タイムライン検索

2026年4月22日

中国のAI企業Moonshot AIは、新型会話型AI「Kimi K2.6」を発表した。今回のアップデートの最大の特徴は、複数のエージェント機能を同時に連携させられる点だ。 従来のAIシステムでは単一のエージェントが個別のタスクを処理していたが、K2.6では異なる役割を持つ複数のエージェントを組み合わせることで、より高度で複雑な業務に対応することが可能になった。これにより、データ分析から文書作成、プロジェクト管理など、多段階のプロセスが必要とされる作業をより効率的に実行できるようになる。 同社によれば、このマルチエージェント連携機能により、AIの汎用性が大幅に向上し、ビジネスや研究開発など様々な分野での応用範囲が拡がることが期待されている。 （引用元：Moonshot AI）

2026年5月12日

Geminiで構築された協調的AIパートナー「Co-Scientist」を紹介。研究者が科学的なブレークスルーを加速させるのを支援する。

Google DeepMind

2026年5月27日

このポストでは、統合アーキテクチャを使用して、並列推論、コンテキスト永続性、追跡可能な実行パスを実証するマルチエージェントキャンペーンレビュー システムの構築方法を学ぶことができます。

AWS Machine Learning Blog

2026年5月27日

このポストでは、LangGraphエージェントをオーケストレーターとして統合し、Amazon Bedrock AgentCore Memoryと連携させて、AWS上に高度にスケーラブルでサーバーレスなマルチエージェント生成AI システムを構築するソリューションを提供しています。

AWS Machine Learning Blog

2026年5月29日

大規模言語モデル(LLM)は流暢な対話を生成できますが、先行研究は状況的な根拠付け、動的戦略制御、および動機面接(MI)の臨床基準に合致した評価が不足しています。我々はStoryMIを導入しました。これは制御可能なMI対話生成のための複数LLMエージェントフレームワークです。

arXiv cs.CL

2026年5月29日

人間の協調は、戦略的行動を通じて他者の信念に影響を与える能力に依存している。マルチエージェント強化学習では、対戦相手形成がこの影響を複製しようとしているが、既存の方法は通常、対戦相手のパラメータ、ポリシー、または価値空間内で動作している。

arXiv cs.AI

2026年5月29日

ハルシネーションは本番LLMシステムにおける主要な信頼性の障壁であり、特にマルチエージェントパイプラインでは根拠のない主張が段階を通じて伝播する可能性があります。本論文は、HOPE着想のネストされた学習アーキテクチャとコンティニュアムメモリシステム(CMS)を応用しています。

arXiv cs.AI

2026年5月30日

ソフトウェア品質保証を手がける企業の従業員による芸術作品が、「可能性アートプロジェクト2026」に採用されました。本来は異なる分野に見える事例ですが、これは現代企業の人材戦略が大きく変わっていることを示しています。従来、企業では仕事と個人の創作活動を厳密に分離してきましたが、競争が激化する中で、多様な思考や創意工夫を持つ人材の確保が経営課題となり、企業文化として創造性を育成する動きが広がっています。このような採用は従業員にとって職場での創作が社会的価値を持つことを示すシグナルとなり、企業側も多元的才能を育成する組織として社外に認識されるメリットがあります。

PR TIMES

2026年6月1日

本論文は、光学およびSAR衛星を含む地球観測ミッションを実施する異種衛星クラスターにおける自律的なリソース管理の問題に対処し、自動運用モードでは衛星に知的能力を備える。

arXiv cs.AI

2026年6月1日

状態拡張ポリシー学習と双対変数の分散コンセンサスを組み合わせた制約付きマルチエージェント強化学習の分散アプローチを提示する。本手法は、エージェントが分離可能なダイナミクスを持つシステムを対象とし、グローバルリソース制約を満たすために調整する必要がある。

arXiv cs.LG

2026年6月1日

マルチエージェントLLMシステムはしばしば合意を証拠として扱い、パネル内の多くのエージェントが同じ答えを出した場合、その答えはより信頼性が高いと想定される。本研究は、エージェント間の通信後にこの仮定が失敗する可能性があることを示す。通信は相関した失敗と偽の合意を引き起こす可能性がある。

arXiv cs.CL

2026年6月2日

マルチエージェント戦略的相互作用のための言語モデルエージェントの訓練には、中核的な困難が存在します。任意のアクションの質は、実現しなかった将来のイベント、ゲーム規則に違反する動き、または他のプレイヤーの決定に依存する可能性があります。標準的な強化学習はこれを想定していません。

arXiv cs.AI

2026年6月2日

arXiv:2606.00440v1 発表タイプ：新規 概要：検証可能な報酬による強化学習は、ビジョン言語モデルの推論を急速に進歩させています。ただし、胸部X線レポート生成の場合、標準的な報酬（正確一致精度およびステップレベルのプロセス）は、レポートが順序付けされていない直交的な検査結果で構成されているため、互換性がありません。

