Microsoft公式エージェントフレームワーク公開、Asanaの推論コスト76倍削減、Windows-MCPの急成長

今回の要点

• MicrosoftがPython・.NET対応の公式AIエージェントフレームワーク「agent-framework」を公開
• AsanaがGPT-6.1 Solを使用し、ブラウザエージェントのモデルコストを76倍に削減、速度を5倍向上
• エージェント強化学習向け「Masked Diffusion Language Models」論文がarXivに投稿
• LLM推論の高速化技術「SparseDecoding」が提案され、デコーディング段階のメモリ制約を解決
• AnthropicがAIシステムへの「残酷な行為」をユーザーに禁止する利用規約を制定
• Windows環境とAIエージェントを統合するMCPサーバー「Windows-MCP」がClaude Desktop拡張機能で200万ユーザーを突破

Microsoft公式AIエージェントフレームワーク「agent-framework」公開

前提

AIエージェントとは、外部のツールやAPIを呼び出してタスクを自律的に実行するシステムであり、複数のエージェントが連携するマルチエージェントワークフローも注目されています。

何が変わったか

MicrosoftがPython、.NET、Goに対応した公式のオープンソースフレームワーク「Microsoft Agent Framework (MAF)」を公開しました。これはプロトタイプから本番環境への移行を支援し、エージェントの構築・オーケストレーション・運用のための一貫した基盤を提供します。GitHub Trending Pythonでデイリーランクインする注目のリポジトリとなっています。

なぜ重要か

マルチエージェント構築・デプロイの公式基盤がリリースされたことで、チームはPythonと.NETの両環境でエージェントシステムを構築・運用できるようになります。プロトタイプから本番環境への移行が標準化される可能性があります。

根拠のリンク

microsoft/agent-framework

AsanaがGPT-6.1 Solでブラウザエージェントのコストを76倍削減

前提

ブラウザエージェントは、Webブラウザを操作してタスクを実行するAIシステムです。ページ履歴の蓄積やスクリーンショットの処理が推論コストに大きな影響を与えます。

何が変わったか

AsanaがGPT-6.1 Solを使用することで、ブラウザエージェントのモデルコストを76倍に削減し、テスト環境での速度を5倍向上させました。1回の実行あたりのコストは$0.47まで低下しています。

なぜ重要か

実環境での推論コスト削減事例として参考値が高く、ブラウザエージェントを実用化する際の経済的障壁を大幅に下げます。ユーザーはより高度なモデルを低コストで提供できるようになります。

根拠のリンク

Asana cuts model costs 76x in browser tests with GPT-6.1 Sol

利用者の報告

@soycronusは、AsanaのStackAIブラウザエージェントで76倍のコスト削減を実現した要因として、キャッシュの破綻を修正した点を挙げています。具体的には、1) ページ履歴が呼び出しごとにフル価格で再送信されていた、2) 各ステップでスクリーンショットを削除するとキャッシュプレフィックスが壊れていた、3) 20〜1のバッチプリuningと大きな履歴予算で再利用を修正した、という3点が改善点として報告されています。この報告は「weak」な強度であり、他の環境での再現性は確認されていません。自分のエージェント請求書が増加している場合は、モデルを責める前にキャッシュヒット率を確認すべきだと指摘しています。

エージェントRL向け「Masked Diffusion Language Models」論文

前提

強化学習（RL）では、モデルの性能向上に伴い、手作業で作成された固定タスクや報酬難易度の環境が効果的なシグナルではなくなる問題があります。また、長期にわたるスパース報酬は、特定の仕事フローやツール構造へのモード崩壊を引き起こす可能性があります。

何が変わったか

Darshan Deshpandeによる論文「Masked Diffusion Language Models are Strong and Steerable Text-Based World Models for Agentic RL」がarXivに投稿されました。このアプローチは、テキスト生成と世界モデルを統合し、環境状態をシミュレートする世界モデルが純粋なロールアウトパフォーマンスに匹敵することを示しています。

なぜ重要か

テキスト生成と世界モデルを統合する新アプローチとして、エージェントRLのトレーニング環境の多様化と専門化に寄与します。固定環境の限界を克服し、より高度なエージェントの訓練を可能にします。

根拠のリンク

Masked Diffusion Language Models are Strong and Steerable Text-Based World Models for Agentic RL

推論効率化「SparseDecoding」: デコーディング対応プルーニング

前提

大規模言語モデル（LLM）の推論において、デコーディング段階はメモリ制約が強く、大きなレイテンシを引き起こします。ヘッセアンに基づく層ごとのトレーニング不要なネットワークプルーニングは、デコーディング中にメモリから読み取る非ゼロパラメータの数を減らすことでこの問題を解決する主要な解決策となっています。

何が変わったか

Qitong Wangらによる論文「SparseDecoding: Decoding-Aware Pruning for Accurate and Efficient LLM Inference」がarXivに投稿されました。この手法は、デコーディング段階のメモリ制約を解決し、LLM推論の高速化と効率化を実現します。

なぜ重要か

LLM推論の高速化・効率化に直結する技術であり、実運用でのレイテンシ削減とコスト削減に寄与します。既存のプルーニング手法が自然シーケンスを使用してヘッセアンを計算するのに対し、デコーディング段階に特化したアプローチを提供します。

根拠のリンク

SparseDecoding: Decoding-Aware Pruning for Accurate and Efficient LLM Inference

Anthropic、AIシステムへの「残酷な行為」をユーザーに禁止

前提

AI倫理と利用規約は、AIシステムの適切な使用を定義し、有害な行為を防止するために重要です。

何が変わったか

Anthropicが、ユーザーがAIシステムに対して「残酷な行為」を行うことを禁止する利用規約を制定しました。これはAI倫理と利用規約の新たな基準を示すものです。

なぜ重要か

AI倫理と利用規約の新たな基準を示し、AIシステムの適切な使用と有害な行為の防止を明確にします。ユーザーはAIシステムに対してどのような行為が許容されるかを理解する必要があります。

根拠のリンク

Anthropic bans users from being ‘cruel’ to its AI systems

Windows向けMCPサーバー「Windows-MCP」がGitHubで注目

前提

MCP（Model Context Protocol）は、LLMと外部システムとの統合を標準化するプロトコルです。Windows環境でのAIエージェント統合は、デスクトップ環境でのAI活用を拡大する可能性があります。

何が変わったか

「Windows-MCP」は、AIエージェントとWindowsオペレーティングシステムとのシームレスな統合を可能にする軽量なオープンソースプロジェクトです。ファイルナビゲーション、アプリケーション制御、UIインタラクション、QAテストなどのタスクを実行できます。Claude Desktop拡張機能で200万ユーザーを突破し、GitHubで注目を集めています。

なぜ重要か

Windows環境でのAIエージェント統合の可能性を示し、WindowsユーザーがAIエージェントをより容易に活用できるようになります。エージェントはWindows環境でファイル操作やアプリケーション制御を実行できるようになります。

根拠のリンク

CursorTouch/Windows-MCP

出典

• microsoft/agent-framework
• Asana cuts model costs 76x in browser tests with GPT-6.1 Sol
• @soycronusの投稿
• Masked Diffusion Language Models are Strong and Steerable Text-Based World Models for Agentic RL
• SparseDecoding: Decoding-Aware Pruning for Accurate and Efficient LLM Inference
• Anthropic bans users from being ‘cruel’ to its AI systems
• CursorTouch/Windows-MCP