タイムライン検索

2025年12月8日

本記事は、PFNのインターンシップを経て現在はアルバイトとして勤務されている上田蒼一朗さんによる寄稿です。 はじめに Preferred Networks（以下PFN）ではKubernetesを用いた機械学習基盤の開発・ […] 投稿 Kubernetesスケジューラのベンチマークテスト は Preferred Networks Tech Blog に最初に表示されました。

Preferred Networks

2026年2月20日

Preferred Networksでは大規模言語モデル (LLM) PLaMoの開発を継続して行っています。 LLMを開発するにあたってその能力を評価するベンチマークは非常に重要です。英語においては様々なベンチマークが […] 投稿 日本語の自然さを測る評価手法の検証 は Preferred Networks Tech Blog に最初に表示されました。

Preferred Networks

2026年2月25日

はじめに Preferred Networksでは、大規模言語モデル「PLaMo」の開発を行っています。 PLaMoは開発サイクルにて様々なベンチマークによりその能力を評価していますが、今回はコード生成ベンチマークにてモ […] 投稿 コード生成ベンチマークのためのサンドボックス環境の開発 は Preferred Networks Tech Blog に最初に表示されました。

Preferred Networks

2026年5月15日

DatabricksがOfficeQA Proベンチマークで最先端の成績を達成したGPT-5.5をエンタープライズエージェントワークフローに活用しています。

OpenAI

2026年5月18日

Preferred Networks では、大規模言語モデル PLaMo の開発を継続して行っています。 LLM を開発するうえで、モデルの能力を適切に測定するベンチマークは重要です。英語ではさまざまなベンチマークが日々 […] 投稿 pretrained model向けのベンチマークの構築 は Preferred Networks Tech Blog に最初に表示されました。

Preferred Networks

2026年5月27日

エージェンシャルAIへのシフトは、AIファクトリーの新しいCPU要件を生み出します：高速コア、膨大なメモリ帯域幅、およびすべてのコアがアクティブな場合でも高いパフォーマンスを維持する能力です。初期ベンチマークでは...

NVIDIA Blog

2026年5月28日

アマゾンが5月27日から6月2日にかけて実施する「スマイルSALE」で、アスハダシリーズやズッカチンなどのスキンケア商品が最大15%割引となります。初夏への季節転換期にあたるこの時期は、UVケアやさっぱり系製品への需要が高まるため、オンライン小売業者が季節性を活用した戦略的なセールを展開しています。日本の化粧品市場が成熟化する中、定期的なプロモーションイベントは新規顧客獲得と需要喚起を目的とした重要なマーケティング手段となっており、ブランド側にとっても大型プラットフォームでの認知拡大機会となっています。

PR TIMES

2026年5月29日

エージェント評価は、急速に変化するオンラインシグナルと安定したオフラインベースラインを組み合わせることで最も強力になります。エージェントが時間とともに本当に改善されているかどうかを理解するには、固定ベンチマークが必要です。

AWS Machine Learning Blog

2026年5月29日

実世界の意思決定を支援するAIツールは、推奨事項を知らせ解釈可能にするシミュレーションモデルを構築できる必要があります。モデリング実務の側面を自動化できるツールは、人間の専門知識を補完する必要があり、置き換えるべきではありません。BEAMS Initiativeは、開発を指導することを目的としています。

arXiv cs.AI

2026年5月29日

arXiv:2605.29218v1 文書の発表。言語モデルをブラウジングおよびツール使用機能と組み合わせたWebエージェントは、オープンなWebアシスタントとしての可能性を示していますが、スケーラブルなプロセスレベルの監督の不足により進展が制限されています。既存のベンチマークは主に手動で構築されており、粗い開始ゴール注釈のみを提供しています。

arXiv cs.AI

2026年5月29日

推論モデルはシングルターンベンチマークで評価されているが、ユーザーが正解に異議を唱えるマルチターン対話環境に配備されている。継続的な敵対的圧力下では、これまで文書化されていない障害モードが見つかった：思考の連鎖は最初のターンから最後まで事実上正確であるが、回答は変わる。

arXiv cs.AI

2026年5月29日

これはペアリングなしパイロット監査を伴う計画方法に関する注記である。古典的なペアリング二項サンプルサイズ計算（Miettinen, 1968）を量子化ベンチマークに適応させ、ペアリングされた最小検出可能効果（MDE）の保守的な下限を提供している。

arXiv cs.LG

2026年5月29日

数学推論ベンチマークはLLMの評価に不可欠だが、多くは静的で公開評価やトレーニングパイプラインを通じて繰り返し露出しており、真の推論と暗記を区別することが困難である。一方、新しい数学問題の手動構築は...

arXiv cs.CL

2026年5月29日

MathCheck（ICLR 2025）のパラフレーズ品質監査により、129グループ中4つのセマンティック的に不正確なパラフレーズ（3.1%）が検出されました。これらを削除するとGPT-4oはランク2からランク4に低下し、Claude HaikuとDeepSeek V3がそれを上回ります。これらのランク変動は単一モデル評価では見えません。

arXiv cs.LG

2026年5月29日

多言語LLMは、指示、ソースコンテンツ、および必要な応答言語が一致しない場合にますます使用されています。既存のベンチマークは多言語命令追従評価を拡張していますが、完全にクロスされた設計内でこれら3つの役割を分離することはめったにありません。MTM-Benchを導入します。

arXiv cs.CL

2026年5月29日

arXiv:2605.29225v1 文書の発表。自己進化型エージェントは過去の失敗を反省することで時間とともに改善されますが、既存の評価には2つの制限があります。タスクスコアのみを測定して反省の質は不明であり、エージェント自身のエピソード実行に依存して特定の失敗パターンに対応するメカニズムがありません。本論文では新しいアプローチを提示しています。

arXiv cs.AI

2026年5月29日

M!LKの最新曲「アイドルパワー」のプロモーションビデオがYouTubeで公開された。

音楽ナタリー

2026年5月30日

ゴールドマン・サックスが新たな日本株投資商品「GS Plus 日本株式（TOPIXアルファ）」を発表した。この商品は、TOPIXの構成銘柄から割安性や成長性などの指標で優良企業を厳選し、指数を上回るリターンを目指すもの。日本株が長期停滞する中、機関投資家のニーズが従来のベンチマーク運用からアルファ追求型へシフトしており、データ科学や機械学習を活用した新しい運用戦略が業界で広がっている。

