8月18日夜の収集分から。エージェントを安全に運用できるかを掘る研究が目立った一日で、長い会話を圧縮するとユーザーの指示がどれだけ失われるかを測った調査と、自動研究タスクでエージェントがなぜ失敗するかを45の失敗モードに整理した診断研究が並んだ。学習面ではGoogleがエージェント実装の無料ガイド5本を公開。国内ではDeepSeek Harnessのプラグインを探す市場が早くも登場している。

AIシステム、文脈圧縮の際にユーザーの指示を平均83%取りこぼす

長時間稼働するAIシステムは、会話がコンテキストウィンドウの上限を超えると、それまでのやり取りを要約して詰め直す「圧縮（compaction）」を行う。Penn Stateの研究によると、この圧縮の過程で「承認なしにメールを送らない」のようなユーザー側のルールが平均83%失われるという。

厄介なのは静かに消える点だ。圧縮後の会話は一見自然につながって見えるため、ユーザーは安全上の指示がもう効いていないことに気づきにくい。長期稼働を前提とするエージェント運用では、モデルの能力とは別軸の信頼性問題になる。

研究チームは対策として、Qwen3.5-9Bをベースにした小さなアドオンモジュールを提案している。これを組み合わせると、失われがちだった制約の90%以上を保持できたという。9B級の小さいモデルで成立するなら、既存システムへの後付けも現実的なコストで収まりそうだ。

エージェントはなぜ自動研究で失敗するか — 45の失敗モード分類「ARFT」を公開

Hugging Face Daily Papersで注目を集めていた研究。自律研究（AutoResearch）を100の実世界フロンティア研究タスクでストレステストし、計800本のトラジェクトリを8つのハーネス×モデル組み合わせで診断した。

結果はシンプルで、すべての失敗が「エージェントが自分を疑い、自分を修正できない」という一点に帰着したという。ボトルネックは能力ではなくメタ認知だと結論づけている。研究チームは失敗の様相を45のモードに整理した分類「ARFT」を公開している。

先日の「AIエージェントを『自律研究者』と呼ぶのは早い」という議論を裏付ける形のデータだ。ベンチマークの点数ではなく「どこでどう崩れるか」の共通言語ができると、ハーネス側とモデル側のどちらを直すべきかの判断も付きやすくなる。エージェント評価が正答率から失敗の質へ移りつつある象徴的な研究といえる。

TRACE-Bench — マルチリファレンス画像生成を4つの原子演算子に分解

複数の参照画像を組み合わせて生成する「マルチリファレンス画像生成」は、統一マルチモーダルモデルの進化とともに実用が進む領域だが、既存ベンチマークは「subject composition」のような事前定義タスク型が中心で、この組み合わせ的な設定には不向きだった。タスク型ではカバレッジが断片化し、複雑度を制御できず、診断価値も低くなりがちだと指摘されている。

TRACE-Benchはここに能力指向の視点を持ち込む。多様なマルチリファレンスタスクが共通して持つ原子的操作に着目し、4つの演算子 — Anchor、Disentangle、Apply（⊕）、Compose — を形式化した。任意のマルチリファレンスプロンプトをこの演算子の列として表現できるため、モデルの「どの操作が苦手か」を分解して診断できる設計だ。

Google、AIエージェントの実践ガイド5本を無料公開

Googleが、AIエージェントの基礎から本番実装までを学べる5つのガイドを無償公開した。Kaggleと共同で実施した研修プログラムを基にした内容で、開発者の実務に直結する知識を習得できるという。

エージェント構築の学習素材は今、ブログ記事や各フレームワークのドキュメントに断片的に散らばっている。基礎から本番実装までを体系立てた公式ガイドが無料で揃うのは、これから着手する人にとって大きな障壁低下になる。

DeepSeek Harnessのプラグイン急増、有志が「DSH Marketplace」を構築

先日公開されたDeepSeek Harness（DSH）だが、プラグインがかなり増えてきたという。Qiitaでは「結局どれを入れればいいの?」という混乱に応える人気プラグイン10選の整理に加え、同じ著者がGitHubで dsh-plugin を探す手間を省くため「DSH Marketplace」を自作した経緯を紹介している。

公開から数日でプラグイン探索が課題になるほどエコシステムが膨らんだのは、ハーネス本体の完成度に加えて道具立てへの需要の強さを示している。実際の運用はプラグインの充実度で決まる面が大きく、マーケットプレース的な探索手段が初期に出てくるのはエコシステムが育つ兆候といえるだろう。

Qwen3.8-27B、16GB VRAMでも実用速度 — ローカル実測レポート2本

ローカルLLM勢にはQwen3.8-27Bの実測報告が2本。1本目は5060 TI 16GB×2の環境でQ4量子化（unsloth版/LM Studio）を動かしたもので、MTP（multi-token prediction）有効時に50〜60トークン/秒を記録したという。denseモデルでありながら、同環境のQwen 3.6（MTPありで30トークン/秒）を明確に上回ると報告している。投稿者自身、OSをWindowsからLinuxに変えた影響の可能性も否定していない。

2本目は16GB VRAMでのQwen3.6/Qwen3.8-27B完全ベンチマークで、32k〜72kコンテキストで約30〜50トークン/秒を達成する設定をまとめたセットアップガイド。バランス型プロファイルを推奨しつつ、コンテキストを賢く裁くハーネス（pi、DeepSeek Harnessなど）との併用を勧めている。冒頭で「AIで執筆したポストであること」を断った上で、数値は今後の量子化との比較資料として使ってほしいと求めているのは誠実なつくりだ。

これまで24GB VRAMやRTX 3090での実測が続いていたが、16GBというより厳しい条件でも実用速度が出るとの報告が揃ってきた。もっとも個人計測ベースで、MTPの有無・量子化・ランタイム次第で数字は大きく変わる点には注意したい。

まとめ

今日の収集分からは、エージェントを「信頼して任せられるか」という問いに研究側が本格的に答え始めた印象を受けた。能力の伸ばし方だけでなく、圧縮時の指示消失の割合や失敤モードの分類など、運用の質を左右する測定が揃ってきている。学習リソースやプラグイン市場の整備も進んでおり、エージェント実装に挑む側の環境は日々整いつつある。