MicrosoftとHugging Faceは、AIエージェントが残すデータベースの最終状態と副作用を評価するThinkingBoxとベンチマークThinkingBox-Benchを公開しました。507の業務ワークフローを対象に18モデルを各20回評価し、成功したツール呼び出しだけでは正しい結果や一貫性を判断できないことを示しています。ベンチマークはOpenEnv経由で利用できます。
推荐理由：会話やツール呼び出しではなく、データベースの最終状態と副作用で成否を判定し、20回の反復で業務エージェントの再現性を比較する評価方法が分かります。
Multiverse Computingは、MCPエージェントの回答について、各主張を支える情報源と回答中で示された情報源が一致するかを検証するProvenanceGuardを発表しました。
推荐理由：複数のMCPツールの出力を一括せず、主張ごとに根拠の出所と回答中の帰属を照合する設計を、医療エージェントの評価結果とともに確認できます。
Hugging Faceは、AUTOMATIC1111の機能の大半を単一のワークフローキャンバスに再構築したWorkflow1111を公開しました。73ノードで構成された11のメディアパイプラインは、画像生成や画像編集、検出からのインペイントマスク作成、画像から動画への変換などに対応します。
推荐理由：11のメディアパイプラインを単一キャンバスにまとめ、RESTエンドポイントやMCPツールとしても呼び出せる構成が、Gradio Workflowの活用範囲を具体的に示しています。
Anthropicは、AIエージェントが物理機器を安全に操作するための共通仕様「Model Hardware Standard（MHS）」の研究プレビューを、科学研究所や先端製造業者向けに開始しました。
推荐理由：機器ごとに異なる接続を標準化し、AIエージェントが複数の装置を連携させる仕組みと、研究現場での初期利用例が示されています。
Google DeepMindは、Gemini 3.5 Flashにcomputer useを組み込み、ブラウザー、モバイル、デスクトップ環境で操作するAIエージェントを構築できるようにした。
推荐理由：単体モデルとして提供されていたcomputer useがGemini 3.5 Flashに統合され、利用方法と企業向けの安全策を併せて確認できます。