01開発Hugging Face発表 2026.10.22
データベース検証を報酬に使うエージェント事後学習
MicrosoftとHugging Faceは、エージェントが操作後に残したデータベースの最終状態を実行可能なチェックで判定し、その結果を強化学習の報酬に用いるThinkingBox-TrainingをGitHubで公開したと報告しました。Qwen3.8-27Bを、ベンチマーク外の同形式タスクで50ステップのGRPOにより学習し、未学習のThinkingBox-Bench 507タスクで評価した結果、平均成功率は51.70%から60.78%へ上昇。一方、少なくとも1回成功したタスク数は453から446へ減少しました。
発表元の記事を読む ↗（新しいタブ）
編集図解 · AI coach何が変わる？ 事実を整理| 発表主体 | MicrosoftとHugging Faceの共同ブログ |
|---|
| 公開物 | ThinkingBox-TrainingをGitHubで公開 |
|---|
| 評価対象 | ThinkingBox-Benchの507タスク、各20回試行 |
|---|
| 主な結果 | Observed 20/20は38件から107件、平均成功率は51.70%から60.78% |
|---|
We then used the same kind of executable signal as a reward on training tasks outside ThinkingBox-Bench.
日本語訳その後、ThinkingBox-Benchの外にある訓練タスクで、同種の実行可能なシグナルを報酬として使った。
出典：Hugging Face ↗（新しいタブで原文を開く）
出典：Hugging Face ↗（新しいタブで原文を開く） 「Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox」
02研究Hugging Face発表 2026.10.23
先行研究に応じて研究案を見直すLitPivot
Ai2とペンシルベニア大学の協力チームは、先行研究を読んだことを契機に研究の方向性を修正する作業を支援するLitPivotを開発しました。利用者が短い研究提案の問題、貢献、評価計画に当たる部分を選ぶと、システムはその部分に関連する論文を整理し、選んだ論文の抜粋に基づく批評と改訂案を提示します。17人の研究者による比較では、専門家がLitPivotで作成した提案を、テキストエディタとAIチャットを使う条件よりも関連文献により根拠づけられていると評価しました。
発表元の記事を読む ↗（新しいタブ）
編集図解 · AI coach何が変わる？ 事実を整理| 開発主体 | Ai2とペンシルベニア大学の協力チーム |
|---|
| 主な対象 | 初期段階の研究アイデア創出 |
|---|
| 文献取得 | Asta Paper Finderで取得した論文を利用 |
|---|
| 発表予定 | UIST 2026（デトロイト）で発表予定 |
|---|
We call this process a literature-initiated pivot: a change in research direction prompted by reading prior work.
日本語訳私たちはこの過程を「文献起点のピボット」と呼ぶ。先行研究を読むことによって促される、研究方向の変更である。
出典：Hugging Face ↗（新しいタブで原文を開く）
出典：Hugging Face ↗（新しいタブで原文を開く） 「LitPivot: Developing research ideas through dynamic contextualization within the literature landscape」
