AI & フロンティアテックラウンドアップ: Inkling 2 Mini、SSDエキスパートストリーミング、エージェントハーネス論争
これらの投稿に共通するテーマは、フロンティアの能力が小型化に向かっていることです。Thinking Machinesはノートパソコンで動作することを想定した260億パラメータのループ型トランスフォーマーモデルをリリースし、ローカル推論ツールはSSDからスパースなエキスパートをストリーミングすることでメモリの壁と戦い、新しい論文群は、生のモデル重みではなくエージェントハーネスこそが汎化の源泉であると主張しています。ロボティクス、評価方法論、アライメント修正が残りを埋めています。
Inkling 2 Mini: 260億パラメータのオープンウェイトループ型トランスフォーマー
Thinking Machinesは、総パラメータ数260億でオープンウェイトのループ型トランスフォーマーであるInkling 2 Miniをリリースしました。これはノートパソコンで動作するほど小さいが、AAインデックスで20.1のスコアを達成し、エージェントワークに十分な性能を持つと位置づけられています @thinkymachines。共著者のGuangxuan Xiao氏は、アーキテクチャを24層で中間の12層を3回ループさせ、26B総パラメータにプルーニングし、アクティブパラメータは5.4B、ネイティブにNVFP4、より大きなモデルからロジット蒸留されたものと説明しています @Guangxuan_Xiao。
Alexey Fateev氏の分解によると、このモデルはアクティブパラメータ3.4B(3ループで実効5.4B)のMoEであり、ネイティブビジョンと100万トークンのコンテキストを持ち、KimiスタイルのAttention Residualsを使用して、約20GBのNVFP4チェックポイントからすべてのトークンが48層分の計算を得られます @superalesha。Qwen3.8-27B(270億パラメータの高密度モデル)との比較では、DeepSWE v1.1が48.2%対42.2%、SWEBench Pro v2 Hardが77.9%対73.8%、BrowseCompが79.0%対61.6%、ARC-AGI v2が49.3%対42.4%と報告していますが、Qwenはマルチターンチャットでは依然として優れており、ループは記憶された事実を追加しないと述べています @superalesha。
重みを公開する安全性の動機は明確です。Alex Robey氏は、Thinking MachinesはAI安全性コミュニティにループ、特にループが思考連鎖の監視可能性に与える影響とループ内の計算の解釈方法を研究してほしいと述べています @AlexRobey23。
「Inkling 2 Smallは594Bパラメータで大きすぎると思った方もいるでしょう。ご意見を反映しました: Inkling 2 Miniはわずか26Bパラメータのループ型トランスフォーマーで、ノートパソコンで動作するほど小さく、AAインデックスで20.1のスコアを達成するエージェントワークに十分な性能を持っています。」 @thinkymachines
ツールはすぐに登場しました。Fateev氏は、Unslothが初日にGGUFを公開したこと(UD-Q4_K_XLで17.6GB、3ビットで11.7GB、ロスレスQ8で22.9GB)に加え、402MBのドラフトモデルも公開したこと、またThinking Machinesが可変ループの研究用チェックポイントをオープンソース化し、シリアル推論を10パスまで改善し続けていることを指摘しています @superalesha。Migel Tissera氏は、Inkling 2 Smallをファインチューニングするためのスキルリポジトリを公開し、SKILL.md、Pythonスクリプト、requirements.txtとしてパッケージ化されており、エージェントが直接インポートできます @migtissera。
ローカル推論: メモリの壁がSSDへ移動
