#reasoning のAIニュース

AstaBench の更新：新結果と業界での採用拡大

AstaBench が最新の評価結果を発表し、業界からの採用が広がっていることを示した。

デミス・ハサビス氏：AGI に不足するもの、エージェントの真価、次なる科学突破の姿について語る

DeepMind の創設者であるデミス・ハサビス氏は、汎用人工知能（AGI）の実現に必要な要素や自律型エージェントの有効性、そして次世代の科学的発見がどのような形をとるべきかについて議論した。

ケプラーがClaudeを用いて金融サービス向けに検証可能なAIを構築した方法

Kepler（ケプラー）は、AnthropicのClaudeモデルを活用し、金融サービスの分野で結果の検証可能性を担保するAIシステムを開発・実装しました。

信頼性の高いデータ分析エージェント（16 分読）

記事は、AI エージェントがデータ分析において信頼性を高めるための手法や課題について解説しています。具体的な技術的進展や新モデルの発表ではなく、実装における注意点やベストプラクティスに関する内容です。

LaDiR：潜在拡散モデルがLLMの推論能力を強化する新フレームワーク

研究者らは、既存の大規模言語モデル（LLM）に潜在拡散モデルの特性を組み合わせた「LaDiR」という新たな推論フレームワークを開発しました。この手法は多様な推論経路を並列生成し、計画と修正を包括的に行うことで、精度や解釈性を向上させます。

Together AI で DeepSeek-V4 Pro が利用可能に

AI プラットフォーム「Together AI」が、中国の企業「DeepSeek」が開発した最新モデル「V4 Pro」の利用を開始した。これにより開発者は同プラットフォーム上で高性能な大規模言語モデルを直接利用できるようになった。

適応的思考：大規模言語モデルは潜在空間での思考の必要性を認識している

研究チームは、推論時の計算コスト最適化に向け、クエリの複雑度に応じて大規模言語モデルが潜在的な思考（中間推論）を行うタイミングを自己一貫性手法で制御する新アプローチを発表した。

エージェントが検索スタックを代替できるか？

AI エージェントに基本的な検索ツールを提供すると回答品質が向上し、さらに探索を促すことで改善が見られる。しかし、大規模言語モデルは未知の領域を評価できず、学習データが性能の限界を決めるため、知識不足を補う確実な方法は未だ存在しない。

リアルタイム音声対話 AI の知識強化を目指す Tandem アーキテクチャ「KAME」が ICASSP2026 に採択

研究者らが、思考を深めつつ遅延なく応答する新アーキテクチャ「KAME」を発表し、ICASSP2026 で採用された。これにより、従来の浅い推論に留まっていた高速音声 AI の知能が向上する可能性がある。

DeepSeek、最先端モデルとの格差を縮める新AIモデルをプレビュー

DeepSeekは、最先端のAIモデルとの性能差を大幅に縮新する新しいAIモデルのプレビューを発表した。この進展は、業界内の競争激化を示唆する注目に値するものである。

GPT 5.5 (18 minute read)

Anthropic、Claudeの知能向上を試みる際に意図的に能力を制限していたことを認める

Anthropicは、Claudeの知能を高めるための試行錯誤過程で、安全性や制御性を確保するために意図的にモデルの能力を制限していたことを公式に認めた。この発表は、AI開発における安全対策と性能向上のバランスに関する重要な示唆を与える。

科学発見におけるエージェントの評価

Ai2は、実験設計や論文作成を行うAI科学エージェントの真価を検証するため、長年にわたりベンチマークを開発してきた。多くのチームが優れた成果を主張する中、その根拠は不十分であり、適切な評価手法の重要性を強調している。

並行世界における検索エージェントの評価

研究者らが、LLMに統合された検索エージェントの評価における課題（高品質なベンチマーク構築の困難さと静的ベンチマークの陳腐化）を指摘し、新たな評価手法の必要性を論じている。

モラベックのパラドックスの事実確認

著者はYouTubeチャンネルでAI開発を分析し、最近の動画で「人間には難しいタスクはAIに簡単」とされるモラベックのパラドックスを検証した。その結果、このパラドックスは多くの研究者が繰り返すものの、実証試験が行われていないことが判明した。

