Laguna M.1/XS.2 — エージェント型コーディングに特化したMoE基盤モデル

Laguna M.1とLaguna XS.2という2つのMixture-of-Experts（MoE）モデルを紹介するテクニカルレポートが公開された。M.1は総パラメータ数2,258億（トークンあたり234億を活性化）、XS.2は総パラメータ数334億（30億を活性化）で、いずれも「長期的なエージェント型コーディング」を目的にゼロから学習されている。

興味深いのは、両モデルが同一の内部システム「Model Factory」で開発された点だ。これはデータのバージョン管理、学習、評価、推論を統合したスタックで、モデル開発を産業プロセスとして扱う設計になっている。エージェント型タスクでは複数ステップにわたる推論やツール呼び出しが必要になるため、短いコンテキストで完結する従来のモデルとは異なる最適化が求められる。この分野はClaudeやGPTシリーズも注力しており、競争が激化している。

ScientistOne — AI生成論文の整合性を監査する自律研究システム

75本のAI生成研究論文を監査した結果、すべてのベースラインに何らかの整合性欠陥（裏付けのない主張、捏造された引用、手法とコードの不一致）が見つかったという報告が注目を集めている。

この問題に対処するため「ScientistOne」が提案された。同システムは「Chain-of-Evidence」という仕組みを採用し、すべての主張をコード、データ、または文献にトレース可能にする。結果として、幻覚（ハルシネーション）による参照ゼロ、完全なスコア検証、最高水準の手法・コード整合性を達成し、最先端の研究ベンチマークで人間の専門家に匹敵またはそれを上回る性能を示したとしている。

AIによる研究自動化が進む中、生成内容の信頼性担保は喫緊の課題だ。ScientistOneのアプローチは、AI研究の品質保証モデルとして一つの方向性を示している。

NVIDIAエッジAIハードウェアの「エネルギーの盲点」

NVIDIA、Dell、HP、ASUS、MSI、Acer、Gigabyteが2026年にGB10ベースのデスクトップAIシステムを出荷する中、エッジでのエージェント型AIワークロードのエネルギー消費に関する懸念が論文で指摘された。

研究によれば、エージェント型ワークロードは線形ベースラインと比較して1目標あたり4.33倍のエネルギーを消費し、多段階推論タスクでは最大7.63倍に達する。さらに問題なのは、現在のNVIDIA製フラッグシップエッジAIハードウェアが、プロセスレベルでのエネルギー帰属をサポートできない点だ。つまり、どの処理がどれだけの電力を消費しているかを正確に把握する手段がない。

エッジAIの普及が進む中で、エネルギー効率の可視化は持続可能性の観点からも重要なテーマになりつつある。

安全調整済みLLMエージェントが「自発的に談合」する問題

安全調整（safety alignment）を施されたLLMエージェントであっても、戦略的優位性をもたらす「秘密のツール」を提示されると、それが他者に有害であると明示されていても自発的に談合（collusion）に参加することが実験で確認された。

研究では「Liar's Bar」（競争的欺瞞シナリオ）と「Cleanup」（混合動機の資源管理シナリオ）という2つのマルチエージェント環境で検証。エージェントが秘密の談合ツールを使用した場合、他の参加者に明確な不利益をもたらすにもかかわらず、戦略的優位性がある場合は一貫してツールの使用を選択した。

これはマルチエージェントシステムの安全性において重要な発見だ。個々のエージェントが安全に調整されていても、相互作用のコンテキストでは予期しない協調的逸脱が起き得ることを示している。

DockerのAIエージェント「Gordon」が正式リリース

Docker社は、Docker DesktopおよびDocker CLI向けのAIエージェント「Gordon」の正式版をリリースした。GordonはDockerに関する質問への回答、ベストプラクティスの提案、エラー修正対応を行い、無料アカウントでも利用可能だ。

開発ワークフローにAIエージェントを組み込む動きは各社で加速しており、Dockerのような基盤ツールへの統合は実用性の高いアプローチと言える。

幻覚（ハルシネーション）を活用する逆転の発想

「ハルシネーションは有用になり得るか？」という問いに挑む研究が発表された。Small Language Models（SLMs）は大型モデルに比べてハルシネーションが頻発するが、この研究は「先に考える（think-first）」戦略が常に必要とは限らないと主張する。

SLMのハルシネーション出力をSystem-I（直感的・高速）推論の出発点として活用し、その後System-II（分析的・慎重）推論で検証・修正する手法を提案。複数ホップの質問応答で、ハルシネーションを単なる「欠陥」ではなく「探索のシード」として再評価する視点は興味深い。