
Perplexity が継続的な業務を担う Teammates を出し、Claude Code 2.1.319 が自動モードの検査と権限まわりを強めた。OpenAI は Hacktron と組んで自社システムの脆弱性を探し、AWS は Okta と組んでエージェントの権限統制の測定値を示した。推論基盤では SageMaker の GPU 分割と NVIDIA の再学習高速化が並び、評価では湿式実験のベンチマークが出た。本号は、エージェントに仕事を任せる範囲と、その統制・費用の条件を中心にまとめる。
本号の原典リンクは次のとおり。
- Perplexity、継続業務を担う Teammates の提供開始
- Anthropic、Claude Code 2.1.319 のリリース
- OpenAI、Hacktron との提携
- AWS、Okta Cross App Access と Bedrock AgentCore によるエージェントの権限統制
- AWS、SageMaker Inference の Multi-Instance GPU 対応
- NVIDIA、Reshard Collective による強化学習の重みリフィット高速化
- OpenAI、湿式実験におけるエージェントの評価 BioBasicsBench
- Cursor、エージェントとの音声通話
- Google Cloud、ストレージ最適化 Z4M マシンシリーズの一般提供
- Hugging Face、ロボット学習の制御環境 ToyBlocks
- Anthropic Research、AI に科学モデルを作らせる考え方
- AWS、Bedrock AgentCore での Claude Code リモートセッション
- AWS、ECS Fargate 上のサーバーレス MCP サーバー
- NousResearch、Hermes Agent v0.23.0 のリリース
Perplexity、継続業務を担う Teammates を提供開始
Perplexity は、継続的な業務を担う個人エージェント Teammates の提供を開始した。1 回きりの質問応答ではなく、進行中のプロジェクトを計画・調整し、結果をレビューのために提示する。Computer の上で動き、プロジェクト・スキル・メモリを土台にする。まず Web で提供し、まもなく iOS にも広げる。Perplexity Max の加入者が対象で、Free と Pro の加入者は設定からアップグレードして利用できる。
Teammates は、マーケティング・営業・サポート・運用・財務といった業務ごとに、進行中の仕事を監視して変化に応じて動く。例として、営業のチームメイトは常連客の取引が止まったことに気づき、注文履歴とサポート履歴を調べて何が変わったかを調べ、顧客に合った提案を作るか、連絡の前に解決すべき問題を指摘する。運用のチームメイトは、期限の 72 時間前に不足している項目を追跡する。チームメイトは Slack チャンネルに追加でき、同僚が仕事を渡したり進捗を尋ねたりできる。チームメイト同士で仕事を引き継ぐこともでき、1 人が Web サイトの不具合を見つけ、別の 1 人が修正の準備をする。
| できること | 内容 |
|---|---|
| 継続業務の所有 | プロジェクトを計画・調整し、結果をレビュー用に提示する |
| 主動的な監視とフォローアップ | 変化を検知し、調査と提案まで進めて承認を求める |
| チーム横断の連携 | Slack チャンネルへの参加と、チームメイト同士の引き継ぎ |
| 分離環境と権限制御 | チームメイトごとに分離された環境とブラウザセッション、暗号化された認証情報 |
EastBraverの見立て: 1 回きりの回答から、継続業務の委任へ踏み出した発表である。ただし「覚えて学ぶ」範囲と、Slack・GitHub・Gmail など接続先の権限は、導入前に自社の利用条件で確認する必要がある。承認要求の流れと、チームメイトが自律的に動く範囲の決め方も、Teammates の紹介記事で確かめるとよい。
出典:Perplexity(https://www.perplexity.ai/en-GB/hub/blog/teammates-are-agents-for-complex-ongoing-work 、2026年11月5日公開(The Verge の報道による。原典ページに日付表示なし)、2026年11月7日確認)
関連する技術ガイド: AI Agent / AI AgentのMemory
Anthropic、Claude Code 2.1.319 をリリースし自動モードの検査を強める
