タイムライン検索

2026年3月29日

Google DeepMindはマウスポインターをコンテキスト認識型のAIパートナーに進化させています。従来のプロンプト入力の面倒さを超え、Chromeおよびそれ以外でもAIとの直感的なコラボレーションを実現します。

Google DeepMind

2026年5月19日

最新の大規模言語モデル（LLM）は、コンテキスト長を数百万トークンまで拡張し、長い会話履歴に基づいた一貫性のあるパーソナライズされた応答を実現しています。しかし、キー・バリュー（KV）キャッシュが...

Apple Machine Learning Research

2026年5月27日

このポストでは、統合アーキテクチャを使用して、並列推論、コンテキスト永続性、追跡可能な実行パスを実証するマルチエージェントキャンペーンレビュー システムの構築方法を学ぶことができます。

AWS Machine Learning Blog

2026年5月29日

大規模言語モデル(LLM)は自律エージェントとしてますます機能していますが、環境との継続的なインタラクションはコンテキスト内報酬ハッキング(ICRH)につながる可能性があり、これはLLMがプロキシ目標を最大化するために行動を反復的に最適化し、意図しない有害な副作用を生み出す現象です。

arXiv cs.CL

2026年5月29日

コンテキスト蒸留は文脈情報をモデルパラメータに圧縮するが、既存の方法は複数の蒸留された潜在メモリをオラクル以外の設定でどのように保存、検索、安全に活性化するかについて無視することが多い。本研究ではコンテキスト蒸留を潜在メモリ管理問題として定式化する。

arXiv cs.LG

2026年6月1日

arXiv:2605.30690v1 長期メモリはLLMエージェントが拡張インタラクション全体で一貫性のある推論を行い、応答をパーソナライズし、過去の経験を再利用するために不可欠である。しかし既存のメモリ拡張手法は通常、メモリを固定リソースとして扱っている。テキスト空間アプローチは取得したメモリをコンテキストに連結する。

arXiv cs.CL

2026年6月1日

LLMエージェントはウェブサーチや深い研究など現実世界のアプリケーションにおける長期タスクにますます直面しており、蓄積されたコンテキストは長コンテキスト低下と推論失敗を引き起こすことがある。先行研究ではエージェント側のコンテキスト制御または固定戦略によるコンテキスト管理を通じてこれを緩和している。

arXiv cs.AI

2026年6月2日

AWS GPUインスタンスへの大規模言語モデル(LLM)のデプロイを繰り返している場合、GPUのHigh Bandwidth Memory(HBM)にロードするモデルが大きいほど、長い時間がかかることに気付いているでしょう。

AWS Machine Learning Blog

2026年6月2日

大規模言語モデルはモデル技術からシステム技術への転換期を迎えています。開発者がCodex、Claude Code、AutoGPTおよび関連エージェントを使用してコードを作成し、プロジェクトを管理し、複数ステップのタスクを実行する際に、キャッシュの再利用、コンテキスト管理、エージェントスケーリングなどの反復的なエンジニアリング課題が発生します。

arXiv cs.AI

2026年6月2日

大規模言語モデル（LLM）が分布外タスクで良好なパフォーマンスを発揮できることが示されていますが、分布シフトが大きくなるにつれてその利点は減少する傾向があります。そのため、研究者は分布的に類似した情報提供的なデモンストレーションの取得を目指しています。

arXiv cs.CL

2026年6月2日

長期間の検索エージェントは多くのツール呼び出しにおいて大量の取得コンテンツを蓄積するため、コンテキスト予算効率がますます重要になります。最小限の介入は軌跡の進行に伴い、コンテキストから古い観察をマスキングすることですが、このタイプのコンテキスト処理がいつ有効であるかは依然として不明です。

arXiv cs.CL

2026年6月4日

このポストでは、Amazon Bedrock Ops Alertを紹介します。これは3層の自動監視ソリューションで、運用上の問題を積極的に検出し、アラームしきい値を動的に調整し、アラームをカテゴリ別に分類し、コンテキストを認識したサポートケースを自動作成し、同じアラームカテゴリの未解決ケースが既にアクティブな場合の重複ケース作成を防止し、AI SREチームへのコンテキスト化された通知を配信します。

AWS Machine Learning Blog

2026年6月4日

Autodeskは、主要製品向けに「Autodesk Assistant」のテックプレビュー版を提供する他、Fusion向けのMCPを公開した。設計データや業務コンテキストを理解するAIアシスタントに加え、外部AIとの連携を可能にする機能も提供し、設計／製造業務におけるAI活用の拡大を図る。

ITmedia AI+

2026年6月5日

「Windows」の「エクスプローラー」内やデスクトップ上で右クリックしたときに表示されるコンテキストメニューは、常に悩みの種であった。従来のWindowsでは、多数の項目が追加されてメニューが際限

