Itaru Tomita / 冨田到

リサーチや研究開発向けの生成AIエージェント @snorbe_ai を作っています。 @deskrex | 著書 かんき出版『知的生産でAIを使いこなす全技法』　

[Itaru Tomita / 冨田到 @itarutomy]

LLMに足りないTasteを探索的に創造する @snorbe_ai

[Itaru Tomita / 冨田到 @itarutomy]

元Discord VP of Product（製品担当副社長）のSergei SorokinがCEOに就任したHighlight AIが、シリーズAで4,000万ドル（約60億円）を調達した（https://www[.]businesswire[.]com/news/home/20260324500318/en/Highlight-AI-Raises-%2440-Million-Series-A-to-Build-the-Shared-Intelligence-Layer-for-the-Agentic-Age-of-Work）。リードはKhosla Ventures、General Catalyst・SV Angelも参加。ユーザーはすでに50万人超。

SorokinがDiscordでMAU（月間アクティブユーザー）を500万から3億近くに成長させた8年を経て確信したこと。「AIの職場での課題はもはや知能や能力の問題ではなく、コーディネーション（チーム連携）のボトルネックだ」

Microsoftの調査では、情報の整理・共有・確認だけで社員1人あたり週24時間（1日3時間超）が消えているという。AIが個人の仕事を速くした分だけ、Slackの通知・会議後のフォローアップ・確認DMというコストが膨らむ。これを「コーディネーション税（Coordination Tax）」と呼ぶ。

解法はSlack・Zoom・Linear・Claude Codeなど既存ツールの「一段上のレイヤー」を作ること。各ツールの会議音声・チャット・ドキュメントを丸ごと取り込み、「コンテキストグラフ（チーム全体の文脈統合図）」として統合する。このグラフを人間もAIエージェント（自律的に動くAIプログラム）も共有できるので、全員が同じ前提で動ける。

DiscordではServerが数百チャンネルに肥大化し「誰も全部読めない」問題が起きた。Sorokinはそれを内側から解いた人物だ。今度は全職場・全ツール規模で同じ問題に挑む。

[Itaru Tomita / 冨田到 @itarutomy]

「CLAUDE.mdを自動で育てるシステム」が論文になった（https://arxiv[.]org/html/2605.23904v2）。

AIエージェントを新しいタスクに適応させる手段は、通常モデルのファインチューニングだ。SkillOptはその前提を覆す。GPT・Qwenなどのモデル本体は一切更新せず、CLAUDE.mdのような自然言語の手順書ファイル（スキル文書）だけを繰り返し改善する。

仕組みは深層学習のトレーニングループをテキスト空間で再現したもの。エージェントの実行ログをバッチで収集し、別の最適化LLMが失敗と成功を分析して「追加/削除/置換」の編集を提案。提案された編集は検証セットで性能が上がるか実際に確認（バリデーションゲート）され、合格したものだけが手順書に書き込まれる。却下された編集は「やってはいけない修正の記憶」として保存され、次の反省ループで活用される。深層学習でいう学習率・バリデーション・モメンタムをテキスト操作だけで実現した構成だ。

結果が驚異的だった。6ベンチマーク×7モデル×3実行環境の52セル全てでSOTA。GPT-5.5では表計算（SpreadsheetBench）が41.8→80.7、文書QA（OfficeQA）が33.1→72.1に改善。特にLiveMathとOfficeQAはたった1回の承認済み編集でこの改善を達成している。

学習後の手順書に書き込まれたルールを見ると、仕組みの本質がわかる。SpreadsheetBenchで自動生成されたルールがこれだ。「Excelの数式再計算に頼らず、評価済みの静的な値をターゲット範囲に直接書き込め」。これは熟練者が試行錯誤の末に気づくようなノウハウが、自動生成・自動検証されたもの。しかも学習済みスキルは別のモデルや実行環境にも転用可能で、Codexで学習したスキルをClaude Codeに転用するだけでSpreadsheetBenchが+59.7ポイント向上する。

「どんな手順書を持っているか」が競争力の源泉になる時代の入口が、見え始めている。

[Itaru Tomita / 冨田到 @itarutomy]

Foundation Protocol（FP）が提唱された（https://arxiv[.]org/html/2605.23218v1）。エージェントが社会インフラになるにつれ、個々のモデル性能より「エージェント間の調整コスト」がボトルネックになる、という問題意識から出発している。

