SIGNAL2026-11-10 · AI TECH REPORT

ThinkingBox、エージェントの反復成功評価と報酬学習を拡張・Fable 5.2、約1,000エージェントでフェルマー最終定理をLean形式化など、AIの新情報

原文を確認できた4件のAI技術ニュースを紹介。

01Microsoft2026-11-06研究段階

ThinkingBox、状態検査でエージェントの評価と学習 ↗

ThinkingBoxは、業務タスクを実行するAIエージェントの評価・学習環境。エージェントを状態保持型の隔離環境で動かし、タスク終了後の記録を検査して成否を判定するほか、その判定を強化学習の報酬に使う。Microsoftの12モデル・121,680試行の分析では、状態検査で失敗した試行の67.24%が、会話やツール履歴では完了したように見えた。Qwen3.8-27Bの507課題評価では、強化学習後、20回すべて成功した課題が38件から107件に増えた一方、少なくとも1回成功した課題は453件から446件に減った。

ThinkingBox、エージェントの反復成功評価と報酬学習を拡張:原記事の冒頭画面
原記事の冒頭画面(スクリーンショット)。
02Anthropic2026-11-09API利用

Fable 5.2、約1,000エージェントでフェルマー最終定理を形式化 ↗

Claude Fable 5.2は、高度な技術課題に取り組むLLM。Anthropicは、約1,000体のエージェントを使い、最小限の人間の介入でフェルマーの最終定理の証明をLean形式に30時間で形式化したと報告した。同じ構成のOpus 5.5は18時間で形式化の26%まで進み、その後の進捗はわずかだった。基本料金は100万トークン当たり入力8ドル、出力40ドル。

Fable 5.2、約1,000エージェントでフェルマー最終定理をLean形式化:原記事の冒頭画面
原記事の冒頭画面(スクリーンショット)。
03Taro(個人開発)2026-11-09研究段階

NanoMamba-Duplex、日本語の全二重音声対話を実装 ↗

NanoMamba-Duplexは、0.26BのMambaを核にした日本語の全二重音声対話モデル。相手の音声を聞き続けながら80msごとに返答の文字と音声を出し、割り込みに応じて発話を止める。RTX 3090で1ステップ21.6msと報告され、16分の音声を流した測定でも1ステップ約21.5ms、VRAM 1.7GBだった。この測定は長時間の処理負荷を示すもので、16分前の会話内容を保持することを示すものではない。学習対話の長さは最長86秒。比較評価では応答内容の一致度がLLM-jp-Moshi-v1より低く、返答音声の文字誤り率(CER)は42.5%対20.9%だった。個人開発の実験モデル。

NanoMamba-Duplex、日本語の全二重音声対話を実装:原記事の冒頭画面
原記事の冒頭画面(スクリーンショット)。
04Zenn投稿者 mappy552026-11-10報告のみ

RAGの改善を固定評価セットで測る実装ガイド ↗

RAGの評価・改善手順を示す実装記事。架空クラブの32問の評価セットで検索失敗と回答失敗を分け、文書を固定長チャンクから条文単位に切り直すと正答率が52%から72%に上昇した。ハイブリッド検索など後続の3施策は、測定の揺れの範囲内か悪化し、ローカル4B回答モデルでは正答が約20%まで落ちた。架空データとClaudeによる採点の結果であり、一般的なRAG性能を示す数値ではない。

RAGの改善を固定評価セットで測る実装ガイド:原記事の冒頭画面
原記事の冒頭画面(スクリーンショット)。

確認範囲と不足

2026-11-10の調査。掲載案5件を評価し、原文確認と既刊照合を通過した4件を掲載。全候補の本文を網羅した調査ではない。

設定済みのWeb取得先には抽出失敗や未確認が残り、YouTube検索では対象期間内の関連動画を確認できませんでした。未確認候補を低価値とは扱っていないため、重要ニュースが他にないとは断言しません。 原文の再確認に失敗し掲載保留:NVIDIA Dory 4Bをllama.cppで実行し、推論ループごとの費用を測る

掲載しなかった候補 31件採点済みと未採点を分けて確認