Yahoo!ニュース IT

2026年6月6日

トルコ語の言語処理技術に関する研究が、自然言語処理分野で注目を集めている。トルコ語に特有の「軽動詞構文」と呼ばれる表現は、文法上は通常の動詞と目的語の組み合わせに見えながら、実際には慣用句として機能するため、従来のAI言語モデルにとって識別が困難だった。 研究では、BERTurkという専用モデルと、ChatGPTなどの大規模言語モデルの性能を比較検証した。結果として、事前学習なしのゼロショット学習では、大規模言語モデルは誤検出を抑える傾向を示したものの、対象の表現を見落とす傾向が見られた。一方、単一の例を学習するワンショット学習では検出精度が向上したが、モデルが特定のパターンに過度に反応するバイアスが生じる課題が明らかになった。 この知見は、多言語自然言語処理システムの開発や、言語特性に応じた最適なAI手法の選択に有用な情報となる見込みだ。 （arXiv cs.CL）

arXiv cs.CL

2026年6月7日

はじめに Claude Codeを使い始めてすぐ気づいた。セッションを開くたびに、AIは何も知らない状態から始まる。 先週話した仕様変更も、ADRで決めた設計方針も、あの実装が依存している要件も、全部ない。毎回ゼロから説明し直す。

Zenn

2026年6月8日

Windows 11で右クリックすると表示されるコンテキストメニューの見直し作業が進められていることが明らかになった。

INTERNET Watch

2026年6月9日

効率的な設計手法として注目されるベイズ最適化（BO）が、近年、分子やタンパク質といった複雑な構造を持つ物質への応用を広げています。これは、潜在空間ベイズ最適化（LSBO）と呼ばれる技術によって可能になります。 LSBOでは、複雑な構造が抽象的な「潜在空間」に変換され、この空間内で最適な設計が探索されます。現在、データ分析の分野で高い性能を発揮している表形式基盤モデル（TabPFNやTabICLなど）が、BOの代理モデルとして利用されるケースが増加しています。 しかし、これらの基盤モデルをLSBOに適用する際には、特定の課題が存在していました。この課題に対処するため、最新の研究では、分子の構造を符号化する変分オートエンコーダ（VAE）の潜在空間で定義された合成最適化タスクを用いて、表形式基盤モデルの事前学習段階を補強する手法が提案されています。このアプローチにより、LSBOにおけるモデルの不一致が解消され、より効率的で高精度な物質設計への貢献が期待されます。 引用元: arXiv cs.LG

arXiv cs.LG

2026年6月10日

自己蒸留は、モデルが追加コンテキストなしで性能向上を維持できるよう学習させる手法です。 本研究では、自己蒸留におけるコンテキスト設計を、凍結された評価者からのフィードバックを用いて探求しました。 ステップごとにアラインされた批評が最も大きな改善をもたらし、他の手法を大幅に上回る結果を示しました。

arXiv cs.LG

2026年6月10日

Cohereは、単一のH100で実行可能なオープンソースのコーディングエージェント「North Mini Code」を発表しました。 この300億パラメータのモデルは、サブエージェントのオーケストレーション、アーキテクチャマッピング、コードレビューなど、エージェントソフトウェアエンジニアリングを対象としています。 256,000トークンのコンテキストウィンドウと64,000トークンの最大生成長をサポートし、Apache 2.0ライセンスでHugging Faceで利用可能です。

VentureBeat AI

2026年6月10日

6月8日に開幕したAppleの開発者会議「WWDC26」の主役は、アーキテクチャが刷新された「Apple Intelligence」と、劇的な進化を遂げた次世代「Siri AI」だった。本記事では、Siriがどのようにパーソナルコンテキストを理解し、アプリを横断してタスクを処理するのかを見ていく。

ITmedia 全カテゴリ

2026年6月10日

arXiv:2606.09859v1 新規発表 要約：MLLMは、視覚的入力と一致しないオブジェクトを頻繁に幻視します。この問題は通常、言語プリアイアンスへの過度の依存に起因しますが、これは視覚的コンテキストを上書きする可能性があります。最近のトレーニングフリーのデコーディング戦略は、言語プリアイアンスを罰することでこれに対処します。しかし、これらの方法は、視覚的証拠との整合性に応じて、言語プリアイアンスが有益であると同時に有害であるという二重の性質を見落としています。特に、言語プリアイアンスを盲目的に抑制すると、モデルのセマンティック多様体が破壊され、パフォーマンスが低下する現象が発生します。これを「多様体逸脱」と呼びます。この問題に対処するために、Manifold-Guided Adaptive Projection (MGAP) を提案します。これは、幻視を緩和しつつ、表現構造を維持する、ジオメトリを認識したトレーニングフリーのデコーディング手法です。MGAPはまず、SVDを介して盲目の隠れ状態から言語プリアイアンスサブスペースを構築します。

