LLMジャッジは、生成AIの評価を安く速く回すための便利な道具として広まりました。転機になったのは、MT-BenchとChatbot Arenaの系譜で、強いLLMを審判役に置くと人手評価にかなり近い結果が得られる、と示されたことです。その後、この枠組みはベンチマーク、RLHF、RAG評価、社内QAまで一気に浸透しました。ですが、広く使われるようになったからこそ、いま問われているのは「LLMジャッジは便利か」ではなく、「測定器と... もっと見る
2026年4月15日にarXivへ投稿されたプレプリント「LongCoT: Benchmarking Long-Horizon Chain-of-Thought Reasoning」は、いまの推論モデルがどこでつまずくのかを、かなり鋭く切り分けた研究だ。論文の狙いは単純な難問集を作ることではない。化学・数学・計算機科学・チェス・論理の5分野にまたがる2,500問を用い、長い思考連鎖を最後まで計画し、維持し、修正しながら進める能力だけをできるだけ... もっと見る
Anthropicは2026年4月16日、Claude Opus 4.7を一般提供しました。位置づけは「Opus 4.6の小幅改良」よりも、長時間のコーディング作業やエージェント的な反復実行を、より実務寄りに磨き込んだ更新と見るのが自然です。Anthropicは、難しいソフトウェア工学タスクでの改善、より高解像度な画像理解、そして価格据え置きのままClaude製品群、API、Amazon Bedrock、Google Cloud Vertex AI、Microsoft Foundryへ展開すると説明... もっと見る
大規模言語モデルの性能は、計算資源だけでなく、何をどのような形で読ませるかに強く左右される。近年は「高品質な自然由来ウェブデータ」が限られてきたことから、合成データを事前学習に使う流れが加速しているが、どの設計が本当に効くのかは意外なほど整理されていなかった。2026年4月15日に公開された Hugging Face 系の論文 *How Can We Synthesize High-Quality Pretraining Dat... もっと見る
2026年4月14日、OpenAIはサイバー防衛向け施策の拡張として、Trusted Access for Cyber（TAC）を「認証済みの個人ディフェンダー数千人」と「重要ソフトウェアを守る数百のチーム」へ広げると発表した。あわせて、GPT-5.4を防御用途向けにより使いやすく調整した限定モデル「GPT-5.4-Cyber」を、TACの最上位層に提供し始める。今回の要点は、新モデルの投入そのもの以上に、「高いサイバー能力を持つAIを、誰に・どの条件で・ど... もっと見る
米政府機関は本当にAnthropic禁止を迂回しているのか――Mythos評価報道の意味
4月14日、ReutersはPolitico報道として、米政府機関や政府関係者がトランプ政権のAnthropic排除方針を横目に、同社の未公開モデル「Claude Mythos Preview」の能力を静かに見極め始めていると伝えた。記事によれば、商務省系のCenter for AI Standards and Innovation（CAISI）がMythosの“ハッキング能力”を試験し、少なくとも3つの議会委員会スタッフが同社から説明を受けるか、説... もっと見る
二値報酬しかないのに、どうやって「どのトークンをどう直すべきか」という密な学習信号を作るのか。2026年4月13日にarXivへ投稿された Self-Distillation Zero: Self-Revision Turns Binary Rewards into Dense Supervision は、この問いにかなり端的な答えを与えています。著者らの主張はシンプルで、外部教師や高品質デモを用意できなくても、モデル自身に「生成者」と「改訂者」の二役を担わせれば、正誤だけの二値報酬... もっと見る
4月14日、MetaはBroadcomとの提携拡大を発表し、次世代のMTIA（Meta Training and Inference Accelerator）を複数世代にわたって共同開発すると明らかにした。Broadcomはチップ設計だけでなく、先端パッケージングやEthernetネットワークまでを担い、Metaは1GW超の初期導入コミットメントから出発して、その後は複数GW規模へ広げる方針を示している。Broadcom側の発表では、この協業は**202... もっと見る
2026年4月14日、OpenAIはサイバー防御向けに調整した GPT-5.4-Cyber と、本人確認を前提に高度な機能へ段階的にアクセスさせる Trusted Access for Cyber（TAC） の拡大を発表した。今回のポイントは、単に「より強いモデルが出た」という話ではない。むしろ、高性能で両義的なサイバー能力を、誰に・どの条件で・どこまで渡すのかという配布設計そのものが、モデルの中身と同じく... もっと見る
2026年4月14日、Microsoftは新しい画像生成モデル「MAI-Image-2-Efficient」を発表した。位置づけは、既存の上位モデル「MAI-Image-2」の廉価版というより、同系統の“量産向け最適化版”に近い。画像出力料金はMAI-Image-2の100万トークンあたり33ドルから19.50ドルへ下がり、約41%安くなった一方、速度は約22%向上し、Microsoftは「4倍効率的」とも説明する。公開初日からMicrosoft FoundryとMAI Play... もっと見る
生物学研究におけるAI評価を、知識テストから「研究実務」へ引き戻す試み
