AI評価・地域推論・創薬エージェントの新展開

Hugging Faceで公開されたCollinear AIのCWE-bench v2は、実在するオープンソースリポジトリ上で、既存機能を壊さずにセキュリティ上の弱点を探して修正するエージェントを評価するベンチマークです。公開セットは100タスク・91種類のCWEを含み、プログラムによる決定論的な採点を採用します。未公開のheld-outセットも維持され、評価にはCollinear AIへの連絡が必要です。

Ai2は、長い文書でエンティティの状態変化をどこまで追跡できるかを測るStateBenchを発表しました。状態更新の複雑さを4水準に分け、異なるアーキテクチャを比較しています。記事では、Gemini 3.8 Flash、Claude Opus 5.5、GPT-6 Sol、GPT-6 Lunaを含む4モデルが、長い入力で可溶問題と一般有限問題の精度を大きく落とし、最長の一般有限問題では13%以下になったと報告しています。

AWSはAmazon Bedrockで、Moonshot AIのオープンウェイト・マルチモーダル基盤モデルKimi K3に対するインド国内推論を提供開始したと発表しました。インド向けの地理的推論プロファイルでは、推論処理先をムンバイとハイデラバードのリージョンに限定します。記事では、インド言語文書のOCR・理解や、ヒンディー語と英語が混じるHinglishでの追加質問を例として示しています。

Google DeepMindは、Google Antigravity向けのCheminformatics Skillsを紹介しました。記事では、RDKitとChEMBL、PubChemへの接続を基盤に、文献・カタログからの化合物収集、データ整理、分子ペア解析、予測モデル作成、合成経路の提案を扱う構成を説明しています。肺がん治療薬を題材にした技術デモでは、数千の化合物を検索し、剛直化マクロサイクルと合成経路を提案する流れを示しました。