本記事は arXiv:2502.00212 “STP: Self-play LLM Theorem Provers with Iterative Conjecturing and Proving”（Dong, Liu, He, Poesia, Zelikman, Zhang, Han, Finn, Liang, Selsam、ICML 2025）の解説記事です。 論文概要（Abstract...

本記事は Google Research Blog: Towards a Science of Scaling Agent Systems: When and Why Agent Systems Work（2026年1月28日公開）の解説記事です。 ブログ概要（Summary） Google ResearchのKim & Liu（2026）は、「エージェントを増やせば性能が上がる...

ブログ概要 本記事は Google DeepMind公式: Gemini 3.1 Pro の解説記事である。Google DeepMindは2026年2月19日にGemini 3.1 Proを公開した。Gemini 3.1 Proは、Transformer系Mixture-of-Experts（MoE）アーキテクチャに基づく推論特化型モデルであり、従来の2段階（low/high）に加えて中...

ブログ概要 本記事は、Anthropic Alignment Scienceチームが2025年4月3日に公開した研究ブログ記事 Reasoning models don’t always say what they think の解説記事である。この研究では、推論モデル（Claude 3.7 SonnetおよびDeepSeek R1）のChain-of-Thought（CoT）が、モデルの...

本記事は arXiv:2503.06806 の解説記事です。 論文概要（Abstract） RouterBenchは、LLMルーティング戦略を公平に比較評価するためのベンチマークフレームワークである。LLMルーティングとは、入力クエリに応じて複数の候補モデル（高性能・高コストの大型モデルと低コストの小型モデル）から最適なモデルを選択するタスクを指す。著者らは、ルールベース・学習ベース分類...

本記事は Ring Attention with Blockwise Transformers for Near-Infinite Context (arXiv:2310.01889) の解説記事です。ICLR 2024 採択論文。 論文概要（Abstract） Ring Attentionは、UC Berkeleyの研究グループ（Hao Liu, Matei Zaharia, ...

ブログ概要 OpenAIエンジニアリングチームが、Codexエージェントを活用した5ヶ月間の実験で約100万行のコードを生成し、手動コーディングと比較して約1/10の時間で完了したと報告している。この実験を通じて得られた知見の中核がHarness Engineering（ハーネスエンジニアリング）という概念である。Agent = Model + Harnessというフレームワークに基づき、...

本記事は AWS Machine Learning Blog: Evaluating AI agents: Real-world lessons from building agentic systems at Amazon の解説記事です。 ブログ概要（Summary） Amazonは2025年以降、社内で数千のAIエージェントを構築した経験から、エージェント評価の包括的なフレームワー...

本記事は Anthropic Engineering Blog: How we built our multi-agent research system（2025年6月13日公開）の解説記事です。 ブログ概要（Summary） Anthropicは2025年6月、自社のマルチエージェントリサーチプラットフォームの設計・実装・運用について詳細なエンジニアリングブログを公開した。このシステ...

論文概要 本記事は arXiv:2504.17550 HalluLens の解説記事です。 HalluLensは、LLMのハルシネーションを体系的に評価するための統一ベンチマークである。著者らは、ハルシネーションを外的ハルシネーション（Extrinsic Hallucination）と内的ハルシネーション（Intrinsic Hallucination）に分類する明確な分類体系を提案し、...