PR TIMES

2026年5月30日

さくらの森が福岡ソフトバンクホークスとのタイアップキャンペーンを展開し、九州限定で観戦チケット34組68名分をプレゼントします。健康食品やサプリメントを扱う同社が、地域密着型のスポーツマーケティング施策に乗り出す動きは、デジタル化時代における新しい消費者接点の構築を示しています。既存顧客のライフスタイル価値を拡張し、体験消費へ誘導するクロスセリング戦略として機能するとともに、九州限定という地理的制約が地域内での話題性を集中させる利点をもたらします。健康と活力の象徴としての野球と企業ブランド価値の親和性を融合させることで、単なるプロモーションからブランドストーリーへの昇華を目指しています。

PR TIMES

2026年5月30日

音楽配信プラットフォーム「AWA」がK-POPグループ・SHINeeの新作アルバム『Atmos』リリース記念として、限定ボイスを特集したリスニングパーティーをラウンジで開催します。楽曲カタログの充実では大手グローバル企業との差別化が困難になる中、日本の配信サービスは地域密着の付加価値を戦略の中核に据える転換を迫られています。限定イベントやボーナスコンテンツを通じてファンの滞在時間を高める施策は、単なるプロモーション ではなく、中長期的なファン基盤の拡大と収益化を目指した投資といえます。

PR TIMES

2026年5月31日

フロンティアワークスは，ホラーゲーム「アクアリウムは踊らない」の開発者，橙々氏を著者とするノベライズの制作を発表し，プロモーションムービーを公開した。特設サイトもオープンしており，公式noteでは試し読みができる。

4Gamer.net

2026年6月1日

本日6月1日、タレントの内山信二が取締役を務める株式会社シュープロモーションが株式会社ラフィーネプロモーションを完全子会社化。ラフィーネプロモーションはシュープロモーションのお笑い部門である「株式会社ラフィーネプロ」として新体制に移行することがわかった。

お笑いナタリー

2026年6月1日

文意検索用の文埋め込みモデルは主に英語コーパスで開発・評価されている。他言語、特にICD-10-CM/CIE-10コード検索での臨床検索に適用すると、リコールが劣化する傾向がみられるが、これは集約的ベンチマークでしばしば見過ごされている。

arXiv cs.CL

2026年6月1日

arXiv:2605.31021v1 現在の生成型AIのアライメント手法は、人間の判断の多様性を集計された統計的基準に縮約する単一的なベンチマーク枠組みに依存しており、文化的、人口統計学的、文脈的な評価のばらつきが見落とされている。本論文では、これらの違いを考慮したペルソナベースの評価フレームワークを提案する。

arXiv cs.AI

2026年6月1日

現在のマルチモーダルモデルは静止画像認識は得意ですが、直感的な物理推論はまだ弱点です。単一の画像からオブジェクトがどのように移動し相互作用するかを予測することは、これらのシステムにとって依然として困難です。物理推論用のベンチマークBilliardPhys-Benchを提示します。

arXiv cs.AI

2026年6月1日

arXiv:2605.30738v1 大規模言語モデルが個別のベンチマークで強い成果を上げているにもかかわらず、エージェント型推論システムにおける推論戦略の合成、中間状態の保持、ツール調整の能力は依然として課題である。本論文では、エージェント型ツール呼び出し環境における汎化性能を向上させるMAVENを提案する。

arXiv cs.AI

2026年6月1日

RAGベースの法律アシスタントの人気が高まっているが、LLMの幻覚問題は依然として重要な課題であり、正義に�悪影響を及ぼす可能性がある。ベンチマークは開発されているが、多くは合成クエリに依存しており、現実的な法律シナリオではない。さらに、カナダ法は未だ十分に評価されていない。

arXiv cs.CL

2026年6月1日

教室ビデオには観察可能な教授実践が含まれていますが、その教育学的および視覚的シグナルはモデル評価に適した形式で整理されることはめったにありません。本研究では、教室ビデオにおけるマルチモーダル教授観察のための人間検証済みベンチマークである「TeachObs」を提示します。TeachObsには30件のデータが含まれています。

arXiv cs.CL

2026年6月1日

LLMベンチマークのラベルはリリース時に固定され、エラーを含めたまま下流ベンチマークに静かに伝播される。本論文は項目反応理論に基づくインジケータを導入し、7つの選好評価および多肢選択ベンチマークにおいて95%の精度でトップ200の例における誤りラベルの可能性を検出する。

arXiv cs.CL

2026年6月1日

ヘルスケアメカニズムは、それが誘発する戦略的プロバイダー対応と不可分であり、既存のヘルスケアAIベンチマークはこの対応を固定しているため、メカニズムを生み出す均衡によって評価することができない。病院メカニズム設計を言語モデルのプログラム合成として再構築している。

arXiv cs.AI