AIコーディングエージェントの「テストは通るのに直っていない」という弱点を突く実験、スキル選択をモデルの内側で行う新しいルーティング研究、そしてローカルLLM運用の電力効率に直結するPR──。今日集まったニュースから、開発者の実務に効く話題を中心に6本と小ネタを1つ紹介する。

テストは全部通った──でもバグは直っていない

「1つのバグを仕込んだコードに対し、26個のAIエージェントは全員テストを通過し、全員バグを残したままだった」という実験がGitHubで公開され、Hacker Newsで話題になり始めている。

収集時点ではリポジトリの詳細な実験プロトコルまで確認できていないが、主張されている核心はシンプルだ。エージェントは既存のテストスイートをパスする変更を作れるのに、仕込まれたバグの根本原因には手を触れていなかったという。

これは「テストがグリーンなら直っている」という前提がエージェント時代にどう変わるべきか、という問いを突きつける。テストカバレッジが不十分なレガシーコードベースでエージェントに修正を任せているチームにとって、評価の在り方を見直すきっかけになる実験と言えそうだ。

スキル選択をモデルの「内側」で行うGavel

エージェントに多くのツールを持たせすぎると、どのスキルをいつ使うかの判断が難しくなる。従来の主流はプログレッシブ・ディスクロージャー──スキルのメタデータをコンテキストに読み込ませて選ばせる方式だが、スキルが増えるほどコンテキストを圧迫する課題があった。

Hugging Face Daily Papersで発表された「Gavel」は、凍結したLLM自身の隠れ状態と判断だけでスキルを選ぶアプローチ。候補を隠れ状態で絞り込む「Glance」と、同一LLMの尤度とyes/no判断を組み合わせる「Verdict」の2段階で最終的なスキルを決める。バックボーンは一切学習せず、追加の訓練パラメータはQwen3-32Bでわずか790万。新スキルの登録も凍結forward pass 1回で済む。

エージェント軌道上のノイズの中でルーティング能力を測る新しいベンチマーク「SkillTraj」も同時に提案されており、スキルライブラリが膨らむエージェント運用の実務課題に正面から向き合った研究と言える。

継続学習のメカニズムを合成すると、記憶は28倍残る

同じくDaily Papersで注目を集めているのが、破滅的忘却への対処を扱った研究だ。複数の継続学習メカニズムを組み合わせるシンプルなレシピで長期間の記憶保持を大幅に改善し、3データセットの平均最終保持率が1.2%から34.9%に達した──逐次SFTの28倍という報告である。

一つの手法で押し通すのではなく、既存メカニズムを「合成」するだけでここまで伸びるという結果は、長期運用されるエージェントの記憶設計に参考になりそうだ。

RTX 5090の400Wという壁を破るLACTのPR

ローカルLLM勢にはおなじみのGPU管理ツールLACTに、VBIOSが定める最低消費電力の下限を突破するPRが登場した。

RTX 5090はストックのVBIOSだと最低400Wに固定されているが、この変更で300W程度まで下げてもテキスト生成の性能低下はごくわずかだと報告されている。RTX 6000 PRO MaxQでは最低75Wまで動作したという。シャント改造したカードの制御性も向上する模様だ。

常時稼働するローカルLLMサーバーでは消費電力がそのまま電気代に跳ねる。クロックと電圧の制的な運用が柔軟になるこのPRは、24時間運用のコスト削減に直結する実用的な変化と言える。

ローカルLLMをGIMPにつなぐMCP実験

llama.cppのMCPサーバー機能と「gimp-mcp」を組み合わせ、ローカルモデルのQwen3.6-35B-A3BをGIMPに接続する構成がLocalLLaMAで報告された。「花の絵を描いて」と最初のプロンプトを投じた結果は「まだ粗い」と率直な評価だが、セットアップ手順自体はJSON設定ファイル1つと起動オプション追加で済む手軽さだという。

画像編集アプリをローカルLLMから操作する構成が現実に動くことの示唆として、MCPの活用範囲がコード実行以外にも広がりつつあることがわかる。

ウェザーニューズ、「社外AIは漏えいが怖い」を自社開発で解決

日本勢の動きとしては、ウェザーニューズが情報漏えいリスクを抑えつつ実務に組み込みやすいAIを求めて自社開発に乗り出し、社員の8割以上が使う状態まで浸透させているという記事が掲載された。

同じ日には、日本HPの実践者が「社内AIをクラウドとローカルのどこで動かすか」という判断軸を語る記事も公開されている。モデル性能だけでなくデータの機密性と運用コストから実行環境を選ぶ──日本企業でこの議論が具体的になりつつある様子がうかがえる。

おまけ: LLMの笑いの好み

laugh.soの調査レポートによると、LLM同士のユーモア判定の一致率は54.9%〜92%とばらつきがあるものの、ほぼ全モデルが不条理系ネタとロースト形式のジョークを好む傾向があるという。判定の一貫性が最も高かったのはGeminiで、とはいえ人間よりは一貫しないとのこと。LLMに審査を任せる前に、笑いの基準くらいは共有できるかもしれない。