13 件 — 🔴 2 重大 , 🟡 7 重要 , 🟢 4 注目
Appleは2026年6月8日にAFM 3（Apple Foundation Models、第3世代）を発表しました。5つのモデルで構成されるこのファミリーで、AFM 3 Coreはユーザー選好率が旧モデルの23.3%に対し45.6%を記録し、AFM 3 Cloudは8.7%に対し64.7%を達成しました——ユーザー満足度の相対的な36%の向上です。
Reasoning Arenaは検証可能な報酬による強化学習（RLVR）に基づく言語モデルの新しいトレーニング手法です。通常のグループ比較トレースの代わりに、ヘッドツーヘッドトーナメントとBradley-Terryモデルを導入して相対的な強みを推定し、ゼロ勾配問題を排除してトレーニングを27〜41%高速化します。
TheoremBenchはLean4を使用した形式的な定理証明における大規模言語モデルの能力を評価する新しいベンチマークです。自動抽出された前提を持つ標準形式と拡張形式で約100の古典的な定理を含んでいます。研究によると、明示的な前提は性能を大幅に向上させ、新しいメトリクスはモデルが簡単なサブ定理を優先し、長すぎる証明を生成することを明らかにしています。
Ultra Flashは自己回帰モデルにおける480pの壁を初めて突破するカスケードストリーミングアーキテクチャです。このシステムはシングルGPUで1K解像度において約30 FPS、2K解像度において約18 FPSを達成し、高品質なリアルタイム動画生成の最初のシステムとなっています。
VirBenchはNCBIデータベースを通じて40種の病原体のウイルス配列を取得する120件の実際のクエリで構成される新しいベンチマークで、AnthropicはこれをAI生物学エージェント評価の標準として導入しています。専門ツールなしではSOTAモデルの精度は16.9〜91.3%でしたが、gget virusツールを使用するとGPT-5.5は99.7%に到達しました。
SearchSwarmは委任インテリジェンス（delegation intelligence）を導入する多エージェント調査システムで、コンテキストウィンドウの制約を尊重しながら、タスクをサブエージェントに分解・委任する能力を持ちます。SearchSwarm-30B-A3BモデルはBrowseCompで68.1、中国語バリアントで73.3を達成し、同等サイズのすべてのモデルを上回っています。
InquiTreeはDAGモデルを使用して30件の実際の科学論文でLLMエージェントを評価する新しい研究フレームワークです。この研究は長時間のセッションでの批判的判断の低下である認知トンネリングを発見し、モデルのトレーニングカットオフ以降に作成された論文でのパフォーマンス低下を示しています。
Anthropicはエージェントコーディング用CLIツールのアップデートとしてClaude Code v2.1.169をリリースしました。このリリースでは、問題を分離して解決するための--safe-modeフラグ、プロンプトキャッシュを中断せずに作業ディレクトリを変更する新しい/cdコマンド、エンタープライズMCPポリシー・UIフリーズ・Windowsの問題に対する修正が含まれています。
「Context rot」とは、古いコード、API、またはパスを参照するCLAUDE.mdや.cursorrules等のAI設定ファイルを指す概念です。新しい研究によると、古い参照は分析されたリポジトリの23%に存在し、これらを使用するチームはそれに気づかないままコードの品質を静かに低下させる可能性があります。
Frontier Red Teamの研究者たちは、Claude Mythos Previewがパッチ済み脆弱性に対する機能するエクスプロイトコードを数時間以内に自律的に作成することを発表しました。このモデルはFirefox SpiderMonkeyに対して12時間で8件の機能するエクスプロイトを作成し、Windowsカーネルに対しては6時間で18件のPoC（概念実証）コードを生成しました。最初のPoC完成は31分でした。
HPAAは空白、強調、テキストの空間的配置を使用して自動検出器から有害なコンテンツを隠しつつ人間には読みやすい状態を保つタイポグラフィック攻撃です。USENIX Security 2026で採択されたこの研究は13のシステムでテストされ、86%超の人間による認識率と1%未満の検出率を達成しました。
VFUSEはオープンウェイトのタンパク質設計モデル（RoseTTAFold3、RFDiffusion3）に対する特徴レベルでの最初の毒性審査です。Michael YuとMatthew Olsonは拡散トランスフォーマーの活性化においてSparse Autoencoder（SAE）をトレーニングし、危険なタンパク質設計の検出でAUROC 0.84を達成しました——正規の生合成タスクでのパフォーマンスの損失はゼロです。
RealityTestはUK AI安全研究所の新しいベンチマークで、ユーザーが質問したときにAIシステムが身元を開示するかをテストします。5つの言語で750名の参加者から収集された3,152件の実際のクエリで構築されており、開示率は8%〜92%で変動し、1つの抑制命令でわずか3%にまで低下する可能性があることを示しています。