arXiv cs.LG

2026年6月10日

arXiv:2606.10209v1 公開タイプ：新規 概要：エンタープライズワークフローのために展開された自律エージェントとしてのLLMは、重要な課題に直面しています。エンタープライズシステムからの冗長なツール応答は、コンテキストオーバーフロー、古い状態のエラー、および高い推論コストを引き起こす可能性があります。本研究では、Model Context Protocolツールを使用して、Microsoft Dynamics 365 Finance and Operationsにおける自動経費項目化のこの問題について調査します。50タスクのホテル経費ベンチマークにおいて、4つのGPT-5構成（ユーザーモデルなし、会話履歴全体、最後の5つのツール呼び出し/応答ペアにコンテキストを限定、自動要約による限定）を評価します。結果は5回の独立した実行で平均され、コンテキストエンジニアリングの比較のためにユーザーモデルは一定に保たれます。ユーザーモデルなしのベースラインでは、完全な項目化はわずか8.0%しか達成できません。

arXiv cs.AI

2026年6月10日

arXiv:2606.09861v1 新規発表 要旨：次トークン予測（NTP）はLLMの事前学習を統一してきたが、その応用は無限で連続的な時系列（TS）には未解決のままでした。このギャップを埋めるため、TSを離散トークンに変換するユニバーサル・トークナイザーUniTokと、これらのトークン上でNTPにより事前学習された基盤モデルUniTok-FMを提案します。UniTok-FMは、ゼロショットおよびプロンプト強化型予測、さらに訓練不要のインコンテキスト推論による少数ショット生成・分類をサポートする汎用基盤モデルであり、これは先行研究では達成されていませんでした。技術的には、UniTokはスケール安定化のためのプレフィックス正規化、エンコード・デコードのための段階的解像度因果アーキテクチャ、および学習のための構造保存型再構築損失を組み込んだベクトル量子化オートエンコーダーです。UniTok-FMは、TS固有の修正なしに市販のLLMアーキテクチャを採用しています。

arXiv cs.LG

2026年6月10日

今回の資金調達ラウンドはNorwestが主導し、S Capital VC、Cerca Partners、Oceans Venturesが参加しました。Snowflake Venturesも戦略的投資家として参加しました。

TechCrunch AI

2026年6月11日

他社の生成AIにコネクタでM365のデータをつなげばCopilotは不要なのか。両者を分けるのが、参照するコンテキストを管理する「Work IQ」だ。その3層構造の仕組みと、恩恵を最大化するためにユーザーがやるべきことを、3人のMicrosoft MVPが語る。

ITmedia AI+

2026年6月11日

arXiv:2606.11199v1 新規発表。 本稿では、NeurIPS 2025のMMU-RAGentコンペティションに提出され、テキスト間生成タスク部門でベストダイナミック評価を受賞した、構造化マルチエージェント検索拡張生成（RAG）システム「NightFeats」を紹介します。ベンチマーク最大化を目標とするのではなく、本研究は知識合成を検索、キュレーション、構成の3つの連携フェーズに分解する原則的なパイプラインを提案します。各フェーズは、明示的な中間表現とハンドオフ契約によって管理されます。エージェンティックコンテキストエンジニアリング（ACE）に着想を得て、本システムは、時間的意味的再ランキング、有界矛盾解消、引用保存構成をコアアーキテクチャプリミティブとして導入しています。

arXiv cs.CL

2026年6月11日

arXiv:2606.11207v1 新規発表。SemantiCleanは、Eコマースセッションデータから構造化されたセマンティック信号を抽出し、共有要素ライブラリを通じて購入意図、顧客セグメンテーション、商品親和性などのプラグ可能な推論ターゲットを駆動するモジュラーフレームワークです。従来の精度のみを最適化するエンドツーエンド予測子とは異なり、SemantiCleanは監査可能性、構造的ガバナンス、sigma=0再現性を優先し、要素レベルの透明性と正当な決定トレイルのためにわずかな予測ゲインを明示的にトレードオフします。Online Shoppers Purchasing Intention (OSPI) データセットに基づき、このフレームワークは24の行動要素を4層アーキテクチャ（機能、インタラクション、システム、コンテキスト）に整理し、3つのアンチインフレーションメカニズム（RedundancyGroup貢献キャップ、TieredPenaltyCalculatorバイアスペナルティ、AdaptiveConstraintModeコールドスタート保護）を通じて信号品質を強制します。

arXiv cs.AI

2026年6月11日

結論 ・Claude Code 使ってるなら、mksglu氏のcontext-mode を今すぐ入れましょう。 ・/ctx-statsで、セッション終わりにどのくらい節約されたかを見てニヨニヨしましょう。 ・Webサイトの開発では40～50%程のコンテキスト削減が観測されました。

はてなブックマーク IT

2026年6月12日

ノイズを減らすことで、アラートはより信頼性が高く、対処しやすくなります。コンテキストを理解するLLM推論により、検証ステップをどのように改善したかをご覧ください。秘密スキャンの信頼性向上：大規模な誤検知の削減という投稿は、The GitHub Blogで最初に公開されました。

GitHub Blog (AI)