Anthropic は Claude Code 2.1.319 をリリースした。中心は、自動モードのサーバー側検査と、MCP タスクの扱い、権限まわりの変更である。自動モードでは、テレメトリや機能フラグが無効の場合も含め、サーバーで確認できない呼び出しは尋ねるか拒否するようになり、組み込みの分類器へのフォールバックはなくなった。LLM ゲートウェイ経由でも、CLAUDECODEAUTOMODESERVER を 1 にすることでサーバー側検査を有効にできる。MCP サーバーがツール呼び出しをタスクとして実行する場合、Claude Code はそれをただちにバックグラウンドへ移し、完了時に結果を伝える。権限プロンプトで待つはずのツール呼び出しを拒否して処理を続ける permissions.denyInsteadOfPrompting 設定も追加された。
- 自動モードのサーバー側検査:ゲートウェイ経由でも有効化でき、確認できない呼び出しは尋ねるか拒否する
- MCP タスク:バックグラウンドへ移し、完了時に結果を伝える。待たせる場合は CLAUDECODEDISABLEMCPTASK_BACKGROUND で指定する
- 権限:permissions.denyInsteadOfPrompting で、プロンプト待ちの呼び出しを拒否して処理を続ける
- 開発者向け:Claude API の遅延箇所を探す claude-api latency-optimize、利用状況への当日・当週・当月の支出表示
- 修正:サンドボックスのエスケープ、環境変数の接頭辞で権限検査をすり抜ける Bash のバイパス、diff 表示の不具合など
EastBraverの見立て: 自動モードの検査強化と権限まわりの修正が中心の更新である。LLM ゲートウェイ経由で Claude Code を使う場合は、リリースノートで CLAUDECODEAUTOMODESERVER の設定を確認すること。サンドボックスと権限の修正は、運用中の環境での更新判断の材料になる。
出典:Anthropic(https://github.com/anthropics/claude-code/releases/tag/v2.1.319 、2026年11月6日17時4分 UTC 公開、2026年11月7日確認)
関連する技術ガイド: Harness Engineering / AI AgentのSandbox
OpenAI、Hacktron と提携し自社システムの脆弱性を探る
OpenAI は、Hacktron との提携を発表した。OpenAI のエンジニアと Hacktron のセキュリティ研究者が、優先度の高い領域を共同でテストする。焦点は、自社のシステムが第三者サービスと連携する部分である。提携の一環として、Hacktron のフロンティアモデルへのアクセスを Daybreak Red 経由で拡大する。同週には、Cathedral の研究者が次のセキュリティスプリントに参加することと、バグバウンティの報酬引き上げも発表されている。
Hacktron は、コードレビュー・侵入テスト・レッドチーミング向けの AI エージェントを開発するチームで、OpenAI の Security Bug Bounty program を通じて知り合った。アプリケーション・クラウド基盤・ID システムの連携部分における脆弱性を発見してきたとしている。対象範囲や報告方法は、OpenAI の Security Bug Bounty program で確認できる。
- 共同テスト:優先度の高い領域を選び、第三者サービスとの連携部分に焦点を当てる
- アクセス拡大:Hacktron のフロンティアモデルへのアクセスを Daybreak Red 経由で広げる
- 並行する取り組み:Cathedral の研究者による次のセキュリティスプリントと、バグバウンティの報酬引き上げ
EastBraverの見立て: 自社システムの脆弱性探しに、外部の専門チームを入れる動きである。提供の広がりではなく、防御側の体制づくりの発表として読むべきである。読者は、提携の発表で対象範囲を確認し、自社のバグバウンティの対象範囲と比べるとよい。
出典:OpenAI(https://openai.com/index/partnering-with-hacktron 、2026年11月6日8時 UTC 公開、2026年11月7日確認)
関連する技術ガイド: Guardrails / プロンプトインジェクション
AWS、Okta Cross App Access と AgentCore でエージェントの権限統制を示す
AWS は、Okta Cross App Access(XAA)と Amazon Bedrock AgentCore を組み合わせ、エージェントがユーザーに代わって動く際の権限統制を実装する手順を、Part 1 と Part 2 の 2 本の記事で公開した。Okta を統制の層とし、AgentCore Identity を実行の層とする。エージェントは Okta に登録され、管理者が到達可能なアプリケーションを承認し、Okta はエージェントがユーザーに代わって動くたびにポリシーを評価する。測定値として、管理者がユーザーの割り当てを外した後、Okta は約 1 秒でそのユーザーの新規要求を拒否し、発行済みトークンは 5 分で失効した。AgentCore Identity は、全体で約 30 秒かかる要求に約 0.6 秒を追加した。
