エージェント 2026-07-08 Alibaba、HSコード分類でAgentの限界を測る Alibaba、HSコード分類でAgentの限界を測るを、日本のテクノロジー読者向けに要点、数字、検証すべき論点を保った形で整理した記事です。 #Alibaba#大規模モデル評価
OpenAI 2026-06-18 OpenAIのLifeSciBench、AIの科学研究ギャップを可視化 750問のベンチマークは、主要モデルが生命科学を助けられても独立研究にはまだ遠いことを示した。 #AI for Science#大規模モデル評価
AIコーディング 2026-06-15 SWE-Explore、コードエージェントは重要行を外すと示す 上海交通大学などの基準は、エージェントが正しいファイルを見つけても、バグに関係する行の命中率は14〜19%にとどまると示した。 #大規模モデル評価#AIエージェント#研究開発