2026年2月4日にarXivへ投稿され、翌2月5日にEdison Scientificが公式発表したLABBench2は、AIの生物学研究能力を測るベンチマークの新版である。公開情報によれば、LABBench2は1,892タスクを11の大分類にまたがって収録し、フロンティアモデルの性能自体は旧版から伸びているにもかかわらず、対応するサブタスクではなお26〜46%の難化が確認された。要するに、モデルは良くなっているが、研究の現場... もっと見る
投資銀行の実務は、まだAIの「得意問題」ではない
2026年4月13日にarXivへ公開された BankerToolBench は、AIが投資銀行の実務にどこまで近づいたかを測る、かなり野心的なベンチマークだ。焦点は単純な金融Q&Aではない。上司からの依頼を受け、データルームや市場データ基盤、SEC開示データベースを行き来しながら、Excelモデル、PowerPoint資料、PDF/Wordレポートといった複数成果物を揃えて納品する――つまり、ジュニア投資銀行員の日常業務そのものを試す... もっと見る
2026年4月13日、OpenAIはCloudflare Agent Cloudで自社のフロンティアモデルを利用できるようにし、代表例としてGPT-5.4を挙げたうえで、Codex harnessベースのエージェントもCloudflareへ展開可能にしたと発表した。OpenAIの説明では、Cloudflare Agent Cloudは企業が実業務をこなすAIエージェントを配備するための基盤であり... もっと見る
2026年4月10日にarXivへ投稿されたプレプリント「Many-Tier Instruction Hierarchy in LLM Agents」は、LLMエージェントが複数ソースから受け取る命令の優先順位づけを、従来よりはるかに細かく検証した研究だ。結論はかなり明快で、システムプロンプト、ユーザー要求、ツール出力などが絡む現実的な状況を12階層まで拡張すると、最先端モデルでも正答率はなお約40%にとどまる。ベンチマーク ManyIH-Bench は853タスクから... もっと見る
Anthropic、「Claude for Word」をβ公開 文書AIが“別窓の要約係”から“レビュー工程の参加者”へ
Anthropicが公開した「Claude for Word」は、Microsoft Word向けのアドインとしてClaudeを文書の内部に直接持ち込み、選択範囲の改稿、コメント対応、契約書の差分要約、テンプレートへの追記などを、Wordの文脈を壊さずに行うための機能だ。製品ページと公式ヘルプによれば、Claudeは別ウィンドウではなくWord文書の中で動作し、編集結果をWord標準の追跡変更として残せる。現時点の案内ではβ版... もっと見る
arXiv:2604.09544「Large Language Models Generate Harmful Content Using a Distinct, Unified Mechanism」は、整列済みLLMの有害生成を“表面の失敗”ではなく“内部の機構”として捉え直そうとする論文だ。arXivの記録では2026年4月10日投稿で、OpenReviewには近い版が ICLR 2026 Workshop 向けに3月5日付で出ている。論文の中心仮説は明快で、有害出... もっと見る
2026年4月6日から9日にかけてサンフランシスコのMoscone Centerで開かれたHumanXは、消費者向けAIの流行を追う場というより、企業がAIをどう実装し、どう運用し、どこで投資回収するかを議論する色合いの強い会議だ。主催者自身も、参加者の中心は意思決定者であり、2025年は参加者の75％超がVP以上だったとしている。そうした場で、4月12日公開のTechCrunch記事が「会場で最もよく聞いた名前はClaudeだった」と伝えた意味は小さ... もっと見る
2026年4月11日、MiniMaxの最新テキストモデル「M2.7」がNVIDIA経由でも利用可能になった。時系列で見ると、M2.7そのものはMiniMaxが3月18日に公開しており、今回はその重みと実行経路がNVIDIAのBuild/NIM、さらにvLLM・SGLang・NeMo系の周辺スタックまで含めて整備された、という出来事である。単なる「推論APIの追加」ではなく、エージェント用途を前提とした大規模モデルを、NVIDIAの配布・最適化・運用導線に乗せた点が本質だ。 ([p... もっと見る
2026年4月9日、SiFiveはオーバーサブスクライブされたSeries Gで4億ドルを調達し、企業評価額は36.5億ドルに達した。ラウンドはAtreides Managementが主導し、NVIDIA、Apollo Global Management、Point72 Turion、T. Rowe Price、Prosperity7 Ventures、Sutter Hill Venturesが参加した。会社説明によれば、資金はデータセンター向けRI... もっと見る
OpenAIが2026年4月10日に公表した内容は、典型的な「データ漏えい事故」とは少し性格が違う。問題になったのは、3月31日に発生したAxiosの大規模なソフトウェア供給網攻撃が、OpenAIのmacOS向けアプリ署名ワークフローに入り込み、コード署名証明書とnotarization（Appleの公証）関連素材に接触しうる状態をつくったことだ。OpenAIはユーザーデータ流出や製品改ざんの証拠はないとしつつも、証明書を「念のため侵害前提」で扱い、再署名と証明書... もっと見る