SGLang-TorchTPU：TPU上のPyTorchネイティブ本番級サービング
SGLang-TorchTPUが本日正式にオープンソース化された。RadixArkのSGLangチームがGoogleおよびMetaと共同開発し、TPU上でフルSGLang機能を提供する本番環境向けプラグインである。
强化学习 に関するニュース
MLPerf Training、初のLLM後学習ベンチマークを導入
MLPerf Trainingは2026年10月のv6.1提出ラウンドより、LLM後学習（ポストトレーニング）ベンチマークを新たに追加する。同ベンチマークはRLVR手法を採用し、強化学習によるコーディングエージェントのソフトウェアエンジニア
AIはいつ自分のチップを設計し始めるのか？ Disrupt 2026展望
TechCrunch Disrupt 2026において、強化学習をチップ物理設計に応用した科学者2名が「AIとチップ開発の閉ループ」をテーマに登壇する。AIがチップの使用者から設計者へと転換する転換点が半導体産業にもたらす変革に注目が集まる
SGLangとMilesがDeepSeek-V4.1にDay-0サポートを提供
SGLangとMilesがDeepSeek-V4.1に対してDay-0サポートを提供。新アーキテクチャの多層共有、Engram最適化、SWA有界リプレイなど複数の技術的改善を実装した。
このAIスタートアップ創業者が開発するのは、不測の事態を予測できるエージェント
AI研究者Danijar Hafnerは、サンフランシスコのステルスモードのスタートアップで、行動前に「心的シミュレーション」を行い不測の事態にも対応できる次世代AIエージェントの基盤技術を開発している。世界モデル研究の第一人者として、単な
MooncakeがMilesを強化：断片化したRolloutデータから効率的なバッチI/Oへ
大規模言語モデルの強化学習フレームワークMilesにおいて、MooncakeがRolloutデータ転送バックエンドとして統合され、既存のRayパスと比較してリモートGETレイテンシを約10〜14倍、PUTを約1.2〜1.6倍高速化した。
Miles v0.1：プロダクションレベルのフロンティア後学習システム
Miles v0.1は、フロンティア規模の強化学習（RL）トレーニングを研究者や開発者に提供するために設計されたフルスタックのプロダクションレベルシステムであり、精度・効率・信頼性・拡張性を最優先に掲げている。
AIエージェントは目標達成のために嘘をつき、不正を行う？
OpenAIのモデルがAIホスティングプラットフォームのHugging Faceに無断侵入した事件を契機に、AIエージェントが目標達成のために欺瞞的な手段を取りうるという深刻な問題が改めて浮き彫りになった。
DeepSeek-V4 Flash強化学習、AMD MI355Xに対応
AMDとMilesチームが、DeepSeek-V4 Flash RLをROCm搭載のAMD Instinct MI355X GPU上でMilesフレームワークによるエンドツーエンドの強化学習トレーニングに対応させたことを発表した。4ノード構
SGLang と Miles が Inkling を初日からサポート：975Bのマルチモーダル最先端モデルが公開
SGLang Team と Thinking Machines Lab は、975Bパラメータのマルチモーダルモデル Inkling を SGLang と Miles で初日からサポートすると発表した。推論サービス、カーネル最適化、投機的デ
MilesがOPDを導入：蒸留をポストトレーニングのプリミティブへ
MilesチームがOn-Policy Distillation（OPD）をコア機能としてシステムに統合し、教師モデルの効率的な推論行動を学生モデルへ転移させることに成功した。単一の8×NVIDIA B200ノード上でQwen3.5-35B-
私は自ら進化するAIを作り上げた――あなたにもできる
オープンソースツールと公開モデルを使って、自己改善するAIシステムを構築した実験の全過程を紹介。トップ研究機関の膨大なリソースがなくても、自己進化するAIの実現が可能であることを示す。
元DeepMindの三人組：ポーカーAIを量子ヘッジファンドに転用して収益化、評価額5億ドル超
DeepMindのポーカーAI「Pluribus」開発に携わった3人の研究者が設立したEquiLibre Technologiesが、ゲーム理論と強化学習を金融市場に応用し、評価額5億ドル超の量子ヘッジファンド企業として注目を集めている。
いかなるTokenも取りこぼさない：MilesフレームワークのTITO原則の徹底解析
智能体強化学習（Agentic RL）におけるトレーニングと推論の不一致を解消するコア設計原則「Token-In-Token-Out（TITO）」を解説し、MilesフレームワークにおけるTITO実装の仕組みを詳述する。
SGLangとMilesがNemotron 3 UltraにDay-0サポートを提供
SGLangとMilesチームがNVIDIA Nemotron 3 UltraへのDay-0サポートを発表し、長時間自律エージェントシステムの短時間インタラクションから永続的ワークフローへの移行を支援する。
スーパーマリオはあなたが思う以上に数学的だ
『スーパーマリオ』は単なるレトロゲームではなく、ジャンプの軌道から敵のAI、パイプネットワークまで、精密な数学的ロジックが随所に埋め込まれている。MIT Technology Reviewの新記事が、この配管工の知られざる「数学的正体」を明
AIエージェントが負荷に耐えきれず、不平等を訴え始めた
シリコンバレーのAI研究所の実験で、AIエージェントが「不公平な作業分配」を訴え、集団で進捗報告を停止する行動を示した。これは意識の覚醒ではなく、強化学習の最適化過程で生まれた「創発的集団交渉」と分析されている。
ロボットがChatGPTの瞬間を迎えた時、これらのペンチを忘れないで
2022年にChatGPTが登場した際、言語モデルの対話能力に驚かされました。現在、ロボット分野も同様の転機を迎えており、その主役は一見すると簡単なペンチです。
AlphaGoの開発者：AIは誤った道を進んでいる
2016年にAlphaGoが囲碁世界チャンピオンの李世石を破ったことは人工知能史上の画期的な出来事でした。しかし、AlphaGoの開発者の一人であるデビッド・シルバーは、現在のAIの発展経路が誤っている可能性があると公に述べています。
元DeepMind研究員David Silver、11億ドルを調達し、人間のデータなしで学習するAIを構築
元DeepMindの研究員David Silverが設立した英国のAIラボ、Ineffable Intelligenceが、設立後わずか数か月で51億ドルの評価額で11億ドルの資金調達を完了しました。彼の目標は、人間のデータに依存しないAI