2026年末における新しいコンテキストエンジニアリングの課題
LangChainのCEOであるハリソン・チェイスが、プロアクティブエージェントの登場に伴う最大のハーネスエンジニアリングの課題について洞察を共有します。
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。
Crawl4AIでAmazon Bedrockナレッジベース向けのウェブコンテンツを準備する
この投稿では、オープンソースのウェブクローラーであるCrawl4AIを、Amazon Bedrockナレッジベース向けのコンテンツ準備レイヤーとして使用する方法を紹介します。ウェブコンテンツがAmazon S3データソースに到達する前に、JavaScriptレンダリングの処理、選択的抽出、およびカスタムメタデータの拡充を行います。
b12002
ggml：バッチ処理されたテンソルのコピーAPIを追加（#30881）* ggml：汎用的なバッチ処理テンソルコピーAPIを追加 補助：pi:llama.cpp/ggml-org/DeepSeek-V4-Flash-Vision-Exp-GGUF（Mac Studio、M2 Ultra、192GB）* llama：コンテキストI/Oでバッチ処理テンソルコピーAPIを使用 補助：pi:llama.cpp/ggml-org/DeepSeek-V4-Flash-Vision-Exp-GGUF（Mac Studio、M2 Ultra、192GB）* ggml：バッチ処理テンソルAPIにCUDA対応を追加 補助：pi:llama.cpp/ggml-org/DeepSeek-V4-Flash-Vision-Exp-GGUF（Mac Studio、M2 Ultra、192GB）* ggml：async tensor_n APIを削除 a
[AINews] AIE CODEを構築する：トップコーディングエージェント会議
Mistralのオープンウェイトリリース、フロンティアモニタリング、そしてその日のAI関連TwitterとRedditの要約。
私たちがデザインエージェントをどのように構築したか
LangChainが、ブランドに合わせた動画、グラフィック、プレゼンテーション資料を生成するSlack向けのオープンソース型デザインエージェント「Content Studio」と、それを支えるハーネスをどのように構築したか。
MANTA：非同期型BFTにおけるDAGの柔軟性を解き放つ
arXiv:2610.34419v1 発表タイプ：新規 要旨：DAGベースのBFTプロトコルは、単一リーダーによる提案経路を、共有グラフで連結された並行なブロック提案へと置き換えることで、コンセンサス設計に大きな転換をもたらしました。このグラフでは、参照がコンセンサスの証拠を表現しています。しかし、異種の広域ネットワーク（WAN）下では、ストラグル効果により、既存の設計はラウンドの長時間化や性能の低下という問題に直面しています。その根本原因は、硬直的なラウンド進行にあります。すなわち、レプリカは同期的にラウンドを進め、前のラウンドからの十分な参照が揃うまで待機した後でようやく次へ進むのです。そこで私たちは、非同期BFTコンセンサス向けの柔軟なDAG成長フレームワークを提案します。私たちの重要な観察は、安全性和活性性のために参照クォーラムは必要であるものの、それがすべてのラウンド進行を阻害する必要はないということです。代わりに、接続性r
TMAを使用するべきタイミングと理由：NVIDIA Hopper GPUにおけるテンソルメモリアクセラレーションのワークロードに基づく特性評価
arXiv:2610.34907v1 発表タイプ：新規 要旨：NVIDIA Hopperで導入されたテンソルメモリアクセラレータ（TMA）は、実運用のGPUカーネルにおいて広く用いられているにもかかわらず、その使用状況は極めて選択的である。CUTLASS、FlashAttention-3、FlashInferなどの専門的なカーネル開発者たちは、カーネル内の一部のテンソルオペランドに対してTMAを適用する一方で、他のオペランドについてはcp.asyncや直接グローバルロード、あるいは分散共有メモリ（DSM）に回帰している。ベンダーのドキュメントではAPIが説明され、最近のマイクロベンチマークによる研究ではTMAのスループットが単独で評価されているが、実際の実務者が直面する問いにはいずれも答えられていない。すなわち、カーネル内で特定のメモリオペランドが存在する場合、それをTMAで処理すべきなのか、また、もしTMAを使うならクラスタマルチキャストを併用すべきか否かという問題である。本研究では、H100を対象としたワークロードに基づく特性評価を通じて、このギャップに取り組む。我々はTMAの利用状況を体系的に整理し、多
Async-RBench：LLMエージェントにおける非同期タスク実行のベンチマーク
arXiv:2610.32429v1 発表タイプ：新規 要旨：大規模言語モデル（LLM）エージェントは、サブエージェントが実行中にメインエージェントが作業を継続し、その結果が到着する前にタスク状態が変化することもあり、ますます非同期的にタスクを実行するようになっています。メインエージェントは、禁止された変更を避ける一方で、どの処理を更新または保持し、どのチェックを再実行すべきかを判断しなければなりません。タスクの最終的な成功だけでは、これらの結果が正しく処理されたかどうかを示すものではなく、自然な非同期的な到着パターンは再現が困難です。私たちは、LLMエージェントにおける非同期タスク実行のベンチマークであるAsync-RBenchを提案します。このベンチマークには、8つのシナリオを網羅する200の実行可能なタスクが含まれています。シナリオコントローラーは、事前に定義されたタスク状態条件に基づいて結果の配信を制御し、イベント応答契約（ERC）は各応答が何を意味するかを明示します
GLPネットワーキングAPI仕様
arXiv:2610.32583v1 発表タイプ：クロス 要旨：マルチエージェント確定的GLP（madGLP）は、非同期メッセージ送信のみで通信するエージェントとしてグラスルーツ論理プログラム（GLP）を実行し、公平な配信を前提としています。すなわち、送信されたすべてのメッセージは最終的に必ず配信されます。各エージェントは個人のスマートフォン上で動作し、その識別子は本人の公開鍵によって指定されます。グラスルーツ型プラットフォームは、ネットワーク以外にグローバルなリソースを必要としないため、エージェント間の通信はBluetooth Low Energyやローカルネットワーク、さらにはNAT越しにインターネット経由で、誰でも運用可能なランデブーサーバーを通じて行われなければなりません。このようなネットワークがmadGLPに対して何を要求し、またネットワーク自身がプラットフォームに対して何を要求するのかについては、これまで明確に定義されていませんでした。そこで、私たちはmadGLPの下層に位置するネットワーキング層を規定します。GLPで実現可能なことはすべてGLPで実現されるため、この層が提供するのはあくまで
HF ジョブ間で LoRA と GRPO を同期: バケット、プロキシ、NCCL なし
HF ジョブ間で LoRA と GRPO を同期: バケット、プロキシ、NCCL なし
連続バッチで非同期性を解除
連続バッチで非同期性を解除