TL;DR: 高性能モデルで作業を進め、「あとは仕上げだけ」の段階で安価なモデルにバトンを渡すと、精度をほぼ保ったままAPIコストを平均65.9%削減できます。 AgentBaton: Efficient Model Collaboration in Agentic Tasks ポイント ・🔀 クエリ単位ではなく、1タスクの途中で一度だけ高性能→効率的モデルへ制御を移す「ハンドオフ」を提案 ・🧭 渡す先から逆(安価→高性能)は効果が薄く、高性能→安価の向きが有効 ・⏱️ 好機は「成果物がある・失敗でも原因が絞れた・残りが局所的」な時点。プロンプトで頼むだけでは安定せず、Kimi K3は0/113タスクで渡せませんでした ・🤖 Qwen 3.5 2B初期化の軽量検出器が毎ターン判定。遅延は中央値338ms ・💰 DeepSWEでKimi K3→Qwenはコスト72.9%減で72.6%(単独73.5%) ・📈 Claude Opus 5→GPT-5.6 Lunaは67.3%→76.1%に向上し、コスト70.5%減 ・🆚 ターン単位ルーターMTRouterより、コストを46.7〜86.6%削減しつつ精度は同等以上 エージェント運用では「どのモデルを使うか」より「いつ切り替えるか」が効きそうです。 #AIエージェント# #LLM#

Gemini4 Anthropic上場前にしっかりブツケてきましたな。自社チップTPU8の暴力とはいえ2ヶ月で仕上げるとは、、、しかもコスト構造違うから結果が本物なら収益で差がでてくるぞ、、 以下、Gemini 4 Argon、公式と噂を分けた整理 公式：9/30発表の次世代フロンティア。いま触れるのはFairwindだけ。政府・重要インフラ・防衛側650+。一般は有料APIとAI Ultraが次。日付なし。 公式の中身。 ・出力上限 64K → 100万トークン ・導入価格 $2 / $10、キャッシュ入力95%オフ。期限後は $4 / $20（Opus 5.5と同額帯） ・Astra / Fable（$10/$50）より導入時は1/5 ・DeepSWE v1.1 77.9% SOTA、Vals Index首位、法律Harvey 19.6%（他社は数%） ・全部勝ちではない。FrontierSWEや一部ターミナルはAstra/Opusが上 ・社内で300TiBメモリ削減、Fuchsiaカーネル80万行超のC++→Rust ・防衛向けはサイバーガードレールなし。一般向けは別 Flash同時出しはなし。安い枠はまだ3.8 Flash。 価格が安い＝小型、は公式と矛盾する。スポークスは「従来Proより大きい」と言っている。導入キャンペーン＋自社TPU推論原価＋シェア取り、が本線。 【噂・未確認】ここから下は公式ではない。 ・チェックポイント名 argon は発表前からArena等に出ていた ・事前学習「史上最も野心的」、7月開始→約2か月でポストトレ、という圧縮日程 ・入力1000万／永続メモリ／ロボット制御は発表と一致していない。公式が確約したのは出力100万 ・MLA＋FP4でKV圧縮、は技術リーク。Argon採用は未確認 ・業界全体としてはNVFP4等で知識・数学はBF16比おおむね1%前後、コードは数%落ちうる。Attentionまで全部FP4はまだ危ない、が2026年のコンセンサス ・第8世代TPUは学習8tと推論8iに分割済み。API単価を下げるなら8i側の話。Argonが8iで動くとは公式は言っていない 通向けの読み。 いまの安さの半分は時限。本価格でもAstraより安いが、Opusと同額。出せる長さと仕事系ベンチが売り。サイズ非公開のまま価格だけ先に置いている。 Fairwindは「高性能チャットの先行配信」ではない。脆弱性発見・パッチ生成をフルで渡す枠。同じモデル名でも権限が違う。 #Gemini4# #Argon#