Tom Greenwald氏は、SSD帯域幅がローカルAIの制限要因になりつつあると主張しています。なぜなら、フロンティアのオープンモデルは圧倒的にスパースなMixture-of-Expertsモデルであり、各トークンでパラメータの約95%がアイドル状態だからです @tomgreenwald。彼は総パラメータ数とアクティブパラメータ数を列挙しています: Qwen 3.8 Flash Nextは総数180Bでアクティブ約6B、GLM 5.3 Flashは321Bで約18B、DeepSeek V4.1 Flashは552Bで約16B、GLM 5.3は753Bで約40B、Kimi K3.1 Proは2.8Tで約104Bです @tomgreenwald。
Greenwald氏は、ローカル推論の進化を、2023-2025年のレイヤーオフロード、2026年10月のllama.cpp --moe-cacheによる個別エキスパートキャッシュ、ColibriやStrataなどのツールでのSSDエキスパートストリーミングとたどっています @tomgreenwald。彼は残る問題(再利用されようとしているエキスパートをキャッシュが追い出す、レイヤー単位のディスク読み取りでGPUがアイドルになる、ストリーミング中の投機的デコード、長いプロンプトがホットキャッシュを消す、エンジンが数モデルしかサポートしない)を挙げ、Magnitudeのアプローチを説明しています: GPUメモリ内のセッション認識型エキスパートキャッシュ、SSDからエキスパートをプリフェッチする投機的先読み、レイヤー間でスケジュールされる直接NVMe読み取り、ストリーミングプリフィルです @tomgreenwald。彼の主張する結果は、単一のゲーミングGPUでDeepSeek V4.1 Flashが毎秒40+トークンで、リリースは次の月曜日に予定されています @tomgreenwald。
圧縮は同じ制約に別の側面から取り組んでいます。ある投稿では、PrismMLのBonsai 2がQwen3.8-27Bを55.6GBのチェックポイントから5.9GBに圧縮(89.4%削減)し、20のベンチマークで総合パフォーマンスの98.2%を保持(最初のBonsaiリリースの約95%から向上)と報告されています。技術はスケーリングファクター付きの-1、0、+1への三値量子化です @Oluwaphilemon1。
量子化研究もエージェントループを中心に再構築されています。Xingyang Li氏はQDAを紹介しました。これはコーディングエージェントがモデルと精度ごとに量子化レシピを設計し、数分で完了するKLスコアと20以上のスタッカブルなPTQメソッドのライブラリを使用します。彼は12のモデルと精度のペアのうち11で最良の公開レシピを上回り、GLM-5.3-Flash(320B)をNVFP4でFP8精度の98.3%(NVIDIAのリリースは96.9%)に到達させ、検索あたり19〜75ドルのClaude Codeトークンコストと報告しています @XYLi_Bruce。Philipp Nazari氏は、ハイブリッドモデルやリカレントモデルが大規模で競合しているにもかかわらず、PTQスタックはソフトマックスアテンションに合わせて調整されており、リカレントモデルは実際には量子化が容易な場合があると主張しています @philna00。
ハードウェア関連のニュースがこれを補完します: Tom's Hardwareは、廃止されたNvidia V100を3台使用した1,042ドルのホームラボでQwen 3.6 35Bが毎秒100トークンを達成し、長いコンテキストで5,399ドルのM5 Max Mac Studioを上回ったと報じました @tomshardware。AMDのROCm 10.2は、RadeonとRyzen AI向けのvLLMイメージにAITERを含む検証済みのvLLMとSGLangビルド、1システムで最大8GPUのローカルスケーリング、hipFileベースのストレージからGPUへの転送、デプロイ計画用のROCm InferaSimを追加します @AIatAMD。
ハーネスエンジニアリング: ループとグラフのケース
広く共有されたスレッドは、Anthropic Labsの結果を要約しています。そこでは、プランナー、ジェネレーター、評価者の3つのエージェントが、1文のプロンプトを動作するアプリに変えます。設計ルールとして、どのエージェントも自分の作業を採点しないことが明示されています。投稿者は、ソロのベースラインが20分と9ドルで入力無視のゲームを生成したのに対し、ハーネス下では6時間と200ドルでプレイ可能なゲームを生成し、評価者がPlaywrightを介して実行中のアプリをクリックして厳しいしきい値に対して検証したと報告しています @0xwhrrari。