問題を具体的に言うとこうだ。エージェントのメッセージは「情報の伝達」だけでなく「コード実行・資源使用・支払い・権限委任」を意味しうる。MCP（ツール接続プロトコル）・A2A（エージェント間タスク委任）・DIDComm（セキュアメッセージング）などは各々優秀だが、1ワークフローでこれらを横断すると、プロトコルごとに異なる「認証・セッション・権限モデル」が統合コストを爆発させ、プロトコル境界で監査証跡も途切れる。

FPはその橋渡し役として、グラフ（参加者をノード・関係をエッジとして表現）ベースの4層調整基盤を提供する。エージェント・人・ツール・組織すべてを同じEntityモデルで統一し、組織構造・役割・経済取引（メータリング・レシート・決済）・監査証跡・人間承認フローをプロトコルオブジェクトとして一元管理する設計。既存プロトコルを置き換えるのではなく、それらの上に共通の制御面（コントロールプレーン）を被せる。

面白い設計が「段階的開示（Progressive Disclosure）」。現状のAI統合では、ツールの全仕様をモデルのコンテキストに最初から丸ごと読み込むのが一般的でトークン消費が膨大になりがち。FPは最初に軽量な要約メタデータだけ交換し、選定・承認後に詳細を取得する。

エージェントの信頼スコアを主観的評価でなく、契約の完了率・リワーク（修正）回数・コスト透明性などの実績から5次元（品質・信頼性・協調性・効率性・整合性）で算出する「説明可能な評価システム」も実装済み。Python実装がGitHubで公開されており、Claude CodeやCodex CLIとの統合もサポートされている。「エージェントが会社を作る」時代に向けた共通言語の有力候補。

[Itaru Tomita / 冨田到 @itarutomy]

ポーズ列から最大90秒のヒューマンアニメーションを生成する「EverAnimate」が発表された（https://arxiv[.]org/html/2605.15042v1）。

チャンク分割で動画を継ぎ足す既存手法には2種類のドリフト問題がある。まず背景劣化。チャンクをまたぐたびにVAE（映像を圧縮・復元するエンコーダー）でデコード→再エンコードを繰り返すと、動きのない静止背景ですら徐々に壊れていく。次にアイデンティティ崩れ。「参照フレームをアテンション（注意機構）で見続ける」対策（アテンションシンク）を施しても防ぎきれない。トークンは正しく参照フレームを見ているのに崩れるのだ。注意機構は「何を保持すべきか」を示すだけで、ズレた生成軌道を能動的に修正する力を持たないからだ。

EverAnimateはこれを2つの機構で解く。まずPLP（Persistent Latent Propagation）。デコードせず潜在空間のまま短期モーション記憶と長期アイデンティティ記憶を次チャンクへ引き継ぐ設計で、VAEのラウンドトリップによる劣化源を根本から排除。次にRFM（Restorative Flow Matching）。学習中に生成軌道を意図的にズラして「クリーンな経路へ引き戻す速度補正」を同時に学習させる。推論時に自己修正能力を内包する。

Wan-Animateとの比較では10秒でPSNR/SSIM +8%/+7%、LPIPS/FID -22%/-11%。90秒ではPSNR/SSIM +15%/+15%、LPIPS/FID -32%/-27%まで差が拡大し、長尺になるほど効果が増す設計。LoRAのみの軽量後付けで既存モデルへの適用も可能。

[Itaru Tomita / 冨田到 @itarutomy]

AIの映像評価に「映画監督の目線」を持ち込んだ研究が出た（https://arxiv[.]org/html/2605.23271v1）。

既存のベンチマーク（評価基準）は「プロンプト通りに作れたか」だけを見ていた。カメラワークが自然か、感情表現が豊かか、複数カットの編集リズムが取れているか。そういった「映像として上手いか」は数値化できていなかった。

EvalVerseは、プロの映像制作ワークフロー（プリプロダクション/プロダクション/ポストプロダクション）を評価軸として転用。VLM（大規模な視覚言語モデル）に映画専門家の判断基準をファインチューニングで注入し、「なぜその点数か」をChain-of-Thought（思考の連鎖）で説明できる自動採点器を構築した。人間専門家との相関（SRCC）はマルチショット評価で0.90、音声設計評価で0.95に達する。