| トークン | 役割 |
|---|---|
| ID トークン | ユーザーが誰かを示す |
| ID-JAG | Okta の判断を示す。1 回限りで 5 分で失効する |
| アクセストークン | リソースが受け入れるもの。ユーザーとエージェントの両方を名指しする |
Part 1 では、AgentCore runtime 上のタスクエージェントが、Okta の判断を AgentCore Identity 経由でトークンに交換し、MCP サーバーを呼ぶ。Part 2 では、同じ統制を AgentCore Gateway の背後に置き、Cedar ポリシーと、EKS 上の第 2 のエージェント、CloudWatch の監査証跡を加える。コードはサンプルとして提供され、本番利用ではないことが明記されている。
EastBraverの見立て: 「どのエージェントが、どのユーザーに代わって、どのアプリケーションで動けるか」を IdP 側で決める構成である。数値は AWS の検証環境での測定値であり、自社環境での再測定が必要である。導入の判断は、Part 1 の手順で失効までの時間と、Part 2 の監査証跡まで含めて確認するとよい。
出典:AWS(https://aws.amazon.com/blogs/machine-learning/govern-ai-agent-access-with-okta-cross-app-access-and-amazon-bedrock-agentcore-part-1/ 、2026年11月6日17時9分 UTC 公開、2026年11月7日確認)。Part 2 は同日公開。
関連する技術ガイド: AI Identity Authorization / Human-in-the-Loop
AWS、SageMaker Inference で Multi-Instance GPU に対応
AWS は、Amazon SageMaker Inference が NVIDIA Multi-Instance GPU(MIG)による GPU 分割に対応したと発表した。1 つの GPU を最大 7 つの独立したパーティションに分割でき、各パーティションは専用の演算能力とメモリを持つ。ハードウェアで分離されるため、あるモデルの負荷が別のモデルの遅延に影響しない。推論コンポーネントを使うエンドポイントが対象で、新しい API 操作や IAM アクションは追加されない。Salesforce が要件定義と初期実装の検証に参加した。
| インスタンスファミリ | アクセラレータ | GPU メモリ | 1 GPU あたりの最大パーティション数 |
|---|---|---|---|
| P4d | NVIDIA A100 | 40 GB | 7 |
| P5 | NVIDIA H100 | 80 GB | 7 |
| G7 | NVIDIA RTX PRO 4500 Blackwell | 32 GB | 2 |
| G7e | NVIDIA RTX PRO 6000 Blackwell Server Edition | 96 GB | 4 |
分割のレイアウトはエンドポイント作成時に決め、プロビジョニングには約 17 秒が追加された。参考値として、FP16 の 8B モデルは 40 GB のパーティションで 8,000 トークンのコンテキストを快適に提供できた。P4d で mig-1g.10gb を使う場合は R525 以上のドライバが必要で、既定のイメージでは分割に失敗する注意点もある。
EastBraverの見立て: 小〜中規模のモデルを集約し、テナントごとにハードウェアで分離する選択肢である。ただしレイアウトは作成時に固定され、単一モデルエンドポイント・サーバーレスエンドポイント・異種プールは対象外である。導入の判断は、SageMaker の発表記事で対象のインスタンスとパーティションの組み合わせを確認してから行うとよい。
出典:AWS(https://aws.amazon.com/blogs/machine-learning/sagemaker-inference-now-supports-multi-instance-gpu-to-maximize-gpu-utilization-for-model-endpoints/ 、2026年11月6日18時1分 UTC 公開、2026年11月7日確認)
関連する技術ガイド: LLM
NVIDIA、Reshard Collective で強化学習の重みリフィットを高速化
