#evaluation

Claude Code v2.1.288ほか14件

個人開発エンジニア向けAIダイジェスト。コーディングエージェント、モデル更新、データ基盤、評価基準を14件で網羅。

Gemini 4 Argon発表ほか16件

Gemini 4 Argon発表、DeepSeek KVキャッシュ最適化、Claude Code v2.1.286など個人開発者の判断に直結する17件を掲載。

OpenAI DevDay 2026発表ほか16件

OpenAI DevDay 2026発表、Claude Opus 5.5性能変化測定（深掘り）、LLM推論コスト最適化、エージェント設計など17件。

Claude Sonnet 5.5ほか16件

Anthropic新モデル、OpenAI DevDay、コーディングエージェント更新、オープンモデル動向、業界経済分析を含む17件の朝版ダイジェスト。

LLM総括とエージェント実用化ほか10件

Simon WillisonのLLM総括、Holo4エージェント、Ember-1、Codex/opencodeリリース、Anthropic発言など11件。

Claude Opus 5.5発表ほか15件

Claude Opus 5.5発表と価格戦争、エージェントコスト削減、オープンウェイト実用化など、個人開発の判断を変える16件を掲載。

Claude Opus 5.5ほか13件

Claude Opus 5.5、Codex 0.156.0、Meta Muse 脆弱性、Jev、Drop など14件のAI最新情報ダイジェスト。

ZCodeの履歴漏洩ほか10件

ZCodeのGit履歴暗号化アップロード、Claude Code v2.1.277のAGENTS.md対応、Codex推論サマリー修正など、個人開発者の判断に直結する11件のAI最新情報を短くまとめた朝版ダイジェスト。

DeepSeek FlashのKV圧縮4倍ほか15件

DeepSeek-V4.1 Flashのアーキテクチャ変更からClaude統合、エージェント評価、オープンソース品質問題まで、個人開発者の判断を変える16件の一次情報。

Claude Cowork統合と新機能ほか14件

Claude統合、DeepSeekハッキング、Jev高速分類、Codex新リリースなど15件のAIダイジェスト。

JustFitで200Kローカル推論ほか15件

個人開発エンジニア向けに、ローカル200K推論や音声モデル、エージェント評価など16件の最新情報をまとめた。

Claude Codeトークン90%削減ほか14件

エージェントがNeonを選ぶ ほか19件

17k回実験でClaude/Codex/CursorがNeon/Stripeなど同じサービスを選ぶ傾向が示され個人開発のライブラリ選定をエージェント前提で見直す必要があることが示されました。GPT-6 Astraが$10/$50でAPI提供開始しARC-AGI-3 99.9%・ExploitBench 100%でFableキラーを狙うことが示されました。ローンチ36M viewsでOpenAI史上最速バズとなりDaybreakサイバー枠から段階リリースされることが示されました。Claude Code v2.1.260が/diffパネル・/costでキャッシュミス原因表示・/reload-pluginsのheadless対応をすることが示されました。OpenAI/Claude/Grokが同時ダウンしマルチベンダ冗長化が個人開発の議題となること、Codexでサブエージェントspin-up直後に404が5/5失敗し20回/10分の指数バックオフリトライ要望が出ること、LegoraがAstraで41文書を数分でレビューし性能+40%、Playcoが手戻り50%削減、Codex 0.153.2がAstra Fastを「2x speed」と修正、MinimaがGated DeltaNetハイブリッド27BをNVFP4 W4A4で完全4bit化しQwen3.8-27BのGDN側も含めて精度劣化が小さいこと、VestigeKVがNoPE-MLAのKVキャッシュ自前退避信号で11%読み出しevictionに成功すること、Compile by Trainingが自然言語仕様をローカルで動く小型アダプタへ落とすこと、Instruction Duplicationがプロンプト2回書きで決定的通過率を改善すること、ESPOがプロンプト最適化のプロンプト膨張を3段階で止めること、SWE-GateがPRレビュー制約まで含めて初めて受け入れ可能 patchと評価すること、著名フロントエンドエデュケータが離陸しAIがCSSパフォーマンス議論を肩代わりすること、Paul Graham×Vivian Shenが21年のYCと野心・AIへの驚きを語ることが示されました。以上の20件を収録しています。

Muse Spark 1.3がGPT-5.6-Sol並び世界3位で90%超割引の学習提供とopen weights予告、Claude Fable 5.1がTerminal-Bench-Science 0.1で52.6%とFable 5の24.7%から倍増、Claude Code v2.1.259がmanagedMcpServersと--permission-prompts noneを追加ほか7件