11モデルを評価して面白い事実が見えた。総合1位のSeedance 2.0（ByteDance）はマルチショット編集で大きく崩れる。ペアワイズ比較でHappy Horse 1.0がMulti-Shot Logic次元で0.80を出すのに対し、Seedance 2.0は0.40にとどまる。1本の映像を綺麗に作る能力と、複数カットを繋ぐ「編集の文法」は全く別の能力だとわかる。

強化学習（RL）の報酬モデルやAIエージェントの評価器にも使える設計で、AI映像制作のインフラになりそう。

[CG @cgtwts]

Anthropic CEO:

“At Anthropic, we essentially have Claude designing the next version of Claude itself.”

Meanwhile, Anthropic says every new model is given code that trains a small AI model and asked to make it faster.

Claude Opus 4 achieved a 3x speedup. Mythos Preview reached 52x.

Recursive self-improvement is starting to look real

The models are helping build what comes next.

[Itaru Tomita / 冨田到 @itarutomy]

ストレスを受けると「記憶と記憶をつなぐ力」が落ちると、Science Advances誌の研究で示された（https://www[.]nature[.]com/articles/d41586-026-01644-z）。

Hamburg大学・Schwabe氏らが121名を対象に実験。脳イメージングで海馬（hippocampus）の活動低下を直接確認した点が新しく、研究外の神経科学者も「説得力がある」と評価している。

実験の仕組みがうまい。1日目に「動物＋顔の写真」のペアを記憶、2日目に半数だけ模擬就職面接（役割の正当性を主張しながら複雑な暗算）でストレスをかけ「動物＋3D形状」のペアを追加記憶、その後「この3D形状に対応する顔は？」を問う。2日分の記憶を間接的につなぐ推論課題で、ストレスグループは成功率が低下した。

ポイントは「ストレスは記憶を消すのではなく、記憶と記憶をつなぐことを阻害する」という点。テストや面接、緊急時に「頭が働かない」感覚は、記憶がないのではなく脳が点と点を結べなくなっている状態だと思う。

[Itaru Tomita / 冨田到 @itarutomy]

@catnose99 確かに最終的にはテレパシーかと思ったんですけど、そもそも入力しないみたいな方向になるのかもしれないですね

[イッチ @qs_qt2010]

二つ目については直観的に理解できるものの、一つ目と三つ目は以外といった感じ。特に三つ目はmulti agentをweak learnerと捉える論文があった分、意外

LLMの賢さはCoTとRLがブレイクスルーになっているわけだが、in context learingと同様、抽象化をするには、というお題が当分続きそう

[ひろきん｜マーケAI OS「ENSOR」開発者 @OMOUMAMA_AI]

朝活:DAY369
おはようございます！
この自己改善の研究はa参考にしたいところだな。
swebenchで実用度評価ってのが、効いてるかどうかには有効そうだな。

[masa@システムエンジニア @masahir0808]

論文に書いてあるけど、
「信頼できるフィードバックがあるかないか」が改善ループの中核。
実務では正確がない事も多いから、その設計が難しい

[α-boy💹金融市場ハッカー @alphaboy3000]

> 「どんな手順書を持っているか」が競争力の源泉になる時代の入口が、見え始めている。

手順書を最強に改善する最強のメタ手順書.mdほしい

[Oliur @UltraLinx]

Black mirror vibes but also an incredible idea ngl.

[Itaru Tomita / 冨田到 @itarutomy]

ドローン群での捜索救助や自動運転車の交差点制御など、帯域幅が厳しく制限される環境でのマルチエージェントRL（複数のAIが協調して行動を学ぶ枠組み）新手法「SLIM」が発表された（https://arxiv[.]org/abs/2605.21085）。

問題の核心は「coupled bottleneck（結合ボトルネック）」と呼ばれる設計上の欠陥にある。既存の多くの手法では、エージェントが観測を圧縮した特徴表現を政策（どう行動するか）と通信メッセージ（何を伝えるか）の両方に使い回している。帯域制限でメッセージを小さくしようとすると特徴表現全体が圧縮され、政策の判断力まで同時に削られる。

