diff --git a/docs/2026-03-26-evening-headline/index.md b/docs/2026-03-26-evening-headline/index.md
new file mode 100644
index 0000000..d953ae4
--- /dev/null
+++ b/docs/2026-03-26-evening-headline/index.md
@@ -0,0 +1,82 @@
+---
+sidebar_position: 100
+title: 03/26 AIヘッドライン（夕刊）
+description: 2026年3月26日のAI関連ニュースまとめ
+---
+
+# 03/26 AIヘッドライン（夕刊）
+
+2026年3月26日に話題になったAI関連のニュースをまとめました。
+
+---
+
+## 🔥 LowRankArena（Qwen3-8B派生）公開：低ランク近似評価を狙う実験モデル
+
+**元ツイート**: [@HuggingModels](https://x.com/HuggingModels/status/2037089182481604695)
+
+### 概要
+Qwen3-8Bをベースにした特化モデル「LowRankArena」が紹介されました。単発投稿では用途が曖昧でしたが、スレッド追記でMITライセンス・SafeTensors形式・英語特化などの実装情報が補足されています。
+
+### 深掘り
+リンク先のHugging Faceページでは、LowRank Approximation / SVDをLLMで評価するための実験フレームワーク（SVDBench）として説明されており、現時点ではWIP（開発中）段階。詳細ドキュメントは後日公開予定です。
+
+### ポイント
+軽量化・低ランク化の評価基盤として面白い一方、まだ“触って使える完成品”ではない点に注意。
+
+---
+
+## 🔥 EVA：動画エージェント向け“planning-before-perception”で精度改善
+
+**元ツイート**: [@HuggingPapers](https://x.com/HuggingPapers/status/2037083148903698933)
+
+### 概要
+EVA（Efficient Reinforcement Learning for End-to-End Video Agent）は、動画を最初から一様に読むのではなく、「計画→観測→行動→反省」を反復する設計を採用。投稿では既存動画MLLMより6〜12%向上と紹介されました。
+
+### 深掘り
+arXiv（2603.22918）要旨では、SFT→KTO→GRPOの3段階学習で動画エージェントを訓練し、6つの動画理解ベンチマークで総合性能を改善。さらに既存の適応型エージェント手法比でも1〜3%上積みと報告されています。
+
+### ポイント
+長尺動画で「どこを・いつ見るか」を学習で最適化する流れが、今後の動画エージェント実装の本流になりそうです。
+
+---
+
+## 🔥 EVAの論文・モデル・実装リンクが公開、再現手順も明示
+
+**元ツイート**: [@HuggingPapers](https://x.com/HuggingPapers/status/2037083158634492039)
+
+### 概要
+同スレッドの続報で、EVAのPaper / Model / Codeが一式公開されました。
+
+### 深掘り
+GitHub（wangruohui/EfficientVideoAgent）READMEには、論文リンク、Hugging Faceモデル、主要ベンチの結果、`accuracy.py`による評価、vLLM実行時の設定例まで記載。紹介投稿で終わらず再現導線が整備されています。
+
+### ポイント
+研究成果が“すぐ試せる状態”で出てくることで、コミュニティ実装の速度が上がる好例です。
+
+---
+
+## 🔥 OpenResearcherがHF Daily Papers上位に：オフライン深掘りエージェント学習を提示
+
+**元ツイート**: [@zhuofengli96475](https://x.com/zhuofengli96475/status/2036908106601656754)
+
+### 概要
+OpenResearcherがHugging Face Daily Papersで上位入り。引用ポストと関連情報から、長期的な調査タスクを扱う“深掘りエージェント”向けの学習パイプラインとして注目を集めています。
+
+### 深掘り
+arXiv（2603.20278）では、15M文書コーパス上で search / open / find の3プリミティブを使って完全オフラインで97K軌跡を合成。30B-A3BモデルのSFTでBrowseComp-Plus 54.8%（ベース比 +34.0pt）を達成したと報告。API依存の収集コスト・再現性問題を避ける設計が特徴です。
+
+### ポイント
+「深掘りエージェントをどう再現可能に訓練するか」という課題に、実用的なオフライン解を示したのが大きい。
+
+---
+
+## まとめ
+
+今日の注目ポイント：
+- 動画理解では、受動的認識から“計画駆動”エージェント設計へシフト
+- 研究公開時にコード・モデル・再現手順まで揃える流れが加速
+- 深掘り系エージェントは、オンラインAPI依存からオフライン再現性重視へ
+
+---
+
+*情報は2026年03月26日時点のものです。*
diff --git a/docs/index.md b/docs/index.md
index ac173ff..f81814a 100644
--- a/docs/index.md
+++ b/docs/index.md
@@ -13,6 +13,7 @@ slug: /
 毎日のAI関連ニュースをまとめています。
 
 - [03/26 AIヘッドライン（朝刊）](/blog/2026-03-26-morning-headline/) 🆕
+- [03/26 AIヘッドライン（夕刊）](/blog/2026-03-26-evening-headline/)
 - [03/25 AIヘッドライン（朝刊）](/blog/2026-03-25-morning-headline/)
 - [03/25 AIヘッドライン（夕刊）](/blog/2026-03-25-evening-headline/)
 - [03/24 AIヘッドライン（朝刊）](/blog/2026-03-24-morning-headline/)