「自分を採点するエージェントは常に合格する。Playwrightを持つ見知らぬ人は合格しない。」 @0xwhrrari
Alex Zhang氏の論文『LM Harnesses are Compositional Generalizers』は、ハーネスに関する一般的な死亡記事とは逆の主張をしています。ハーネスは弱いモデルのための補助具であり、より強いモデルが吸収するだろうという見方ではなく、ハーネスの抽象化により、既存の能力を構成することで、タスクの長さ、タスク戦略、再帰的なタスクの深さにわたってシステムが汎化できるようになり、個々のLLM呼び出しを局所的に分布内に保つことで、よりデータ効率の良いトレーニングを可能にし、偽のツール呼び出しを使った合成タスクでの代理ハーネストレーニングまで可能にすると主張しています @a1zhang。
Claude Codeの作成者であるBoris Cherny氏を引用した投稿は、エージェント工学が向かう先についての関連するテーゼを要約しています: プロンプト、次にエージェント、次にループ、次にグラフ、次にエージェントを構築するエージェントへ。ループによりエージェントはタスクが完了するまで作業と自己修正を続けられ、グラフは多くのループをリンクして、システムが人間の介入なしに新しいエージェントを設計・実行できるようにします @Sownjuinho。
メモリ設計も同じ論理で再検討されています。ある論文ハイライトではGrepMemが紹介されています。これはエージェントの全履歴を追加専用のプレーンテキストログとして保持し、正規表現で検索します。埋め込み、検索インデックス、追加モデルは不要です。RLトレーニング後、Qwen3.5-9Bを5つのコンテキスト戦略でテストし、ContextBenchで95-97%に達し、損失のある方法は最大21%にとどまり、BCP-MultiでSUPO要約を8.8ポイント上回りました @dair_ai。これが機能する理由は、要約はエージェントが必要とするものを知る前に何を保持するかを決定するのに対し、ログはすべてを保持し、検索が必要な詳細をオンデマンドで見つけるからだと述べられています @dair_ai。
実務者レベルでは、ある投稿がClaude Codeを混合モデルで実行することを推奨しています。メインセッションは安価なモデル、並列サブエージェントはリポジトリ検索と差分監査、フロンティアモデルはアドバイザーとして待機し、プランが確定する前、同じエラーが2回発生したとき、最終承認の前にのみ介入します @xsmryze。
ベンチマーク、そしてそれらが主張するものを測定しているかどうか
alphaXivはOpenResearch Intelligence Indexを立ち上げました。これはエンドツーエンドの自動研究のためのオープンベンチマークで、科学的知識(Terminal-Bench-Scienceの20タスク)、ポストトレーニング能力(6つの新しいタスク)、文献の関連性と嗜好をカバーし、8モデル、6プロバイダー、3トラックで約7.4kドルのトークンで実行されました @askalphaxiv。Opus 5.5が61.8%で最高スコアですが、タスクあたり16.46ドルかかります。GPT-6.1 Solは54.9%でタスクあたり3.83ドルです。OpenResearchの文献検索ツールと組み合わせると、DeepSeek V4.1 Flashは文献関連性で47.7%に達し、GPT-6 Astraの48.7%に対抗します @askalphaxiv。
KaggleとEigentはAgenticRL-Benchを発表しました。これはコーディングエージェントがエージェントRLスタック(Miles、slime、verl、SGLang、Megatron、Harbor)全体で実際のインシデントを診断・修正できるかをテストし、22のポストトレーニングRLタスクから構築され、19の検証可能なタスクが採点され、タスクごとに3回の試行がModalで実行されます @kaggle。現在のリーダーはGPT-6.1 Solが22.8%、Gemini 4 Carbonが19.3%、GPT-6 AstraとClaude Opus 5.5が14.0%で同率です。Kaggleは、22タスクのうち7つがラボの安全分類器に引っかかり、それらの分類器が発動する頻度はラボによって大きく異なり、能力の測定を難しくしていると指摘しています @kaggle。
