AICompany AIが読む前の処理を速くする。tokenizers v1の「3〜30倍」はどこに効くのか
Hugging Faceのtokenizers v1は、出力…
AIエージェントはツールを減らすと強くなる？4モデル・176設定が示す設計の分かれ道
コーディングAIの専用ツールを外すと、成績が上がるモデルも下…
AIエージェントの「直ったはず」を確かめる。Chronicleが失敗ログを回帰テストに変える仕組み
同じ依頼で成功しても、修正が効いたとは限りません。Chron…
コーディングAIの順位差はどこまで信じられる？SWE-benchの公開結果を再点検
SWE-benchの過去の公開結果を調べた研究は、細かな順位…
AIのスキルは、書き直すより試し方が大事。COBRA-Skillsの改善ループ
AIの手順書を、実行結果から育てるCOBRA-Skills。…
AIの答えが古い原因はどこにある？ChurnBenchで見る情報の更新間隔
AIの計算が正しくても、参照した情報が古ければ答えは間違いま…
AIのテストが修正を悪くする？ ExecCriticが問う「合格基準」の質
テストを追加すると修正成功率が下がることも。ExecCrit…
AIが人の3.1倍の時間働く研究室。OpenAIの実測から考える「任せ方」と「測り方」
AIの稼働時間が増えても、仕事が同じ割合で進むとは限りません…
Claudeがフェルマーの証明を形式化。長い仕事を支えた「検証して渡す」仕組み
Anthropicが公開したフェルマーの最終定理の形式化。既…
テストを通っても3件に1件はレビュー失格。SWE-Gateが示したコードエージェント評価の盲点
機能テストを通ったAIの修正でも、34.3%がレビュー由来の…