2026年9月12日の海外AIニュースから。まずは数学だ。Nemotron 3 Ultraを起点に訓練された証明生成システムが、国際数学オリンピック（IMO）2026で金メダル閾値に相当する30点を取り、そのレシピ一式を公開した。応用では、核融合システムの安全制御をミリ秒単位の判断に任せるAIフレームワークが米プリンストンプラズマ物理研究所から発表された。このほか、1枚のGPUで画像生成モデルを丸ごと訓練した計測記録、強化学習の計算配分とエージェントの記憶管理に関する研究、そして日本語圏ではエージェントの自己修正や失敗を定量化する記事が並んだ。

Nemotronを起点にした数学証明システムがIMO 2026で金メダル閾値の30点──レシピ一式を公開

arXivに投稿された「An Open Recipe for IMO Gold: Training Nemotron for Olympiad Mathematics」が注目を集めている。NVIDIAのオープンモデル「Nemotron 3 Ultra」を出発点に、教師ありファインチューニング（SFT）と強化学習（RL）で2つの数学特化チェックポイントを訓練し、チェックポイントの選択・検証・改良の設計を系統的に評価した研究だ。仕上がったシステムは、一般公開モデルを含む3つのチェックポイントが証明の「生成・検証・改良」を反復するサーチを回し、別の高計算ステージが最終提出を選ぶというテスト時計算パイプラインで、形式検証器も外部ツールもインターネットアクセスも使わず、すべて自然言語で証明を書く構成という。

このシステムはIMO 2026で42点満点中30点を獲得し、金メダルの閾値に到達したとされる。注目すべきは得点だけでなく「オープン」な点だ。2つのポスト訓練チェックポイントに加えて、訓練データ、訓練・推論コード、実際に提出した解答、さらに既存の問題と重ならない新規200問のベンチマーク「Nemotron-IMO-Bench」まで公開されている。当サイトでも先日伝えたGPT-6 Astraが数学能力の強化を意図的に後回しにしているという報道と対照的に、オープンモデル側で証明生成のフロンティアを押し上げる動きが続いている。

核融合システムの制御判断をミリ秒で──PPPLの「Pacman」AIフレームワーク

米プリンストンプラズマ物理研究所（PPPL）は、核融合システムを安全に制御するAIフレームワークを発表し、Hacker Newsで紹介された。発表の題目によると、「Pacman」と名付けられたこのフレームワークは、核融合システムの運用における重要な判断をミリ秒単位で下すという。

核融合のプラズマ制御では、不安定化の兆候への対応が人間の判断速度を超える時間スケールで求められるため、いかに高速に、かつ安全側で判断を下すかが長年の課題だった。AIに判断を委ねるにしても、制御ミスが装置の損傷に直結する世界だけに、タイトルの先頭に「安全に（safely）」が来ている点がポイントだ。収集時点では技術詳細までは確認できていないため、手法の中身は続報を待ちたい。

1枚のGPUで210Mパラメータの画像生成モデルを訓練する──鮮度の高い実測3つ

RedditのMachineLearningコミュニティでは、210Mパラメータのテキストから画像を生成する拡散トランスフォーマー（DiT）を、1枚のRTX PRO 6000で3.5日かけてスクラッチから訓練した計測記録が注目されている。256pxの画像420万枚を使い、レシピ全体を理解することを目的にした個人の実験だが、「他でははっきり述べられていない」として3つの測定結果が共有されている。

1つ目はattentionの「淀み（sink）」の居場所だ。register tokenと学習済みの空きキー/バリュースロットを仕込んだところ、学習が進むと中間ブロックでこれらのスロットがcross-attentionの質量の約90%を集め、従来sinkになりがちだったEOSトークンは4%程度まで下がったという。2つ目は、flow-matchingの損失が「健康信号」であって「品質信号」ではないこと。損失は学習を通じて0.805→0.754とわずかにしか動かなかった一方、検証FIDは33.7→27.0、物体検出ベースの正確性は65%→90%へと大きく改善していた。3つ目は推論時のタイムステップシフトで、サンプリングステップを50に増やすより、20ステップのままシフト2.8をかける方が品質が上がったという。コード・重み・デモも公開されている。

強化学習の計算を「信念が変わる直前」に注ぐ──belief-shift branching

検証可能な報酬を使う強化学習（RLVR）では、思考連鎖の途中から分岐（フォーク）させて兄弟ロールアウトを作り、その結果の差から各ステップの価値を推定する手法が知られている。ただしフォークの置き場所が悪いと兄弟同士がほぼ同じ結論に至り、クレジット信号がほとんど得られない。arXivに投稿された「belief-shift branching」は、モデル自身が持つ「解答の信念」を候補境界で読み取り、連続する信念が最も大きく食い違うステップの直前にフォークを置く、という配置を提案した。

実装は3つ用意され、いずれもステップレベルの教師を必要としない。ブラックボックスなプローブ、logitレンズによる深さプロファイル、オフラインで学習した活性化方向で、プローブの追加コストは数学でステップ計算の約1%、コードで5%未満に収まるという。モンテカルロの価値曲線との比較では、8つのモデル×ベンチマークのパネルすべてで既存のエントロピーや構造ベースの指標を上回り、実際のRLでも3つのモデルファミリーで一貫した改善を示した。OLMo-3-7Bでは数学の集計スコアが+2.6、LiveCodeBench-mediumでは+6.5に達するとされる。

エージェントの永続メモリを環境に照らして整理──environment-probing curation

長期稼働するAIエージェントに経験を蓄える永続メモリは実用段階に入りつつあるが、管理は難しい。完了したタスクの軌跡だけを見て記憶を整理するキュレーターエージェントは、過去のエラーを正しい知識として保存したり、部分的な証拠を過度に一般化したり、古い知識を保持し続けたりしかねない。arXivに投稿された研究は、こうしたキュレーターに読み取り専用の最小権限ツールで実際の環境を調べさせる「environment-probing curation」を提案した。再訓練は不要で、タスクエージェント側の構成はそのまま変えない。

GitHub CopilotのSDKで本番類似のハーネスを組んで評価したところ、データベース探索ベンチマークCLBenchでは合格率が39%から73%へ、1問あたりのクエリ数は8.8から4.7へ、タスクエージェントのコストは3.38ドルから1.68ドルへと、精度と効率が同時に改善したという。経営コンサルティングタスクのAPEXでは6つの世界すべてでベースラインを上回り、ツール呼び出しは16〜75%減。記憶の棚卸しを「思い出」ではなく「環境に照らして」行える点が実用的で、エージェント運用の信頼性対策として注目したい。

日本語圏から──エージェントの「自己修正」と「失敗」を定量化する

Zennには、手元の389本のセッションログからエージェントのEdit呼び出し1,239件を抽出して分析した記事が掲載された。置換対象が見つからず失敗したのはわずか12件（1.0%）だった一方、成功した置換の50.0%は、同じセッションでエージェント自身がさっき書いた文字列の書き直しだったという。しかも書いてから直すまでの中央値は16手で、直後の修正は3.4%しかない。成功率が高いことと一発で書けていることは別であり、エージェントの作業品質を測る指標設計に良い示唆を与える。

同じ著者によるQiitaの記事では、セッションログ9,906件のツール呼び出しを調べ、失敗フラグが立った283件（2.9%）を分類した。実際の失敗は34.3%にとどまり、権限まわりの統治による打ち切りが33.6%、出力はあるのに終了コードが非ゼロというケースが21.2%を占めたという。「失敗に見えるもの」の3分の2は別の性質の出来事であり、ログの読み方次第でエージェント運用の見通しはかなり変わりそうだ。