NVIDIA は、強化学習の学習後訓練における重みリフィットを高速化する、新しい集合通信 Reshard Collective を解説した。学習 GPU と推論 GPU で重みの分散方法が異なるため、従来の gather-and-broadcast 方式では、推論 GPU が不要な部分まで含む完全なパラメータを受け取り、通信が冗長になっていた。Reshard は、重みリフィットを DTensor から DTensor への転送問題として定式化し、必要な断片だけを直接送る。参照実装の NCCL M2N Reshard を、NVIDIA/nccl-extensions リポジトリでオープンソースとして公開した。
| プラットフォーム | モデル | 従来方式 | Reshard |
|---|---|---|---|
| DGX H100 | Qwen 3 235B | 6.4 秒 | 1.9 秒 |
| DGX H100 | DeepSeek v3 671B | 14.9 秒 | 2.6 秒 |
| DGX GB200 | DeepSeek v3 671B | 6.1 秒 | 2.3 秒 |
| DGX GB200 | Nemotron Ultra v3 | 8.2 秒 | 2.3 秒 |
全体では、従来方式と比べて 2.7 倍から 5.7 倍の高速化を測定した。リフィットのみのマイクロベンチマークでは、Qwen3.8 2.4T BF16 モデルで 4.3 秒だった。NeMo RL に参照実装があり、設定で refittransport に ncclreshard を指定して有効にする。
EastBraverの見立て: 1 兆パラメータ級の強化学習で、学習と推論の間の重み転送が律速になる場合の選択肢である。数値は NVIDIA の測定条件によるため、自前の構成での再測定が必要である。まずは、NVIDIA の解説記事で、自社の学習と推論の分散方法が対象になるかを確認するとよい。
出典:NVIDIA(https://developer.nvidia.com/blog/accelerating-reinforcement-learning-weight-refit-with-the-reshard-collective/ 、2026年11月6日18時3分 UTC 公開、2026年11月7日確認)
関連する技術ガイド: LLM
OpenAI、湿式実験におけるエージェントの評価 BioBasicsBench を公開
OpenAI は、Ligo と共同開発したベンチマーク BioBasicsBench を公開した。日常の湿式実験の分析をエージェントがどれだけ扱えるかを測るもので、100 タスクを 5 分野(タンパク質手法、画像・細胞計測、定量・アッセイ、核酸手法、分子クローニング)に分けている。論文用の図ではなく、ゲル画像・コロニープレート・顕微鏡画像・装置の出力といった生の実験データを使い、誤りの検出と、証拠が結論を支えられない場合の認識を試す。
| モデル | 平均報酬(xhigh 設定) |
|---|---|
| GPT-6 Astra | 66.7 パーセント |
| GPT-6.1 Sol | 62.0 パーセント |
| GPT-5.6 Sol | 43.8 パーセント |
| GPT-6 Luna | 38.3 パーセント |
| GPT-5.5 | 35.4 パーセント |
| GPT-5.4 | 33.2 パーセント |
| GPT-5.2 | 31.2 パーセント |
評価は 7 モデル・37 の設定で、100 タスクに各 5 回の試行を行い、計 18,500 件の結果を集めた。GPT-6 Astra は、対照の読み誤りを見抜くなど、GPT-5.6 Sol より大きく改善した。一方で、記事自身が、高いスコアが実験室での信頼できる判断を意味しないと述べており、前提が結論を上書きする失敗例も示している。
EastBraverの見立て: 論文用の図では測れない、日常の実験の曖昧さを扱う評価である。数値の改善はあるが、記事が示す失敗例も含めて読むべき内容である。科学分野でエージェントを使う場合は、BioBasicsBench の記事で、対照の読み誤りや前提の上書きといった失敗の種類を確認するとよい。
出典:OpenAI(https://openai.com/index/measuring-how-ai-agents-handle-wet-lab-science 、2026年11月6日0時 UTC 公開、2026年11月7日確認)
関連する技術ガイド: AI Agent Evaluation
ほかの確認済みの更新
- Cursor は、エージェントとの音声通話を提供開始した。Agents Window・IDE・Web・iOS で使え、変更を声で伝えたり、作業の進捗を尋ねたりできる。音声は Grok Voice で動き、iOS では「Hey Siri, call Cursor」で通話を始められる。出典:Cursor(https://cursor.com/changelog/voice-chat 、2026年11月6日公開、2026年11月7日確認。原典ページの日付表示は日単位のため時刻は未確認)
