TokenEconomizer、リポジトリの経験学習でcoding agentのコストを最大30.9%削減
Microsoft Research、UC Berkeley、Microsoft Securityは、coding agentの過去セッションから学ぶopen source pluginを発表した。SWE Benchの277タスクでは、成功率をほぼ維持しながらコストを18.4%から30.9%削減した。
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 ↗Microsoft Research、UC Berkeley、Microsoft Securityは、coding agentの過去セッションから学ぶopen source pluginを発表した。SWE Benchの277タスクでは、成功率をほぼ維持しながらコストを18.4%から30.9%削減した。
Datasette 1.0a43はCSVとTSVを汎用streaming output rendererへ移し、pluginにも同じ機能を開放した。1.0前のpre releaseとして、2件のsecurity issueと複数のinterface変更も含む。
OpenAIはApollo Research、METR、Goodfire、Transluceと、training中および社内利用時のmodel評価で合意した。Apolloは6人を4カ月派遣するが、accessと公開条件は完全に独立した評価の基準へまだ届かないと明記している。
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。
Simon Willisonが、DatasetteをMapLibre GLとOpenFreeMapにつなぐdatasette-maplibreの初回アルファ版を公開した。コードの大半はClaude Fable 5.2が1つのpromptから生成したが、実務で注目すべきは負荷の高いWebGL地図を制御する設計だ。
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。
Google、Samsung、Warby Parker、Gentle Monsterは、395ドルからのGemini搭載メガネの予約を開始し、米国と韓国で12月10日に発売する。Googleは、周囲の人の顔をぼかす処理、録画表示灯、表示灯を覆った際の録画停止を掲げる一方、欧州での発売時期は発表していない。
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。
OpenAI元取締役のHelen Toner氏は、AIの安全性を一人の経営者への信頼に委ねるべきではないと訴える。Sam Altman氏を解任した経験は、外部監督と明確な安全基準が必要な理由を示している。
Shieldは、APIを持たないITポータルでGPT-6 Astraを月に数千回稼働させ、旧モデルより35から40%高速になったと説明する。重要なのは委任の境界で、エージェントが完了できる作業と人間の確認が必要な作業を技術者が決める。
LangChainはSeries Cで3億ドルを調達し、評価額は30億ドルとなった。次の成長を担うのはLangSmithで、同社によれば7,000を超える組織が複数モデルのエージェント運用、評価、統制に利用している。
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。
OpenAIは米国の一部のProユーザー向けにChatGPT Walletを段階的に提供する。dotsのエージェントが仮想カード情報で購入を完了できる一方、利用者は取引ごとに内容を確認し、生体認証で承認する。
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。
Claude Duetを1週間使った試験では、メール、カレンダー、文書、Slackを横断する監視が役立つ一方、口調や本当の緊急性を読む判断は弱かった。先回りするagentには、作業の完了より難しい課題がある。ユーザーを放っておくべき時を知ることだ。
Hugging Faceは、独自の3D素材でTRELLIS.2をfine-tuningするためのcontainerとscriptを公開した。188個の靴モデルを使った実験でF-scoreは0.276から0.803に上がったが、重要な教訓は節度にある。datasetが適切な信号を持つ部分だけを学習させるべきだ。
GoogleはWeatherNext 3を支える2つのdataset、SatWeaveとPARDIGを公開した。PARDIGは約10 km解像度で15分ごとの世界の降水を示し、SatWeaveは衛星画像を17 channelに統合して1時間ごとに更新する。