TL;DR: Issueやコミット履歴を使わず「ソースコードそのもの」だけから、コーディングエージェント用のRL訓練タスクを5,545件も自動生成するパイプラインが登場しました。しかも量より質を優先した設計です。 タイトル: CodeMidas: Scaling Agentic Coding RL Environments from Code Itself URL: ポイント 🏗️ 3,185リポジトリ・23言語・15ドメインから5,545タスクを自動構築 🧪 リファレンス実装を実行して期待値を記録する「実行に基づくテスト」で検証器を自動生成 🛡️ リーク検査・解答一致確認・難易度フィルタの3段構えで環境の質を保証 📈 DeepSWEで+11.7pt、ProgramBenchで+17.0pt、Terminal-Benchで+8.5ptと大幅改善 🔍 フィルタ済み5kタスクがフィルタなし8kタスクを一貫して上回り「質が量に勝る」ことを実証 🧠 訓練後は探索・自己検証の頻度が増加し、外部ベンチマークにもその挙動が転移 開発履歴がなくても、コードさえあればRL訓練環境を作れるという発想がシンプルで実用的だと感じました。 #CodingAgent# #強化学習#

TL;DR: Gemini 3.6 Flashからわずか3週間でアップデート。コーディング・エージェント系ベンチマーク全項目で大幅改善しながら、導入期間中は半額で使えます。 Introducing Gemini 3.7 Flash ポイント: 🚀 DeepSWE v1.1: 65.3%（前世代49.0%から+16.3pt） 🖥 FrontierCode 1.1: 43.6%（前世代34.4%から+9.2pt） 🌐 WebDev Arena Eloスコア: 1588（前世代1538から+50） 📄 GDP.pdf文書理解: 34.0%（前世代22.0%から+12.0pt） 🤖 AutomationBench: 30.4%（前世代17.0%から+13.4pt、約1.8倍） 💰 導入価格: 入力$0.75・出力$3.75（1Mトークンあたり）で3.6 Flashの半額 🌍 提供先: Gemini API、AI Studio、Android Studio、Gemini Enterprise、Gemini Spark（160カ国以上） 🛡 安全機能: CBRN・サイバーセキュリティ悪用防止のフロンティアセーフガードも更新 特にエージェント・コーディング向けに尖らせた設計で、Box、Databricks、Harvey、LangChainなど実務ユーザーから「大幅に良くなった」と評価されています。3週間に1回のペースでこのクオリティのアップデートが来るとは、Flashシリーズの進化が止まりません。 #Gemini# #LLM#

💡 このタスクはあのモデルなら解ける、でも単価が合わない。そう言って見送った案件が、誰にでも一つや二つあるのではないでしょうか。 フロンティアモデルの実運用を阻んできたのは、多くの場合その性能ではなく価格でした。エージェントにコードを書かせ、長い文書を読ませ、コンピュータを操作させる。どれも大量のトークンを吐き出す仕事で、最高性能のモデルを使えば解けると分かっていても、1タスクあたりの単価が本番投入の前に立ちはだかります。 OpenAIが公開したGPT-6.1 Solは、この壁に「性能を上げる」ではなく「同じ性能を安くする」というかたちで応えたモデルです。最上位のGPT-6 Astraに対し、コーディングのDeepSWE v1.1では同等のスコアを5分の1のコストで達成し、コンピュータ操作のOSWorld 2.0では差を2.1ポイントまで詰めたうえでコストは7分の1。ハルシネーション率も4.5%から4.1%へ改善し、Astraの4.0%に肉薄しています。API価格は100万トークンあたり入力$2・出力$10で、キャッシュ入力は$0.10と標準比95%引きです。 変化が現れるのは「最高性能でしか解けなかったタスク」ではなく、「コストが理由で見送られていたタスク」のほうです。科学研究のTerminal-Bench Science 0.1では、Astraなら1タスク$23.80かかるところが$5.47。採算が合わずに棚上げしていたワークロードが、そのまま検討対象に戻ってきます。同じ文脈を毎ターン読み直すエージェント用途なら、キャッシュ入力の安さがさらに効いてくるはずです。 もっとも、最後の数ポイントを必要とする用途ではAstraの出番が残ります。当面はタスクの難度と単価で両者を使い分ける設計が現実的でしょう。 タイトル: GPT-6.1 Sol のご紹介 URL: #GPT6# #LLM#

DeepSeek開発者、あと半年でAIに演算カーネルを抜かれる！？→自分の才能を昨日に葬り、愛した仕事を捨てて“Agentの操縦士”へ 自分を置き換える技術を、自分の手でさらに速くする構図が印象的です。

DeepSeek、メモリ・SSD使用量8割削減の高性能AIを発表！→上位Pro版超えの新型を無償公開、画像対応＆MITライセンス 高性能モデルの競争が、性能だけでなく必要な機材の少なさにも広がっています。