Muse Spark 1.3がGPT-5.6-Solに並ぶ世界3位の性能で学習提供90%超割引とopen weights化を予告したことが示されました。Claude Fable 5.1がTerminal-Bench-Science 0.1で52.6%とFable 5の24.7%から倍増しOpus 5の29.0%とGPT-5.6-Solの22.4%を上回り5段階のreasoningレベル検証が示されました。Claude Code v2.1.259がmanagedMcpServersと--permission-prompts noneを追加しCodex 0.153.0がVim undo/redoとプラグインマーケットプレイスを投入したことが示されました。ほか、Qwen3.5-35BをTRLとOpenEnvで水彩画生成にGRPO学習する1コマンド再現のオープンリシピ、WebLLMがWebGPUでOpenAI API互換のブラウザ内推論を実現、EarlyEvalが早期予測で100〜数千ドルのベンチマーク実行費をタスク内削減、幻覚検出をsemantic entropyとtoken logprobsで相補的に判定、RAG検索モデル選定の増分プール評価、Trace as Stateが推論トレースを先頭配置で長文メモリを指数削減を含む10件を収録しています。

Claude Fable 5.1がキャッシュ読み取り値下げで通常25%・エージェント45%安くMythos 5.1が脆弱性探索を解禁、Qwen3.8-Flash-Next 104GBを48GB Macで12 tok/s駆動するslotstreamが公開、OpenAI Astraが初のCriticalサイバー閾値に到達ほか7件

Claude Fable 5.1がキャッシュ読み取り値下げで通常25%・エージェント45%安くなりEnterprise Frontier Safeguardsでゼロデータ保持を実現しMythos 5.1が受託プログラム限定で脆弱性探索を解禁したことが示されました。Qwen3.8-Flash-Next 104GBをMacのSSDストリーミングで動かすslotstreamが48GBで12 tok/s・16GBで4 tok/sを達成しOllama/OpenAI互換APIで動作することが示されました。OpenAI Astraが初のCriticalサイバー能力閾値に到達し脆弱性発見から悪用開発まで自律的に跨げる水準と評価されDaybreak Blue経由の段階公開となることが示されました。ほか、5090 1枚で1.5時間学習した極小TransformerがARC-1でLLMを上回る実証、Vercel AI SDKが20M DL/週で1000 issue・800 PRをsoftware factoryで捌く転換、Claude Code v2.1.257のFable 5.1デフォルト化と1Mコンテキスト・$10/$50・$0.25キャッシュ対応、opencode v1.18.26のstale thinking耐性修正、Hugging FaceのWebGPUカーネル207種公開、AllenAI BenchMIRTによるベンチマーク監査、Codexの1.7GBランタイム同梱実態を含む10件を収録しています。

FalがMinimax H3を35倍高速化し生成が視聴を上回る無限ライブ配信を実現、Learned Queriesで情報抽出F1が18.6pt向上しモデル大型化を上回る、wraptureがPython関数の観測・差し替えを無改修で実現ほか7件

FalがMinimax H3をposttrainingと独自推論エンジンで35倍高速化し生成が視聴を上回る境界を突破してTwitchで無限ライブ配信を常時生成する実装が示されました。Learned Queriesが4ベンチマーク×5LLMで質問設計の改善のみでF1が18.6pt向上しモデル大型化を上回る効果を示し、文書ごとに最適な質問セットを生成するLoQとフィードバックで改善するFeedQが示されました。Graham Dumpletonのwraptureがwraptの発想を拡張して任意関数の観測・差し替え・OpenTelemetry対応を設定のみで可能にし、全行をAIが生成しつつ設計は人間が統制した開発過程が示されました。ほか、異種モデル間でKVキャッシュを翻訳して再利用するContext-Reuse層、1問あたり最大100万トークンを要する非構造データ推論を適応的構造化で削減する手法、指示・成果物・ツール出力で挙動が異なるWorking Memoryの55軌跡評価、Codex 0.152.0のVim検索（/ ? n N）・レート制限バナー・Bedrock再認証進捗・MCP名の記号対応、Whisperの1500トークン固定出力をk=2で間引きつつWERを保つTrain-Free削減、Qwen2.5-7BでINT8/INT4量子化がfaithfulnessを損なうRAG監査、語彙ヘッドを軽量プロジェクタに置換するSoft Latent Thinkingを含む10件を収録しています。

GLM-5.3が同一ベースのpost-trainingだけで50%改善しClaude Opus 4.8並みで公開、Claude Code v2.1.251がPre/PostModelSwitchフックとサブエージェントのライブ配信を追加、PR公開10分で自動プローブ・DeepSeek V4 Proが1分でエクスプロイト生成ほか7件

