毎週、arXiv の cs.SE（ソフトウェア工学）・cs.CR（セキュリティ）・cs.CL（自然言語処理）に投稿された論文をすべて読み、2 つの観点で拾います。1 つは、月次の「急上昇ワード」で取り上げたテーマのその後。もう 1 つは、これまで 1 年以上出てこなかったのに、今週いくつもの論文タイトルに現れた「新語」です。
今週の対象は 704 本（主分野で数えて cs.CL 409 本・cs.CR 184 本・cs.SE 111 本）でした。
🔁 急上昇テーマの続報：コーディングエージェント（今週 22 本）
月次の急上昇ランキングでは、コーディングエージェントは直近 3 か月で cs.SE 1.9 倍・cs.CR 2.6 倍・cs.CL 2.1 倍と、3 分野そろって伸びているテーマです。今週は、実際にどれだけ信頼できてどれだけコストがかかるかを数字で示した論文が目立ちました。実務に効きそうな 3 本を紹介します。
AIだけで書かれた2万行のコードベースは、どれだけ間違っているか
Between the Commits: Process, Error, and Claim Reliability in a Wholly AI-Authored Codebase（arXiv:2609.29744）
人間のコードやテストを一切含まない、Claude だけで書かれた 2 万 1000 行の Python ツールの開発履歴を分析した研究です。
- AIによるコード生成イベントのうち 14.3% は、AI 自身が書いたテストスイートに後から捕まる本物のエラーを含んでいた
- AI の対話的な応答のうち 4〜5 件に 1 件は、何らかの事実誤認を含んでいた（設計の修正案を除いて数えた値。含めると約 3 割）
マージ後もエージェントは「自分の尻拭い」をしている
Who Finishes the Job? A Study of Follow-Up Fixes and Commit Authorship on AI Coding Agent Pull Requests（arXiv:2609.26847）
OpenAI Codex・GitHub Copilot・Devin・Cursor・Claude Code の 5 つのコーディングエージェントによるマージ済み PR 6,774 件を追跡し、同じリポジトリの人間の PR 5,044 件と比較した研究です。
- マージされたエージェントの PR は、同じ期間・同じリポジトリの人間の PR に比べて、あとから検証済みの修正を受けるオッズが 1.62 倍だった
- エージェントの PR が受けた検証済みの修正のうち 69.6% は同じエージェント自身が行っており、エージェントが作った修正 PR（Codex を除く）の 76.4% はコミットのすべてがエージェント作成だった
コストがかさむのは「同じ調べ物・同じスクリプト・同じテスト」の繰り返し
Analyzing and Mitigating Cost-Inefficient Behaviors in Coding Agents（arXiv:2609.30725）
Claude Code と Mini-SWE-Agent による SWE-bench Verified 上の 1,200 トラジェクトリを分析した研究です。
- 「同じ情報を何度も探し直す」「似たスクリプトを何度も書く」「テストを何度も再実行する」という 3 つの非効率な振る舞いが、タスクの 79.00%〜98.00% で見られ、タスクコストの最大 22.75% を占めていた
- 開発者が設計したスキルを与えるとコストを最大 41.73% 削減でき、これはエージェント自身が生成したスキルの最大の削減幅（22.32%）のおよそ 2 倍だった
🆕 今週の新語
過去 13 か月の論文には一度も出てこず、今週は複数の論文タイトルに現れた語です。
acoustic grounding（音響グラウンディング）— 2 本
- 音声認識モデルは、音声が入っていない・弱い・不明瞭な入力に対して、実際には支持されないテキストを生成してしまうことがあります。デコーダのクロスアテンションに小さな編集を加える手法で、非音声入力での幻覚率を 89.18% から 1.94% まで下げました（Whisper-Large-v3 と環境音データ UrbanSound8K での値）（arXiv:2609.23979）
- 音声言語モデルは、音声そのものより「テキストとして予測しやすいか」に頼って答えてしまうことがあります。音声の有無で教師モデルの予測がどれだけ変わるかを報酬にして蒸留する手法を提案し、3B モデルで音声理解ベンチマーク MMAU の 72.72% という、比較した 3B モデルの中で最高の精度を達成しました（arXiv:2609.28778）
synthetic research（LLMによる合成調査研究）— 2 本
- LLM で作った「合成回答者」を人間の調査の代わりに使う研究が増えていますが、今の検証の多くは、意思決定者が本当に知りたい「実際の行動」ではなく別のものを測っていると指摘しています。そのうえで、属性ごと（サブグループごと）に妥当性を報告することと、同じ人物像で条件だけを変える反実仮想実験を検証の要件にする枠組みを提案しています（arXiv:2609.27690）
- もう 1 本は、9 つの言語モデルと 20 の人間データを比較する 11 種類のテストからなるベンチマークを提示し、内的妥当性・構成概念妥当性・外的妥当性のうち 1 つの観点で成績が良くても、ほかの観点で人間を再現できる裏付けにはならないことを示しました（arXiv:2609.30030）
集計方法について
- 対象: arXiv cs.SE / cs.CR / cs.CL に 2026-09-21〜09-27 に投稿された論文すべて（704 本）
- 続報: 月次の急上昇ワード（直近 3 か月）と記事化済みのテーマについて、タイトルかアブストラクトでその語に触れた論文を拾う
- 新語: 過去 13 か月の論文（月 250〜300 本の抽出）に一度も出てこず、今週 2 本以上の論文タイトルに現れた語
- 語の抽出は自動のため、表記ゆれや取りこぼしがあります
2026-10-01 更新: エージェントの PR の修正を誰が書いたかの研究で、76.4% の母数の記述の誤りを修正しました