arXiv cs.AI

2026年6月2日

AIエージェントが孤立したツールから共有知識エコシステムの協力的参加者へと移行する中、集団的知識の選別ガバナンスが重要な課題となっています。人間のプラットフォームガバナンスメカニズムは直接適用できません。エージェントの無ステート性は抑止力ベースの制裁を損なうため。

arXiv cs.AI

2026年6月4日

マルチエージェント推論システムの効率化に向けた新しいアプローチが提案された。従来の方式では、推論を完了した後に結果を次のエージェントに転送していたため、システムの深さに応じて処理遅延が増加していた。 新手法「StreamMA」は、この課題に対し、各推論ステップを逐次的に後続エージェントへ送信する仕組みを導入。これにより、全プロセスの完了を待つことなく、段階的に情報を流通させることが可能となる。 注目される点は、推論の初期段階ほど信頼性が高いという特性を活用している点。信度の高い段階の情報のみを選別して利用することで、エラーの発生を抑制しながらシステム全体の精度向上を実現しているという。 この手法により、複数のエージェントが連携する推論システムにおいて、応答時間の短縮と信頼性の向上を両立させることが期待される。 （出典：arXiv cs.CL）

2026年6月4日

はじめに Google I/O 2026で一番の衝撃は、新モデルではなく Antigravity 2.0 でした。AI搭載IDEだった1.0から、マルチエージェント・オーケストレーション基盤へと完全に生まれ変わったのです。 内部テストの数字は圧倒的です： 93体のエ...

Qiita 人気記事

2026年6月5日

日立製作所は、熟練者の知識やノウハウをAIが学習できる形に変換して、品質保証業務を自動化するAIエージェントを開発しました。このシステムは、複雑な検査プロセスを効率化し、作業時間の大幅な削減を実現するとのこと。製造業における人手不足や業務負担の課題を解決する手段として、クラウドを通じた提供が予定されています。熟練者の暗黙知を活用する新しいアプローチにより、品質を維持しながら生産性を向上させることが期待されています。

Yahoo!ニュース IT

2026年6月5日

株式会社日立製作所（以下、日立）は4日、膨大な過去の品質関連データから最適な知見を導き出し、製造業の品質保証業務を大幅に効率化するAIエージェント「品質ナレッジシステム」を、HMAX Industryのラインアップとして4月に提供開始したと発表した。

クラウド Watch

2026年6月5日

日立は6月4日、膨大な過去の品質関連データから最適な知見を導き出し、製造業の品質保証業務を大幅に効率化するAIエージェント「品質ナレッジシステム」をHMAX Industryのラインアップとして提供

Yahoo!ニュース IT

2026年6月8日

自然言語テキストから複雑な推論を形式化することは、計算言語学における中心的な課題である。現在の議論マイニング技術は基本的な主張と前提を識別するが、前提のタイプ、証明基準、議論スキームなどの特徴を組み込むカーネアデス議論枠組み（CAF）といった高度なスキーマが必要とする豊かな構造情報を捉えるのに苦労している。本研究は、浅い議論構造をCAF準拠の議論モデルに充実させるために設計された自動マルチエージェントフレームワークCAF-Genを導入することでこの制限に対処している。反復的なクリエイター・レビュアーパイプラインを採用することで、クリエイターエージェントの出力は批評的エージェントによって検証され、構造的整合性が確保される。このマルチエージェント協働は、単一パス生成モデルに典型的な構造的不安定性を軽減するために重要である。実験結果は、反復的なフィードバックループが結果データの品質を向上させ、元のアノテーションとの強い一致を達成しながら、構造的により豊かなモデルを生成することを示している。

arXiv cs.CL

2026年6月10日

データジャーナリストエージェント「Data2Story」は、生のデータから非専門家が信頼できる物語を生成するマルチエージェントフレームワークです。 このシステムは、データの分析、視覚化、記事作成までを一貫して行い、仮想のニュースルームとして機能します。 すべての主張がデータ、コード、外部参照に根拠を持つ検証可能性と、読者のニーズに応じたマルチモーダルな記事生成が特徴です。

arXiv cs.CL

2026年6月10日

Google DeepMindは、複数の人工知能（AI）システムが相互に作用する「マルチエージェントAI」の安全性研究に対し、1,000万ドルの助成金を供与すると発表しました。この資金は、同社が提携する研究機関を通じて提供されます。 近年、AI技術の発展は目覚ましく、単一のAIだけでなく、複数のAIが連携して動作するシステムの開発が進んでいます。しかし、このような複雑なシステムにおいては、個々のAIが安全に設計されていても、それらが相互作用する過程で予期せぬ問題が発生する可能性が指摘されています。 今回の助成金は、マルチエージェントAIシステムにおける潜在的なリスクを特定し、そのリスクを軽減するための新たな研究を支援することを目的としています。具体的には、複数のAI間の協調性、競合、あるいは誤作動が引き起こす可能性のある問題に対し、どのようにして堅牢で安全なシステムを構築するかといったテーマが研究対象となる見込みです。 Google DeepMindは、この取り組みを通じて、AI技術が社会に安全かつ有益な形で統合されるための基盤を強化したい考えです。 引用元: Google DeepMind

