Claude Code はどう生まれたか——作り手と初期ユーザーが語る成り立ち
Anthropicが、Claude Codeが誕生するまでの短い歴史をまとめて公開した。開発に携わった本人たちと、今の形を作る手助けをした初期ユーザーの証言で構成されている。
メモ
出典 @claudeai↗
日常的に使うコーディングエージェントが、どんな判断と試行錯誤で今の設計に至ったかの一次資料。ツールの思想を知ると使いこなしの解像度が上がる。
ヒューマノイド「Apollo 2」の実世界データで Gemini Robotics を訓練
Google DeepMindが、Apptronikとの研究提携を拡大すると発表した。同社のRobot Park施設拡張にあわせ、最新のヒューマノイド「Apollo 2」が実世界で集めたデータを、Gemini Roboticsの訓練と進化に活用するという。
メモ
出典 @GoogleDeepMind↗
ロボット基盤モデルの競争は「実機からどれだけ現場データを回収できるか」に移りつつある。ラボとハード企業の垂直連携が加速する典型例。
Codex で生物学のツールを作る——AIが実験をシミュレートする未来
OpenAIの対談企画で、Derya TR がRomain Huetに、Codexを使った生物学向けツールの開発について聞いている。細胞解析や免疫細胞のシミュレーションを取り上げ、AIが科学者の実験を支援する将来像を議論する内容。
メモ
出典 @OpenAIDevs↗
コーディングエージェントの用途が、汎用の開発支援から専門ドメインの研究ツール構築へ広がっている。科学×AIの実務的な使いどころが見える。
ICML 2026（ソウル）の Stanford AI Lab 論文リストが公開
Stanford AI Labが、韓国・ソウルで開催されるICML 2026での発表論文一覧を公開した。コーディングエージェント、LLMの推論、評価とベンチマーク、AI安全性と解釈可能性、科学のためのAIなど、幅広い領域にまたがる。
メモ
出典 @StanfordAILab↗
いま注目すべき研究テーマの見取り図として使える。関心分野の最新論文を一気にたどれる入り口。
ThinkingCap-Qwen3.6-27B——思考トークンを平均50%削減
Qwen3.6-27Bをファインチューニングした「ThinkingCap-Qwen3.6-27B」が公開された。元モデルの性能を保ちつつ、思考（thinking）トークンを平均で50%、最良ケースでは90%以上削減できるという。多様な問題を選定したデータセットに対し、最新のファインチューニング手法を適用して実現した。
メモ
出典 @_akhaliq↗
推論モデルは思考トークンがそのままコストと遅延に効く。性能を落とさず冗長な思考を削る方向は、実運用で直接効いてくる。
評価（Evals）をAIで正しく自動化する——未知の不具合を見つける
Hamel Husainが、Shreya Shankarとともに「AIで評価を（正しく）自動化する方法」の新セッションを公開。評価ワークフローで最も重要なのは問題を見つけることだとし、AIを反復的に誘導して未知の不具合（unknown unknowns）を洗い出すライブデモを行っている。
メモ
出典 @HamelHusain↗
LLMアプリの品質はevalの設計で決まる。「何を測るか」を人手で網羅するのは難しく、AIに探させて未知の失敗を掘り起こす発想が実務的。
欧州の「AI主権」議論と、その土台としてのオープンソース基盤
欧州でAI主権の議論がモデルに注目を集めるなか、tech.euがそれを支えるオープンソース基盤におけるPyTorchの役割を検証した。PyTorch Foundationのエグゼクティブ・ディレクター Mark Collier に、共通ソフトウェア基盤としてのPyTorchについて聞いている。
メモ
出典 @PyTorch↗
モデルの話題が先行しがちだが、その下で誰もが使うフレームワークは地政学的な争点にもなる。依存する基盤の中立性・持続性は開発者にも無関係ではない。
RAGの「検索」を捉え直す——それは探索ではなく絞り込みの問題
RAGの検索（retrieval）ステップを、私たちはずっと誤った枠組みで考えてきたのではないか、という記事。Angela Shiは「検索は探索の問題ではなく、2つの構造化テーブル（line_df と toc_df）に対するフィルタリングの問題だ」と論じる。
メモ
出典 @TDataScience↗
ベクトル類似度一辺倒になりがちなRAGを、構造化データへのフィルタとして捉え直す視点。検索精度に悩む実装の見直しに効く。
Claude Code の「ループ」の仕組みと、強力なループの作り方
Claude Codeにおけるループがどう機能するのか、そして自分で強力なループをどう組むのかを、Eivind Kjosbakkenが実践的なガイドで解説している。
メモ
出典 @TDataScience↗
エージェントに反復作業を任せる際、ループの挙動を理解しているかで自動化の精度が変わる。手を動かす人向けの実装解説。
Python 3.14 の JIT は実行速度を本当に速くするのか
Pythonはそのシンプルさで人気を保つ一方、速度は長年の課題だった。taupirho が、Python 3.14で導入されたJITコンパイラが実行時性能を実際に意味のあるレベルで改善するのかを検証している。
メモ
出典 @TDataScience↗
AIワークロードの多くはPythonの上で動く。JITの効き具合は、データ処理や推論周りの現実的なパフォーマンスに直結する話題。