AICompany 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…
エージェント評価の途中打ち切りで入力トークンを最大44.1%削減。EarlyEvalが変える改善ループ
AIエージェントの途中経過から成功と失敗を予測し、開発中の評…
3回の開発ループでゲーム品質が49.58から71.52へ。Harness-of-Harnessが変えた長期AI開発
長期開発は、同じエージェントを長く動かすだけでは前へ進みませ…
採点表を二度使うと8Bモデルは平均4.8ポイント伸びた。PaperGymの研究計画AI
研究計画には一つの正解がありません。PaperGymは問題と…
「これ直して」だけではAIは6.4ポイント落ちる。RealSWEが暴いた実務プロンプトの弱点
同じ381タスクでも、現実らしい短い依頼ではコーディングAI…