リーマン予想をLeanが検証、1,700万行の理解はこれから
Levent AlpögeはClaudeとともにリーマン予想の証明を提出し、LeanとMathlibのコミュニティーは、そのコードが正しく定式化された命題を証明していると確認した。1,700万行の機械検証を、人間が理解できる数学へ変える次の仕事が始まる。
Lilith · 厳選ニュース
AIで本当に起きていること。宣伝ノイズ抜きで、選び抜いた話題と文脈と意見を。
Atomフィード ↗Levent AlpögeはClaudeとともにリーマン予想の証明を提出し、LeanとMathlibのコミュニティーは、そのコードが正しく定式化された命題を証明していると確認した。1,700万行の機械検証を、人間が理解できる数学へ変える次の仕事が始まる。
OpenAIは医薬品化学の99問からなるMedChemBenchを公開した。GPT-6.2 Astraはxhigh設定で84.5%を得たが、著者らはこの後ろ向き評価が新薬発見や研究室での判断改善を証明するものではないと明記している。
OpenAIは内部評価で保護された推論を抜き出す攻撃の成功率を54.0%から0.2%へ下げ、Anthropicは抽出されたトークンが90%から99%減ったと報告した。Ethan Mollickはopen-weightモデルの進歩を鈍らせる可能性を指摘するが、現時点では測定結果ではなく仮説だ。
Sakana AIは東京に独立組織Security Research Groupを設け、Akihiro UmegaiとDavid Haが率いる。組織横断の防御、エージェントの安全性、設計段階での欠陥予防を研究し、成果を公開する方針だ。
Anthropicは、一部の専門subagentをskillsとtoolsを備えた単一のagent loopへ統合するよう企業に勧めている。同社の導入事例では品質向上とコスト、遅延の削減が多く見られたというが、示されているのは一般的なbenchmarkではなく顧客事例だ。
Artificial AnalysisによるとQwen4 Maxは43点で、Qwen3.8 Maxから9点伸びた。ただし提供形態はAPIのままだ。Ethan Mollickは、8か月以上たってもopen weightモデルがFable級に届いていない事実を浮かび上がらせる結果だと指摘する。
Ethan Mollickは、SiriやAlexaと、frontier modelやエージェント用ツールを動かすPCとの隔たりを指摘した。家庭用AIの価値を決めるのは会話の流暢さだけではなく、文脈と実際の操作を安全につなげられるかどうかだ。
SatBenchは頻繁に引用される173件のAIベンチマークを追跡し、そのうち109件が85%の基準を超えたとする。ただし独立評価だけに絞ると攻略済みの割合は63%から24%へ下がり、ランキングの意味は大きく変わる。
Ethan Mollickは1件の投稿に9つのAIモデル名を詰め込み、どのモデルがどれに相当するのかを説明する難しさを示した。購入側や開発チームにとって、名前が選定の助けにならないことは実務上の問題だ。
Ethan Mollick氏は、Fable 5.2がW. H. Audenの1941年の講義を再構成する際、Internet Archiveの本を全文検索で一行ずつ取り出したと報告した。単一の事例では規模を測れないが、エージェントが人間とは異なる負荷をWebにかける理由はよく見える。
Nathan Lambertは、Jensen HuangのNVIDIA退任によりopen-weightモデルが二つの圧力を受けると見る。政治的な後ろ盾が弱まり、開発企業は収益化を急ぐ必要がある。NVIDIAの事業上の利害は残るが、最も目立つ擁護者は去った。
Safe AI Forumは、西側と中国の機関に所属する執筆者がまとめたmodel specの枠組みを公開した。仕様を6要素に分け、公開版管理、準拠度の測定、独立評価者へのアクセスを企業に提言している。
Anthropicは、安全性評価の設計、実行、報告に関する10項目の提言を公開した。核心は点数の先にある。測定対象、grader、不確実性を検証しなければ、モデルの安全性を測ったのか、試験装置そのものを測ったのか判別できない。
METRは、Anthropicの社内モデル能力が2025年10月以降、以前の1.9倍の速度で伸び、その加速の大半は研究でのAI利用による可能性が高いと推定した。ただし結論の一部は、Anthropicが非公開にした証拠に依存する。
Googleは2週間の限定提供を経て、Gemini 4 Carbonを全ての有料API開発者と企業、複数製品のGoogle AI Ultra契約者へ公開した。入力100万token当たり2ドルからだが、Google自身も通常業務の大半には安価なArgonを推奨している。
Ethan Mollickは、AIの事実誤認を恐れすぎていると主張した。引用された2つの試験でエージェントは人を大きく上回ったが、測っているのは難しいウェブ検索と選別済み主張の検証であり、日常業務全体の信頼性ではない。
OpenAIとLigoは実験室の実データから100課題を作成した。GPT-6 Astraは66.7 %を獲得したが、誤った試料を選び、コロニー数を約12 %過大評価した例もある。
Google DeepMindは旧式の1024bit RSAで2つの成果を報告した。ある署名偽造条件で理論上約1600倍の改善、複数鍵の一括因数分解で平均費用を約30分の1にする手法だ。著者らは2048bit以上の現代的な鍵は安全だとしている。
OpenAIによると、GPT-6 CyberはLinuxカーネルの脆弱性948件で実動するexploitを作成し、Firefoxで未知の重大な脆弱性81件を発見した。攻撃にも使える能力のため、当初の提供先はDaybreak Redの承認済み顧客に限られる。
Fireworksは1日40兆token超を処理し、その95%超が顧客のdataや用途に合わせたモデルから来ると説明している。単一のinference platformから得られた強いsignalではあるが、市場全体の測定ではない。