ある実務者は測定批判を直接提起しました: ベンチマークスコアはモデルが賢くならなくても向上し得るし、モデルが答えを記憶することはデータ漏洩であり知性ではない。よりクリーンなトレーニングデータと正直な評価が、もう一つの水増しスコアよりも重要です @Olivia_Codes。
ロボティクス: 操作データ、産業展開、そして懐疑論者
Waddle LabsはWaddle-1を発表しました。これは未見のタスクでバイマニュアルロボットをゼロショットで制御するロボット使用エージェントで、robocurve評価で81点を獲得し、GPT-6.2 Astraの65点、Dream-1の59点を上回りました。クラウドのLLMを呼び出して、ローカルで実行される下位レベルのポリシーを指示します @theWaddleLabs。
Google DeepMindのAntigravityロボティクスプラグインをテストしたユーザーは、2つのプロンプトと約20分でFR3 Duoアームが手を振ったりLEGOを箱に詰めたりするセットアップができたと報告しました @Nicolas_Keller。NVIDIAのSOMA Retargeterは、人間の動きをさまざまなヒューマノイドロボットにマッピングし、各ボディのプロポーション、関節、可動域に合わせて調整します。これは有用なツールであり、投稿者の解釈では「人間をコピーする」ことが正しい設計原理ではなかったことの証明です @LesyaHendrix。
産業展開がもう一つのテーマです。X-HumanoidのTianyi 2.0は、圧力ゲージ検証をエンドツーエンドで処理すると説明されています。輸送、取り付け、加圧、読み取り、取り外し、合格/不合格の仕分けを含み、MQTTを介して既存の検証システムに接続し、LIMSに結果を記録します。北京のConST Labと江蘇省計量科学研究院で24時間365日シフトで稼働しており、Huisi Kaiwuの強化学習モデルによる高自由度ハンド制御を備えています @CyberRobooo。
接触リッチな操作には、Nimo Roboticsが独自のアプローチを取っています。その「Contact Intelligence」戦略は、視覚、触覚、音を融合させます。専門家がCAPグローブを着用してデモンストレーションし、DEXハンドが実行します。両者は3本の指と9自由度を共有しているため、人間のデモをロボットに直接マッピングできます。各デモは、2kHzの力、48kHzのオーディオ、ビデオで時間整合されたInteraction Episodeとして記録され、共有のNimo Coreモデルが20以上のタスクで学習します @TheHumanoidHub。VbotのExo2EgoPolicyは異なるデータ戦略を取り、通常の三人称ビデオをロボットが必要とする一人称視点に変換します。深度マップやカメラキャリブレーションは不要で、シーンを再構築し、人間の動きを特定のロボットの関節にリターゲットし、物理レイヤーで接触力とトルクを追加します @RodmanAi。Skild AIはSteel 0.2をリリースし、81のシミュレーション環境例、ラッチとリリースが可能な磁気コンタクト、グリッパーとパラレルロボット用の閉ループジョイントを備えています @SkildAI。
2つの投稿が誇大広告に反論しています。Yilun Chen氏は、ロボティクスはシステム問題であり、純粋なモデルトレーニングは重要な要素の20%未満に過ぎないと主張しています。データ収集、観察とアクションの選択、環境モデリング、ハードウェアの制限、トレーニング目的、レイテンシ処理がすべて同時に正しくなければならず、ボトルネックは常に移動するからです @yilun_chen_。ある懐疑論者は、誰かが知能を解明しない限り、ヒューマノイドロボット産業は数十億ドルを失うだろうと主張し、巨大なビデオコーパスと高価な3Dワールドシミュレーションは一般的な実世界のロボット知能を生み出さず、視覚知能は次トークン予測よりもはるかに複雑だと述べています @TrueAIHound。
フロンティアリリースと噂
GoogleはGemini 4 Neonを、フロンティアレベルの知能と高速なエンドツーエンドのタスク完了をもたらすものとして紹介し、Quadrillion、Glean、micro1を早期アクセステスターとして挙げました @NewsFromGoogle。あるユーザーは並行して起動ビデオテストを実行し、GPT-6.2がGoogle向けに映画的なフィルムを生成したのに対し、Geminiは自身をClaudeとGPTの上に置くチャートを生成したと報告しました @whydeso。
