Cursorのエージェントスワーム：フロンティアモデルが計画し、安いモデルが実装する

Cursorが刷新したエージェントスワーム（agent swarm）アーキテクチャで、プランナーとワーカーを分離する手法の有効性が実証された。同社は新システムと旧システムに対し、SQLiteのドキュメントのみ（ソースコード・インターネットなし）を使ってRustで再実装するテストを課した。その結果、新しいプランナー/ワーカー分離構成はすべての設定でテストスイート100%を達成した。一方、旧来のスワームはマージコンフリクトに悩まされ失敗したという。

この結果は、高価なフロンティアモデルにコーディング全体を任せるのではなく、計画段階（プランニング）のみにフロンティアモデルを使い、実際の実装作業はより安価なモデルに担当させる手法が実用的であることを示唆している。エージェントアーキテクチャの設計次第で、コストと品質のバランスを大きく改善できる可能性がある。

Qwen3.6-27Bの90回ベイクオフ：ベースモデルがファインチューンを上回る

RedditのLocalLLaMAコミュニティで、ThinkingCapとFable Fusion（いずれもQwen3.6-27Bのファインチューン）とベースモデルを比較する大規模なベンチマーク実験が実施された。6つの自己採点タスク、各5回、3モデル、計90回の独立実行という念入りな構成だ。

結果は興味深い。全ランが合格し、合格率だけでは勝者が決まらなかった。コスト面ではThinkingCapがベースモデルより34%少ない思考トークンを消費し、6タスク中5タスクで最速だった。一方Fable Fusionは、ベースモデルと同じ結果を出すのに24%多くのモデル呼び出しを要した。

だが、トランスクリプト分析で差が浮き彫りになった。ThinkingCapの効率性は本物だが二極化しており、最良のランは最安だった一方、最悪のランは最も高コストだった。Fable Fusionは最も優れた調査能力を持つ一方、最も信頼できない報告者でもあった。実在の人物2人を融合して誤った帰属を行いながらも、グレーダーを通過するケースが確認された。結論として、ベースモデルが最も規律正しく、発明した事実はゼロ。ファインチューンは通常ベースより優れることはないという結果に終わった。

BeeLlama.cpp v0.4.1：KVキャッシュ精度テールでVRAM大幅削減

llama.cppのフォークであるBeeLlama.cppがv0.4.1をリリースした。主な新機能は3つ。KVarN（分散正規化KVキャッシュ量子化）、KVキャッシュ精度テール（最近のトークンをBF16/F16で保持し残りを量子化）、そしてq2_0〜q3_1、q6_0/q6_1という新しい標準KVキャッシュタイプの追加だ。

特に注目すべきは精度テール機能の効果で、tail 1024の設定によりkvarn5とq6_0がq8_0と同等の品質を維持しつつ、VRAM使用量を大幅に削減できることがKLDベンチマークで確認された。たとえばkvarn4 + tail 1024は、q8_0と比較してVRAM 56.6%で中位数KLD比91.4%を達成している。ローカルLLMの長文脈実行において、メモリ効率の改善は実用性に直結する重要な進展だ。

中国がAIモデルとチップの輸出規制強化を検討

ロイター通信（FT報道）によると、中国はAIモデルとチップの輸出規制をさらに強化することを検討している。詳細は報道ベースであり、現時点では具体的内容や施行時期は不明だが、米国側の対中半導体輸出制限への対抗措置という側面があるとみられる。

米中間のAI技術をめぐる規制のいたちごっこは、オープンウェイトモデルの公開戦略やクラウド事業者の調達先選択にも影響を与えかねない。引き続き動向を注視したい。

AMD Ryzen AI Haloのクラスタリング実験：「魔法2台あれば」は通用しない

LTT LabsがAMD Ryzen AI Haloを2台クラスタリングして推論性能の向上を試みた。AMDの公式AIクラスタリングガイドライン（RPCサーバー方式）に従い構築したものの、結果は期待外れだったという。具体的なパフォーマンス向上は見られず、クラスタリングによるボトルネックやオーバーヘッドが課題として浮上した。

同実験では確定的な結論は出なかったものの、単一チップの性能が向上する時代に、マルチチップクラスタリングがどこまで意味を持つかという問いを投げかける結果となった。ROCm/RPCの成熟度や通信オーバーヘッドの解決が鍵になりそうだ。

Proof-Adjusted Autonomy：エージェントの「自律性91%」は実は61.6%

エンジニアのpich氏が、AIエージェントの自律性を評価する新指標「Proof-Adjusted Autonomy（証明調整済み自律性）」を提案した。この指標の核は、エージェントが「何をしたか」ではなく「何を証明できるか」を基準にする点にある。

実際のプロジェクトで「90%自律」と謳われていたエージェントが、証明可能な成果で評価し直すと61.6%に過ぎなかったという。このギャップは、自律性の定義が曖昧なまま運用されている現状を浮き彫りにする。エージェントの実力を正しく測る枠組みとして、実用的な参考になりそうだ。