ServiceNow、顧客アプリと社内生産性向上にClaudeを採用

ServiceNowが、顧客向けアプリケーションの強化と社内生産性向上のために、AIアシスタント「Claude」を採用した。

Seed Prover 1.5：新たなエージェント型アーキテクチャと強化された数学的推論能力

バイトダンスのSeedチームは、新たなエージェント型アーキテクチャを採用した「Seed Prover 1.5」を発表し、2025年のプットナム数学競技会の11問を9時間で解決するなど、数学的推論能力が大幅に向上したことを示した。

AIの形状：不規則性、ボトルネック、顕著な特徴

筆者らは2023年、「ジャグドフロンティア」という用語を提唱し、AIが人間の直感とかけ離れた能力の偏り（特定のタスクは超人的に優れ、他は著しく劣る）を説明した。この不規則性はAIの主要な特徴であり、混乱の原因となっている。

大規模言語モデルの能力を向上させる新手法

研究者が、言語の構文変化や状態遷移を追跡する手法を開発し、大規模言語モデルの逐次推論能力を向上させた。

プロジェクト・ヴェンド：フェーズ2

プロジェクト・ヴェンドがフェーズ2に移行した。具体的な内容は不明だが、AI/テクノロジー分野における継続的な取り組みを示している。

ジェミニ3フラッシュ：速度のために構築された最先端の知能

ジェミニ3フラッシュは、低コストで高速な最先端の知能を提供するAIモデルです。

本物のAIエージェントと実際の業務

OpenAIは、金融や法務などの専門家が設計した4〜7時間かかる実務タスクでAIを評価する新テストを発表。これにより、AIが経済的に意味のある「実際の業務」を遂行できる段階に達したことが示された。

GPT-5：ただ、それを実行するだけ

筆者はGPT-5への早期アクセス権を持ち、その重要性を評価している。特定の指示を含むプロンプトを入力したところ、24秒間の思考を経て劇的な出力を生成し、その能力の高さを示した。

AGIはマイルストーンではない

OpenAIの最新モデルo3の公開をきっかけに、AGI達成論争が再燃している。著者はAGI定義の不一致を指摘しつつ、AGIはAIシステムの性質や影響に断絶をもたらす「マイルストーン」ではないと主張する。

なぜ私たちは考えるのか

OpenAIは、テスト時の計算量（Test time compute）と思考の連鎖（Chain-of-thought）を活用し、AIモデルの推論能力を向上させる手法について解説している。このアプローチにより、複雑な問題解決におけるモデルの精度と信頼性を高めることが可能となる。

GRPOは10倍効率的か？Kwai AIのSRPOがYesを示唆

Kwai AIは、大規模強化学習を用いた推論モデルの効率化手法「SRPO」を発表した。これはOpenAI o1やDeepSeek-R1の背景にある技術に関連し、GRPOを最大10倍効率的にできる可能性を示唆している。

DeepSeek、次世代R2モデルを示唆しSPCTを用いた推論スケーリングの新手法を公開

DeepSeek AIは、一般報酬モデルの推論段階でのスケーラビリティを向上させる新技術「SPCT」に関する論文を発表した。同時に、次世代モデルR2の登場を示唆し、AI界隈で注目を集めている。

QVQ-Max：根拠に基づく思考

Qwenチームは、画像や動画の内容を理解し分析・推論して数学やプログラミングなどの問題を解決する視覚推論モデル「QVQ-Max」の正式版を公開した。

HEROZ ASKへのo1モデル導入

OpenAIのo1モデルをHEROZ ASKに組み込み、LangChainを用いた実装時の留意点を共有。Azure OpenAI Service経由で2025年1月24日から利用可能。

Grok-2 ベータ版リリース

新モデルGrok-2とGrok-2 miniのベータ版を発表。

マルチ画像推論への準備はできているか？VHs：ビジュアル・ヘイスタック・ベンチマークの発表！

マルチ画像推論の能力を評価するための新しいベンチマーク「ビジュアル・ヘイスタック」が発表されました。