a09448caf37ebd77d24b56a)) editor: スプリットボタン内のカーソルを揃える (https://github.com/n8n-io/n8n/issues/42203) ([61cbfea](https://github.com/n8n-io/n8n/commit/61cbfeafa267b5c769b345c50ccbd4fc504b0e69)) editor: 初回読み込み速度を改善する (https://github.com/n8n-io/n8n/issues/41987) ([8b6bdbb](https://github.com/n8n-io/n8n/commit/8b6bdbbe874b
n8n@2.45.5
## [2.45.5](https://github.com/n8n-io/n8n/compare/n8n@2.45.4...n8n@2.45.5) (2026-10-28) ### 不具合修正 * **core:** 圧縮ビルドにおいてExpressionErrorの名前を保持する（[#42309](https://github.com/n8n-io/n8n/issues/42309))（[b3192c6](https://github.com/n8n-io/n8n/commit/b3192c6d151125c76c88fe8a421e027b4242a3f9)) * **core:** QuickJS式の評価結果にundefined値を保持する（[#42264](https://github.com/n8n-io/n8n/issues/42264))（[532f645](https://github.com/n8n-io/n8n/commit/532f645f21c99e178a09448caf37ebd77d24b56a)) * **editor:** スプリットボタン内のカーソルを揃える（[#42203](https://github.com/n8n-io/n8n/issues/42203))（[61cbfea](https://github.com/n8n-io/n8n/commit/61cbfeafa267b5c769b345c50ccbd4fc504b0e69)) * **editor:** 初回読み込み速度を改善する（[#41987](https://github.com/n8n-io/n8n/issues/4))
Build-A-Chip-Benchの紹介：ワークロード仕様からGDSまで
オープンソースツールとオープンソースPDKを用いて、チップ設計ワークフローを完了する能力を評価するため、ワークロード仕様からGDSレイアウトに至るまでの段階でAIエージェントを評価します。記事「Build-A-Chip-Benchの紹介：ワークロード仕様からGDSまで」はSemiconductor Engineeringに最初に掲載されました。
FinLLM-KG：アルゴリズム取引における金融センチメント分析のための知識グラフ強化型大規模言語モデル
arXiv:2610.36083v1 公告タイプ：新規 要旨：生成系AIの最近の進展により、事後学習済みの金融分野向け大規模言語モデル（LLMs）を用いた金融センチメント分析は大幅に向上しました。しかし、既存の手法は依然として各記事のセンチメントを個別に予測するにとどまり、ブラックボックス的な運用が続くため、文脈理解が制限され、リスクの高い金融意思決定への適用が妨げられています。これに対し、本研究ではFinLLM-KGを提案します。これは、因果関係に基づくLLMsと金融知識グラフを組み合わせたモデル非依存のフレームワークであり、モデルの重みを更新することなく、推論時にSEC 10-K提出書類から得られる時系列に根ざした企業レベルの知識を注入することが可能です。FinLLM-KGでは、コンテキストは自然言語による企業プロフィール、または少数の関連情報セットのいずれかで提供されます。
CONCUR：多タスク・多報酬強化学習における一致型補助報酬
arXiv:2610.36437v1 発表タイプ：新規 要旨：大規模言語モデル（LLM）が複数のタスクに対して強化学習（RL）で学習する際、各タスクの主報酬は、長さ報酬などの補助報酬を制限することができる。すなわち、不適切な応答に対しては、補助報酬は主報酬を超えることができない。しかし、グループ相対優位推定器では、制限された補助報酬も他の要素と同様に扱われるため、主報酬の順序を逆転させたり、主報酬の上限においてのみ補助報酬が応答の順序を決定したりしてしまう。制限された補助報酬を維持すると一部のタスクに悪影響を及ぼし、一方でそれを排除すると別のタスクに悪影響を及ぼす。そこで我々は、各制限付き補助報酬の標準化スコアを、二つの条件を満たす最も近いスコアに置き換える優位推定器であるCONCURを提案する。具体的には、主報酬が高い応答には低いスコアを与えることはできず、また…