AIが自己生成したスキルは無意味 — LLMの自己改善神話を覆す実証研究
AIエージェントのスキル自動生成が実際には役に立たないことを実証したSkillsBench研究を解説。7,308トラジェクトリで自己生成スキルの効果はゼロでした。
タグ
benchmark
3件の記事
Qwen 3.5がVending-Bench 2で破産 — ベンチマーク偏重の落とし穴
標準ベンチマークでトップクラスのQwen 3.5が、自販機経営シミュレーションVending-Bench 2で破産判定。ベンチマーク偏重がもたらすAI評価の盲点を解説します。
MiniMax M2.5 — オープンウェイトとプロプラの性能差が史上最小に
MiniMax M2.5がSWE-Bench Verified 80.2%を達成し、Claude Opus 4.6を超えた。オープンウェイトモデルとプロプライエタリモデルの性能格差が急速に縮小している現状をベンチマークデータとともに分析します。