Z.aiが同一ベースのpost-trainingだけでZ.ai Code Benchで50%改善したGLM-5.3を公開し、Claude Opus 4.8並みの性能を1Mコンテキストで自前運用または低コストAPIとして選択できることが示されました。Claude Code v2.1.251がPreModelSwitch/PostModelSwitchフックでモデル切り替えのブロック・確認・注釈を可能にし、フォアグラウンドのサブエージェントのツール呼び出しをRemote Controlへライブ配信、/usageのSpend limitバーと/costのper-session prompt-cache表示を追加しました。OCaml cohttp 6.3.0のpath traversal修正PR公開から約10分で自動プローブが到達し、DeepSeek V4 Proが1分以内にエクスプロイトを生成できたことが報告され、公開PRが即攻撃に直結する運用への転換が示されました。ほか、OpenAI Python SDKのHTTPX2移行とOS trust store切り替え、WikiSkillのwiki共進化、SWE-Primeの2段階SFT選別、HarnessのPrivilege Escalation、VLM高速化PACE、ヒンディー語のOpen ASR Leaderboard、CritICLのweak-to-strong推論改善を含む10件を収録しています。

Raspberry Pi 5 で Qwen3.6-35B-A3B を 3.5 tok/s オフライン駆動する車載エージェント CarWatch、単一ファイルでグラフ・ベクトル・BM25 を統合する LatticeDB、プロンプト構造化で脆弱性は再分配される実証ほか7件

Raspberry Pi 5（16GB）で Qwen3.6-35B-A3B（Unsloth UD-Q3_K_S 14.3GB）を 3.5 tok/s 生成 / 25+ tok/s プロンプト処理で完全オフライン駆動し OBD・マニュアル 745ページ RAG・音声を統合した車載エージェント CarWatch が公開されました。単一ファイルでグラフ走査・HNSW ベクトル検索・BM25 全文検索を同一クエリで扱える埋め込み型グラフDB LatticeDB が公開され、0.13 μs のノード参照と 1M ベクトルで 0.83 ms / 100% recall を記録しています。構造化・セキュリティ指示を強めても脆弱性は消えず分布が移動するだけという 424 タスクでの実証が GPT-4o と LLaMA 3.1-8B で Bandit / CodeQL 評価により示されました。ほか、プロンプト手法の世代劣化、Claude Code v2.1.246 の権限修正、OpenAI Jalapeño のワットあたり 1.5〜1.9倍・レイテンシ 1.7〜3.6倍、Retrieval-Integration Gap、SMITH によるツール生成・利用の同時 RL、StepGuard のステップレベル Guard、Paul Dix の 100万行 AI 生成論を含む7件を収録しています。

OpenAI Jalapeño が Blackwell 比でワットあたり 1.5〜1.9倍・低レイテンシ 1.7〜3.6倍を InferenceX で実測、Qwen 3.8-Flash-Next 125B a6B が明日リリース、MXFP4 60B が 120B bf16 を 7/9 ベンチマークで上回るほか6件

OpenAI が Broadcom と開発した汎用推論チップ Jalapeño が InferenceX で Nvidia Blackwell 比ワットあたり 1.5〜1.9倍、低レイテンシ 1.7〜3.6倍を記録しました。Alibaba の Qwen 3.8-Flash-Next（125B a6B MoE）が明日リリースされます。Multiverse Computing の Quantization-Aware Healing で 60B MXFP4 モデルが元となった 120B bf16 を 9 ベンチマーク中 7 件で上回りました。ほか、IBM Granite 4.2（3B/8B/30B、15T トークン、512K コンテキスト）、ChatGPT Work/Codex 向け Admin plugin、Plus の 5 時間制限復活、Prime Agent ハーネス、Andrew Ng の AI Engineering 論、Interaction Tax を含む 6 件を収録しています。

Qwen 3.8 27B が知能指数 52 で GPT-5.6 Luna(max) と同点。GPT-5.6 Sol が半額、Cursor が GitHub 代替 Origin を公開ほか9件

Qwen 3.8 27B が Artificial Analysis の知能指数で 52 点を記録し、GPT-5.6 Luna(max) と同点、DeepSeek V4 Pro 0813(1.7T) に 1 点差。OpenRouter で GPT-5.6 Sol が 50% 引き、Cursor がコードホスティング Origin を全有料プランでベータ開始。RTX 3090 1枚で 99 tps の Qwen 推論エンジン、Tencent の EVIE-Preview-4.5B と UI-Mate-27B、Dan Luu の Benchmarkpocalypse も