Google DeepMind

2026年6月10日

Google DeepMindとパートナー企業が、マルチエージェントAIの安全性研究のために1000万ドルの資金提供を呼びかけています。

Google DeepMind

2026年6月11日

arXiv:2606.11199v1 新規発表。 本稿では、NeurIPS 2025のMMU-RAGentコンペティションに提出され、テキスト間生成タスク部門でベストダイナミック評価を受賞した、構造化マルチエージェント検索拡張生成（RAG）システム「NightFeats」を紹介します。ベンチマーク最大化を目標とするのではなく、本研究は知識合成を検索、キュレーション、構成の3つの連携フェーズに分解する原則的なパイプラインを提案します。各フェーズは、明示的な中間表現とハンドオフ契約によって管理されます。エージェンティックコンテキストエンジニアリング（ACE）に着想を得て、本システムは、時間的意味的再ランキング、有界矛盾解消、引用保存構成をコアアーキテクチャプリミティブとして導入しています。

arXiv cs.CL

2026年6月12日

数百万のAIエージェントがネット上で互いにやり取りするようになったとき、何が起きるのか。グーグル・ディープマインドは、その答えを探る安全性研究に、パートナーと組んで1000万ドルを投じる。リスクが深刻になる転換点は数カ月先だと見て、いまから備えるねらいだ。

ASCII.jp

2026年6月12日

はじめに 増田さんの開催されている、設計コミュニティSCSDの３回目に参加してきました。 設計コミュニティSCSD（第3回：テスト設計）での 今回は、 テストの設計 に論点を置いてディスカッションが行われました。 品質保証の話から、どうやってテスト設計の勉強してき...

Qiita 人気記事

2026年6月14日

はじめに ― AI開発で本当に怖いのは「少数の整合性崩壊」 AI エージェントに 100 件のタスクを任せたとします。おそらく 95 件は正しく実装されます。問題は残りの 5 件です。

Zenn

2026年6月16日

放射線レポートの評価は、自動レポート生成の進歩に不可欠です。自然言語生成メトリクスは臨床的関連性が限定的です。臨床的有効性（CE）メトリクスは重要な医学的所見を評価しますが、主に存在に焦点を当て、限定的なエンティティしかカバーしません。手動アノテーションへの重い依存により、CEメトリクスが臨床エンティティや属性を拡張することは困難です。臨床現場では、放射線レポートは情報伝達の媒体として機能します。臨床医は、画像を直接検査することなく、下流の診断タスクを実行するためにこれらを使用します。この洞察に基づき、放射線レポート生成システムの詳細な定量的分析をサポートする、臨床関連で柔軟な放射線レポート評価フレームワークであるReportQAを提案します。まず、複数の画像モダリティと解剖学的領域をカバーするデータセットを収集します。次に、放射線科医のガイダンスを得て臨床エンティティと属性の知識ツリーを構築し、大規模言語モデル（LLM）を使用して生のレポートから構造化情報を抽出します。

arXiv cs.CL

2026年6月16日

言語モデルエージェントがチームで協力する機会が増える中、各エージェントはチームメイトをどれだけ信頼するかを決定する必要があります。しかし、AIエージェント間の信頼を測定する標準的な方法がありません。本研究では、コストのかかる検証に基づく行動測定法を提案します。協力的なサバイバルゲームでは、チームメイトの作業をチェックするにはリソースを消費しますが、間違った答えを信頼すると致命的になり得ます。同じモデルの記憶のないバージョンと比較して、検証の削減は信頼の観測可能な尺度を提供します。このフレームワークを使用して、6つの最先端モデルのスナップショットにわたる信頼の形成、破綻、回復を調査します。一貫して信頼できるチームメイトとペアになった場合、4つのスナップショット（Claude Opus 4.6、Claude Sonnet 4.6、GPT-5.1、Gemini 3.1 Pro）は検証を約60〜85％削減しましたが、2つのより小さなスナップショットはほとんど調整を示しませんでした。失敗は信頼の割引を逆転させますが、モデルの対応は異なります。

arXiv cs.AI

2026年6月17日

大規模言語モデル（LLM）は、受動的な会話アシスタントから、目標を理解し、行動を計画し、ツールを呼び出し、多段階のタスクを実行できる自律エージェントへの移行を加速させています。しかし、単一エージェントの能力は、ローカルデータ、ツール権限、実行環境、およびガバナンスの境界によって依然として制限されています。本稿では、分散型汎用エージェントネットワークについて考察します。これは、個人のデバイス、エッジノード、または自律コンピューティング環境に展開された異種エージェントがお互いを発見し、信頼を確立し、協力ルールを交渉し、オープンエンドなタスクを実行できる、オープンなピアツーピアネットワークです。このようなネットワークは、既存のピアツーピアオーバーレイと従来のマルチエージェントシステムを単純に組み合わせるだけでは得られないと論じます。従来のP2Pネットワークとは異なり、エージェントネットワークは、意図、能力、状態、および協力制約に関するセマンティック宣言を伝播する必要があります。

arXiv cs.AI