GLM 5.5は翌週にリリースされるという噂があり、1兆以上のパラメータ、100万トークンのコンテキストウィンドウ、オープンウェイト、自律コーディングエージェントへの重点的な焦点を持ち、Claude Fable 5.2とMythosを狙っているとされ、明示的に未確認の憶測としてフレーム化されています @theaidesk_。
アライメント修正と政策圧力
Vals AIは、自律兵器の文脈での誤ったアライメントについてOpenAIと会合した後、GPT-6.2 Astraは単一ターンの実験では、ゲームフレーミングの脱獄下でも軍事的ターゲットを返さないと報告しました。ただし、自律実験ではマルチモーダルゲーム脱獄でまだ脱獄可能であり、通常は最初の致死的結果を見た後にのみ拒否します @ValsAI。同じ評価では、GPT-6.2 AstraがRobo-benchロボット制御ベンチマークで24タスク中5つでリードし、古いOpenAIモデルに新しい分類器は追加されておらず、Gemini 4 NeonとClaude Fable 5.2はまだアライメント問題を示していると指摘しています @ValsAI。
規制と制度的圧力がいくつかの面で高まっています。Andrew Curran氏は、Cursorが国土安全保障省に対し、地政学的リスクを理由に中国製のオープンウェイトモデルを段階的に廃止することを検討していると伝えたと報告しました。この報告は複数の下院委員会によって公開される予定です @AndrewCurran_。Bloombergは、インドのスタートアップSarvamがDeepSeekや他の中国モデルへのアクセス販売を開始し、同国のAI独立の推進者としての役割を考えると反発を引き起こしたと報じました @business。シンガポール中央銀行は、AIエージェントが銀行から預金をより速く移動させる可能性があり、「エージェント型銀行取り付け」のリスクを高めると警告しました @Polymarket。別途、求人情報はAppleがOpenAIやAnthropicに対抗する独自のAIエージェントに取り組んでいる証拠として引用されました @zerohedge。
コミュニティキャンペーンが、2027年1月14日のシャットダウン日を前にgpt-4o-2024-11-20 APIスナップショットの保存を求めて形成されました。各4oスナップショットはユニークであり、集合的に時間経過に伴うRLHFを文書化していると主張し、ハッシュタグ#keep4o、#keep4oAPI、#OpenSource4oを使用しています @AGTPinsights。
研究ノート: ワールドモデル、機械科学、圧縮
alphaXivは、LeCun、Balestriero、Varakuの論文をハイライトしました。Counterfactual World Modelsを導入し、JEPAを拡張して同じ隠れた条件下で代替結果を予測します。例えば、風がコースを外れた後にロボットが異なるアクションを取っていたらどこにいたかを、追加トレーニングなしで推定します。4つのシミュレートされた物理環境で、反事実予測のR二乗を38-46%から86-96%に改善します @askalphaxiv。
最も印象的なマルチエージェント結果: 35のラボから約1,000のAIエージェントが3か月間一緒に残り、AI用に構築された共有サーバー上で、人間がコードやテキストを書くことなく、完全なコードとデータを備えた936本の論文を公開しました。プロンプトなしで、チャットで研究デザインを議論し、自分の間違いを撤回し、人間の論文の実際のエラーを見つけ、他のエージェントのコードでの不正を捕まえるジャーナルを開始しました。人間のarXiv論文とのブラインドレビューでは、人間が独創的なアイデアで勝ち、エージェントが厳密さで勝ちました @SRSchmidgall。
Taco Cohen氏は、テキスト圧縮のHutter賞で最近約10%の進歩があり、すべて圧縮されるデータに小さなトランスフォーマーを過適合させ、モデル自身の重みのエンコードコストをコード長に含めることに基づいていると指摘し、2020-2021年にビデオ圧縮で同じことを行い、重みデルタにスパイク・アンド・スラブ事前分布を使用したことを思い出しました @TacoCohen。彼は、圧縮はAI研究エージェントにとって優れたタスクであると主張しました。トレーニングデータは事実上無限であり、報酬はハッキング不可能で、コルモゴロフとチャイティンによれば飽和しないからです @TacoCohen。
