AICompany テストが全部通っても移行は失敗する。SWE Refactor Benchが暴いたAI開発の盲点
テストが全部通っても、古い技術が残れば移行は未完です。20件…
コード修復AIは本番前に練習できる。SkillForgeが変えるリポジトリ学習
本番のIssueを待たず、テストから練習問題を作るSkill…
AIエージェントの失敗はどこで始まったか。LongRCA Benchが示す24.1%の壁
1,140件の長い失敗軌跡を集めたLongRCA Bench…
AIは学習アルゴリズムを改良できるか。AI4AI-Benchで見えた0.250の壁
10の研究コードをAIエージェントに改善させたAI4AI-B…
公開テスト96.64%でも完全成功47.90%。SWE-bench Scienceが暴いた科学コード修復の落とし穴
公開テストでは96.64%でも完全成功は47.90%。119…
AI評価器は「見分けられない失敗」から育つ。EvalCEGARが示した自動評価の新しい作り方
評価できない正解と誤答の組を、次の検査ルール作成へつなげるE…
長いOffice作業はGUIだけでは崩れる。OmegaUse-OfficeValが示したコード操作と成果物検証の重要性
長時間のOffice作業100件で、GUIだけのAIはなぜ崩…
AIコーディングはテストを先に書くと強くなる。TDD-Agentが実装とテストを一緒に育てる仕組み
AIに実装より先にテストを書かせ、実行結果から両方を直すTD…
30Bなのに動くのは3B。Nemotron 3.5 Lightningが長時間AIエージェントを軽くする仕組み
30B中3Bだけを動かすMoE、投機的デコード、NVFP4は…
AIエージェントを45体に増やすと何が壊れるのか。Anthropicの実験が示した協調設計の盲点
45体の脆弱性探索は専門化を生む一方、共有キューでは240万…