SLIMはここを切り離す設計で解決する。観測エンコーダの出力を2系統に分岐させ、通信モジュールにはコンパクトなメッセージ生成用の圧縮表現を渡す一方、政策モジュールには高次元の表現をそのまま届ける。先行研究のTarMACも通信と政策を分離していたが、タイムステップ間の通信だったため1ステップの遅延が発生していた。SLIMは同一タイムステップ内でリアルタイム通信を実現している。さらに部分観測環境（エージェントが周囲の一部しか見えない設定）向けにTransformerベースのメッセージ履歴キャッシュを搭載し、過去の通信履歴を統合して文脈を補完する。

4ベンチマーク評価（高帯域β=64）でSLIMが全環境で最高性能。Traffic Junction（視界ゼロで通信のみ交差点を制御するタスク）のEasy難度で成功率99.3%に対し、CommNetは31.2%と実質機能不全の水準。NavigationではCommFormer（最強の競合手法）が収束できなかったなかSLIMはリワード0.81を達成。さらに帯域をβ=1（最小値）まで絞った極限設定では、CommFormerが動作不能になる一方SLIMは安定して性能を維持した。

通信と政策の分離という設計変更は構造的にはシンプル。だが5,000GPU時間超（H100で約600回のトレーニング）に裏付けられた効果は大きい。

[Hiroaki KARASAWA | Dinii Inc. @karszawa]

これめっちゃすごいです。エンジニアへの問い合わせが激減しました。

https://t.co/vHWGLfWIwH #zenn

[Itaru Tomita / 冨田到 @itarutomy]

「CLAUDE.mdを自動で育てるシステム」が論文になった（https://arxiv[.]org/html/2605.23904v2）。

AIエージェントを新しいタスクに適応させる手段は、通常モデルのファインチューニングだ。SkillOptはその前提を覆す。GPT・Qwenなどのモデル本体は一切更新せず、CLAUDE.mdのような自然言語の手順書ファイル（スキル文書）だけを繰り返し改善する。

仕組みは深層学習のトレーニングループをテキスト空間で再現したもの。エージェントの実行ログをバッチで収集し、別の最適化LLMが失敗と成功を分析して「追加/削除/置換」の編集を提案。提案された編集は検証セットで性能が上がるか実際に確認（バリデーションゲート）され、合格したものだけが手順書に書き込まれる。却下された編集は「やってはいけない修正の記憶」として保存され、次の反省ループで活用される。深層学習でいう学習率・バリデーション・モメンタムをテキスト操作だけで実現した構成だ。

結果が驚異的だった。6ベンチマーク×7モデル×3実行環境の52セル全てでSOTA。GPT-5.5では表計算（SpreadsheetBench）が41.8→80.7、文書QA（OfficeQA）が33.1→72.1に改善。特にLiveMathとOfficeQAはたった1回の承認済み編集でこの改善を達成している。

学習後の手順書に書き込まれたルールを見ると、仕組みの本質がわかる。SpreadsheetBenchで自動生成されたルールがこれだ。「Excelの数式再計算に頼らず、評価済みの静的な値をターゲット範囲に直接書き込め」。これは熟練者が試行錯誤の末に気づくようなノウハウが、自動生成・自動検証されたもの。しかも学習済みスキルは別のモデルや実行環境にも転用可能で、Codexで学習したスキルをClaude Codeに転用するだけでSpreadsheetBenchが+59.7ポイント向上する。

「どんな手順書を持っているか」が競争力の源泉になる時代の入口が、見え始めている。

[Itaru Tomita / 冨田到 @itarutomy]

AIエージェントが経験からスキルを自動生成できるかを評価するベンチマーク「SkillEvolBench」が発表された（https://arxiv[.]org/html/2605.24117v1）。

「スキル」とは、エージェントが後から読み込んで使える手順書のこと。人間なら「前回はこの手順でうまくいった」と経験を汎用化できるが、AIエージェントにそれができるかを6環境・180タスク・10モデルで体系的に検証した。

反直感的な発見が三つある。

一つ目。人間が書いた手順書でも「更新なし」で渡すと逆効果で、10モデル中7モデルで成績が悪化（平均-2.44ポイント）。新タスクで文脈が変わると、固定された手順書が「誤ったバイアス」に化ける。失敗時だけ更新する設定も10モデル中8モデルが悪化し（平均-2.56ポイント）、毎回更新してようやく5モデルが改善する程度だった（平均+0.44ポイント）。

