【AIニュース】推論ベンチマークの信頼性問題とエージェント安全性の最前線ベンチマーク汚染への対抗策となるMathArena、エージェント攻撃耐性の評価フレームワーク、Scale AIの国防契約、Microsoftの小型推論モデルPhi-4を取り上げる。