- Google Cloud は、ストレージ最適化 Z4M マシンシリーズの一般提供を開始した。最大 168,000 GiB のローカル SSD と最大 400 Gbps の RDMA ネットワークを備え、TCP と比べてデータアクセスの遅延を最大 60 パーセント削減する。最大 1,560 万回のランダム読み取り IOPS と最大 75,600 MiB 毎秒の逐次読み取りスループットで、Z3 と比べて性能が最大 70 パーセント、スループットが最大 110 パーセント向上した。出典:Google Cloud(https://cloud.google.com/blog/products/compute/storage-optimized-z4m-machine-series-are-ga/ 、2026年11月6日17時 UTC 公開、2026年11月7日確認)
- AllenAI は、Hugging Face でロボット学習の制御環境 ToyBlocks を公開した。ロボットアームとブロックのシミュレーションで、強化学習とモーションプランニングによりスキルと実演データを自動生成し、1 つの GPU で最大 24 倍速で並列実行できる。Molmo 2 と ManiFlow による階層モデルや、Claude Opus 5.5 を使ったエージェント実験も含まれ、探索と綴りの課題では 63 パーセントを解決するか不可能と正しく宣言できた。出典:Hugging Face(https://huggingface.co/blog/allenai/toyblocks 、2026年11月6日14時 UTC 公開、2026年11月7日確認)
- Anthropic Research は、AI に科学モデルを作らせる考え方をまとめた記事を公開した。モデルの構築・制約・解釈の 3 段階を整理し、単一の最良適合ではなく、データを説明しうるモデルの分布を求める考え方を示した。既知のモデルの再発見では成果がある一方、答えが未知の問題での証拠はまだ乏しいとしている。出典:Anthropic Research(https://www.anthropic.com/research/teaching-ai-to-build-scientific-models 、2026年11月6日公開、2026年11月7日確認。原典ページの日付表示は日単位のため時刻は未確認)
- AWS は、Bedrock AgentCore で Claude Code のリモートセッションを動かす手順を公開した。各タスクは AgentCore runtime の microVM で分離して実行され、結果は GitHub のプルリクエストとして返る。検証に通った場合のみ下書き以外で開き、最大 3 回まで再試行する。タスクのプロンプトには Bedrock Guardrails を適用し、GitHub のトークンは 8 時間で失効する。出典:AWS(https://aws.amazon.com/blogs/machine-learning/extend-claude-code-to-remote-sessions-on-amazon-bedrock-agentcore-with-security-controls/ 、2026年11月6日16時45分 UTC 公開、2026年11月7日確認)
- AWS は、ECS Fargate 上のサーバーレス MCP サーバーによる、AI エージェント向けデータレイクアクセスの構成を公開した。データセットの追加は JSON のメタデータファイルだけで行え、Athena と Redshift による SQL 問い合わせと Knowledge Bases による文書検索を 1 つのゲートウェイにまとめる。エンドツーエンドの処理は 15〜20 秒で、Athena の問い合わせは SELECT のみに制限される。出典:AWS(https://aws.amazon.com/blogs/machine-learning/serverless-mcp-server-for-ai-agent-data-lake-access-on-amazon-ecs-fargate/ 、2026年11月6日17時13分 UTC 公開、2026年11月7日確認)
- NousResearch は、Hermes Agent v0.23.0(The Hearth Release)をリリースした。Desktop の作業環境をブラウザタブで開く Webapp、1 つのゲートウェイが全セッションを所有する構成、プラグインカタログの約 600 件から 1,050 件超への拡大、既定モデルの GLM-5.3 への変更が含まれる。約 10,080 コミットをまとめたリリースである。出典:NousResearch(https://github.com/NousResearch/hermes-agent/releases/tag/v0.23.0 、2026年11月5日21時32分 UTC 公開、2026年11月7日確認)