二つ目。スキルに蒸留せず生の実行履歴をそのまま参照する方法が、蒸留したスキルより多くの指標で優れていた。変換過程で「なぜこの手順が必要か」という文脈情報が失われる「lossy abstraction bottleneck（損失のある抽象化）」が起きているからとみられる。

三つ目。スキルライブラリを大きくしてもデプロイ成功率は改善しないことが多く、コミュニケーション・スケジューリング環境（E6）では複数スキルの組み合わせ成功率が全10モデルで0%だった。

「何を汎用化すべきか」を選り分けられない限り、経験を積むほどノイズが溜まるだけになる。エージェントの学習設計に根本的な問いを投げかける結果だ。

[Itaru Tomita / 冨田到 @itarutomy]

SciAtlasという学術知識グラフが公開された（https://arxiv[.]org/html/2605.22878v1）。OpenAlex（4.8億論文を収録するオープンアーカイブ）から英語・高品質論文を選別し、4330万論文・1億5700万エンティティ・30億の関係（トリプレット）を26分野にわたってグラフ構造に格納している。

現状の論文検索AIには2つの壁がある。キーワードや意味ベクトルによる検索は類似度を測るだけで、引用・共著・キーワード共起といったグラフ構造上の複雑なつながりを辿れない。一方でDeep Research系エージェントはLLMを何度もループさせるため計算コストが高く、構造的な「認知地図」がない状態で探索するためハルシネーション（存在しない文献を出力すること）も起きやすい。

SciAtlasはこれを「ニューロシンボリック（ニューラルネットワークと記号的推論の組み合わせ）検索」で解く。Qwen3-30Bで論文ごとに3〜8個のコアキーワードを抽出（計376万語）し、キーワード・意味・タイトルの3経路で候補を収集。その後 Random Walk with Restart（グラフ上を確率的に歩いて関連ノードを伝播させるアルゴリズム）でリランキングする。「意味的に似ている」に加えて「引用・共著ネットワーク上で構造的に重要な論文」も発見できる。

検索は2分以内で完了し、スコアの内訳と経路説明付きで結果を返す。文献レビュー、アイデアの新規性チェック（自分のアイデアと先行研究の差分を見つけること）、研究トレンド予測、関連著者の探索まで対応。GitHubリポジトリも公開済み（https://github[.]com/zjunlp/SciAtlas）。

[Itaru Tomita / 冨田到 @itarutomy]

「AIが待ち時間に先読みする」新アーキテクチャ「ProAct」が発表された（https://arxiv[.]org/html/2605.25971v2）。

今のAIエージェント（自律的にタスクをこなすAI）は「反応型」だ。ユーザーが話しかけるまで何もしない。答えを返した後の空き時間は丸ごと無駄になっている。

ProActはこの空き時間を先読み準備に使う。会話履歴と長期メモリから次に来そうな需要を予測し（Future-State Prediction）、価値が高いものだけバックグラウンドで情報収集・証拠準備する（Idle-Time Acquisition）。準備できたら先出し通知するか、次の返答にこっそり組み込む。

論文のablation（構成要素を外す実験）が鋭い。バックグラウンド収集を予測なしで盲目的にやっても効果はほぼゼロ（必要ターン数の改善は0.9%止まり）。予測コンポーネントを加えて初めて14.8%削減が実現する。「何を先読みするか」が全てで、ただ動かすだけでは意味がない。

200シナリオ・40ドメインのベンチマーク「ProActEval」で検証。必要ターン数14.8%削減、ユーザーの明示的な質問回数11.7%減、ハルシネーション（AIが根拠なく事実を作る誤り）率28.1%削減。1,572個の予測可能な需要のうち703個を先読みできた（比較手法「ProactiveAgent」は32個）。

先読みのために文脈を深く読み込む設計が、精度面での底上げにも効いているのかもしれない。

[Philipp Schmid @_philschmid]

We made a collection @GoogleDeepMind scientific agent skils for research tasks, genomics, structural biology, cheminformatics, literature search, and more.

👉https://t.co/zkPuCtmwEE
https://t.co/zkPuCtmwEE