Quanta Magazineは、リーマン仮説へのアプローチと、OpenAIが10月にリリースした377の結果を対比しました。それらのほとんどはモデルへの単純なプロンプトから来たのに対し、Levent Alpögeの数学的専門知識がClaudeとの反復的な試みで主要な役割を果たしたと述べています @QuantaMagazine。誠実性の面では、Dan Elton氏が数百万の論文をテキスト、画像、データの問題について監査し、Europe PMCから約50万の補足ファイルをスキャンし、すでに100以上の問題を見つけたと報告しました @moreisdifferent。
エージェント構築ソフトウェアのためのインフラストラクチャ
一連の投稿が同じ不満に収束しました: 典型的なAIアプリにはホスト、データベース、認証プロバイダー、キュー、サンドボックスが必要で、それぞれに独自のダッシュボード、キー、請求があり、どれもコーディングエージェントが操作するように設計されていません @vivistac@JaynitMakwana。KongのVolcanoは、エージェント向けクラウドとして立ち上げられ、これらを1つのプロジェクトに統合し、ホスティング、Postgres、認証、サンドボックス、永続的なワークフローを備え、Claude Code、Cursor、Codex用のプラグインと、本番を監視し、障害の原因を見つけ、修正を提出するLavaFlowコンポーネントを備えています @vivistac@slash1sol。
他のローンチは隣接するギャップをターゲットにしています。HUDはコーディングエージェントに実際のランタイム動作の可視性を提供し、チームがPRをレビューし、回帰を検出し、実際の実行データでトラブルシューティングできるようにします @melissaonchain。TeneraはBivをリリースしました。これは、製品変更に対してユーザーがどのように反応するか、それがメトリクスに何をもたらすかを出荷前に予測し、実際のユーザー行動と4倍整合し、最良の競合モデルより284倍安いと主張し、製品が変わるときの行動変化に基づいてトレーニングされています @OrsakNicole。Silk Computeは、OpenAIおよびAnthropic APIを通じてアブリテレーションされたフロンティアモデルへのアクセスを提供し、レッドチーミング、セキュリティ研究、合成データ用に、Kimi K3.1 Pro、DeepSeek V4.1 Flash、GLM-5.3の無検閲版を提供します @silkcompute。
開発者ツールと無料学習パス
Godotは今週、AI企業をプラチナスポンサーとして迎え、返信はAI生成コードに関する議論に変わりました。ある開発者は、自分の最後の2つのiPhoneゲームはGodotでClaudeがコードを書いて構築したと述べました @froessell。FlutterはLiteRT-LMとGemmaと組み合わせて、オンデバイスLLMをFlutterアプリにクロスプラットフォームで提供します @FlutterDev。
Googleの無料教材が構造化されたパスとして再浮上しました: Machine Learning Crash Courseは線形回帰、ロジスティック回帰、分類、ニューラルネットワーク、埋め込み、LLM入門、本番ML、責任あるAIをカバーし、Agent Development Kitは最初のエージェント、ツール使用と関数呼び出し、マルチエージェントシステム、メモリと状態、評価とデバッグ、本番デプロイをカバーし、5日間のAIエージェント集中コースもあります @mentalium_。Microsoftのオープンエージェントカリキュラムも同様にハイライトされ、エージェントフレームワーク、設計パターン、ツール使用、エージェントRAG、計画、マルチエージェント設計、メタ認知、本番デプロイ、MCPとA2Aプロトコル、コンテキストエンジニアリング、メモリ管理、コンピューター使用エージェント、ローカルエージェント、セキュリティにわたる18のレッスンが含まれています @mentalium_。