今朝のAIニュース
2026年8月4日火曜日
8件のニュースを エージェント経営 編集部が選定しました。
Slides
この日のニューススライド
テキストで読む
- 01📰 公式発表 / 研究OpenAI (@OpenAI) / openai.com
OpenAI、未発表モデルの内部版が数学の未解決問題10件で新結果 — トークン代は約$2,000、ただし検証はこれから
OpenAI が「次期メジャーモデルの内部版」を使い、10年以上未解決だった数学・理論計算機科学の問題に対して10件の新しい結果を出したと発表した。トークン消費は GPT-5.6 Sol の API レート換算で約 $2,000 相当。原稿・Lean 形式の証明証明書・推論の過程を公開し、数学者が検証できる形にしているが、公開直後の時点で専門家による定理ごとのレビューは見当たらず、公開リポジトリ自身がパッケージを "agent-reviewed" と表示している。
出典を見る → - 02📰 業界ニュース / 💻 AI開発ツール@Alibaba_Qwen
Qwen3.8-Max 発表 — 2.4Tパラメータ、来週フラッグシップの重みを公開
Alibaba が最上位モデル Qwen3.8-Max（2.4Tパラメータ）を発表した。売りは性能ベンチではなく実行の長さで、空フォルダから本番投入可能な状態まで人の介入なしで到達する10日超の自律コーディングを掲げ、その全トレースを GitHub で公開している。最大のニュースは来週のオープンウェイト公開で、Max 本体に加え Qwen3.8-27B も重みが出る。
出典を見る → - 03🧠 コンテキストエンジニアリング@zostaff
「No Vibes Allowed」— エージェントの品質はコンテキストの40%から落ちる。だから Research → Plan → Implement
"context engineering" という語を作った本人の講演「No Vibes Allowed」の要約が広がっている。主張はエージェントには "dumb zone" があり、品質はコンテキストウィンドウの40%あたりから落ち始めるというもの。MCP を大量に積むとタスクを始めた時点ですでにその領域に入っている。対策として Research → Plan → Implement の3段構え (RPI) が提示されている。
出典を見る → - 04📖 技術解説・論文@dair_ai
Zero-Mem — エージェントのメモリから LLM 呼び出しを全部外す
「エージェントのメモリに LLM は本当に必要か」を検証した論文 Zero-Mem が話題になっている。実運用のメモリスタックはやりとりの要約・レコードの書き込み・検索結果の再ランキングにそれぞれ追加のモデル呼び出しを使い、トークンとレイテンシを消費するうえ要約の過程で後から必要になる証拠を捨てている。Zero-Mem はメモリの全ステップから生成を取り除き、LLM を呼ぶのは最終的な質問応答のリーダーだけにする。
出典を見る → - 05🔁 ループエンジニアリング@antpalkin
15,000ステップ・150サブエージェントの swarm — 「作った側に自分の仕事を採点させない」
単一のエージェントループは数百ステップで力尽きるという前提に対し、15,000ステップ走り切って150体のサブエージェントを立て、$11.5M 規模の実市場についてデスクレベルの分析を返してきたという実行記録。技術的な肝は規模ではなく採点の分離にあり、第1チームが作った成果物に対して第2のエージェントチームを組んで攻撃させる構成になっている。
出典を見る → - 06🎓 教育・学習素材@SatOnchain
Google が2時間の Graph Engineering 無料コースを公開 — 単体エージェントの先を教える
Google が Graph Engineering の2時間無料コースを公開した。共有されているタイムスタンプによれば、単体のエージェントを作るところから始めて、ループ工学 → グラフ工学 → 自己スロットリング → マルチエージェント・グラフシステムへと段階的に上がっていく構成になっている。
出典を見る → - 07📰 公式発表OpenAI (@OpenAI) / openai.com
GPT-Live が「話しながら聞ける」ように — 音声スタックをクライアントからモデルまで作り直し
OpenAI が GPT-Live の音声アーキテクチャを刷新した。発話中も聞き取りを続けられるようになり、ChatGPT のスケールでこれを自然に動かすためにクライアントからモデルまで音声スタックを再構築したという。音声は専用の高速パスを通り、深い推論とツール呼び出しは非同期で走るため、推論やツール実行が会話を止めない。
出典を見る → - 08📖 技術解説・論文@thesupermanmx
Google の Memory Caching — RNN が Transformer 精度に並び、線形計算量を維持したという主張
Attention の O(L^2) を回避しつつ長文の精度を保つアーキテクチャ研究が話題になっている。Memory Caching (MC) は隠れ状態のチェックポイントをキャッシュし、実効的な記憶容量を系列長とともに動的に伸ばす。複雑な in-context recall タスクで Transformer 級の精度に到達しつつ線形計算量を維持したというのが主張だが、話題になっている投稿は二次解説で原論文へのリンクがない。
出典を見る →