Thinking Machines Lab
Thinking Machines Lab、スキャフォールドなしの text-to-SQL モデル ReViSQL-K2.6 が 92.97% で人間を初めて上回った
- スキャフォールドは基盤モデルの能力という天井にぶつかり、そこに込めたタスク知識は訓練信号の側に入れるべきだと主張
Thinking Machines Lab
安全性研究助成金の発表
- オープンウェイトモデルの安全性研究を対象に、最大5万ドル相当のクレジット「Tinkerグラント」を開始した
- 研究対象は「防御・攻撃能力の非対称な強化」「訓練データのフィルタリング」「改ざん耐性のある安全訓練」「報酬ハッキングの検出」など多岐にわたる
- 公開後のモデルが悪意ある微調整を受けた際の最悪リスク推定や、スケーリングによる安全性変化の予測も重点テーマとして挙げている
Thinking Machines Lab
Inkling-Smallのご紹介
- Inkling-Smallがリリースされ、Inklingの4分の1のサイズで同等の性能を達成した
- 総パラメータ数276B・アクティブ12BのMixture-of-Experts構造で、推論やコーディングのベンチマークではInklingを上回る結果も出た
- フルウェイトを公開し、Tinkerでのファインチューニングおよびテキスト・画像・音声チャットにも対応している
Thinking Machines Lab
インタラクティビティ研究助成金の発表
- 人間とAIのリアルタイム協調を高める「インタラクティビティ研究」を対象に助成金を公募した
- 1件あたり10万ドル（加えてTinkerクレジット2万5千ドル）を複数件付与し、応募締切は2026年6月19日
- 評価手法の開発、マルチモーダル安全性、生成UIによる説明、長期タスク中の人間による操作介入などが想定テーマ
Thinking Machines Lab
金融タスクにおける専門家の判断を再現する学習
- 汎用LLMは投資家向けの情報フィルタリングタスクで精度約50〜78%にとどまり、実用水準を下回った
- 専門家によるアノテーションで学習した独自モデルは平均精度84.7%を達成し、最良の汎用モデルより誤りを29.8%削減した
- 独自モデルは小型のため推論コストが汎用モデルの13.8分の1に抑えられ、組織全体へのAI展開を現実的にする
Thinking Machines Lab
Inkling: オープンウェイトモデルのご紹介
- 「Inkling」という総パラメータ975B・有効41BのMoEモデルをフルウェイト公開した
- テキスト・画像・音声をネイティブに処理でき、思考量を調整してコストと性能をバランスできる
- ファインチューニング基盤としての活用を想定し、TinkerプラットフォームでのFTと各社APIを通じた推論に対応