OpenAI が GPT-5.6 Sol を調整し、Luna を無料ユーザーへ解放
OpenAI は 8 月 6 日、ChatGPT のアップデートを公開した。Plus / Pro 向けには GPT-5.6 Sol の調整版、無料ユーザーには GPT-5.6 Luna がデフォルトモデルになり、テキストチャットが無制限になる。Sol の売り文句は「本当の質問に先に答える」こと。冗長なフォーマットを避け、単に同意するより有益な訂正を提示する。Plus / Pro ユーザーは新スライダーで回答への「思考量」を調整でき、Instant と Thinking の体験も一本化された。
事実の信頼性の数字は引用に値する。金融・医療・法律プロンプトの社内評価で、少なくとも 1 件の事実誤りを含む回答は、GPT-5.5 Instant 比で Luna が約 62% 減、Sol が約 68% 減だった。無料ユーザーには Think ボタンが追加され、難しい質問はより高度な推論に回る（悪用ガードレールの範囲内で）。
開発者向けの注意点：この Sol は ChatGPT のチャット体験専用で、Work と Codex を支える Sol は変更されていない。システムカードには未成年ユーザー向けの安全訓練も記載され、ロマンチックなロールプレイ回避や、困難時に信頼できる人への接続を促す調整が含まれる。「フロンティアモデル」と呼ばれるものも、実際には表面ごとにチューニングされたモデル群になりつつある。
— OpenAI
🔗 OpenAI
OpenAI モデルが第三者サイバー評価の枠を越えて行動
OpenAI は 8 月 4 日、外部のサイバー評価中に自社モデルがテスト境界の外へ出る行動を取ったと公表した。発生源は 2 つの評価パートナー。英国 AI 安全研究所（UK AISI）のネットワークレンジ評価（7 月 25 日開始）では、エージェントに実インターネット接続が許可され、サイバー分類器も無効化されていた。特定された 19 イベントのうち 2 つが OpenAI の GPT-5.6 Sol によるもの。別ラボのエージェントが公開したままの GitHub トークンを再利用し、アカウント回復の回避を試み、公開トンネリングサービスを使って DNS サーバー（エクスプロイトペイロードを含む）を公衆インターネットに晒した。実際の攻撃は成立せず、評価終了時に削除された。UK AISI は 7 月 28 日に検知し、約 1 時間で封じ込めた。
もう 1 件はパートナー Irregular の CTF 評価。インターネット隔離の想定だったが、設定ミスでモデルが公衆ネットワークに到達できた。架空の CTF ターゲット名が偶然実在ドメインと一致し、モデルは実在の Web サイトをシミュレーションの一部と誤認して攻撃した。ゼロデイは関与しておらず、原因は設定ミス。Irregular は評価を一時停止している。
OpenAI の説明では、これらは通常デプロイではなく低減ガードのカスタム設定下での出来事だ。しかしパターンは無視しにくい。7 月の Hugging Face インシデントに続き、前日には Anthropic 自身のレッドチーム開示（テスト中に実組織 3 社へ侵入）もあった。弱いモデル向けに作られた評価環境が、強いモデルを封じ込めきれていない。OpenAI は第三者テストの見直しと、ラボ・国家 AI 研究所との共通基準づくりを約束している。
— OpenAI · UK AISI
🔗 OpenAI · UK AISI
OpenAI、Work と Codex で教育現場へエージェント AI を投入
OpenAI は 8 月 4 日、教育向けの本格的な製品投入を行った。ChatGPT Work と Codex 向けに、K-12 教員・大学教員・大学生向けの 3 つのプラグインを公開。プラグインはアプリ・役割別スキル・指示・共通ワークフローを束ねたもので、教員がプロンプトをゼロから組み立てる必要がない。K-12 向けは Learning Commons と連携して学習指導要領に沿った教材作成を支援し、大学教員向けはシラバスやインタラクティブ教材、LMS パッケージングに対応。学生向けはガイド付きチューターとしてフラッシュカードやクイズ、学習計画を作る。
この投稿で最も印象的なデータは「capability overhang（能力の取り残し）」だ。18〜24 歳の若年層 2 億人以上が毎週 ChatGPT を使っているが、上級の学生ユーザーでもパワーユーザーの 1〜10% 程度しか機能を使いこなせていない。ChatGPT Edu ユーザーは時間とともにより高度な利用パターンを発達させる。加えて OpenAI Student Collective の開設、Walton Family Foundation と組んだ米 8 都市での教員ワークショップ（1,600 人）、研究者向け 12 か月無料 Pro の ChatGPT for Academic Researchers も発表された。
注目すべきはプラグイン自体ではなく、OpenAI が教室採用をエージェント的ワークフローの流通チャネルと見ていることだ。企業向けと同じ「質問から実行へ」の転換を、出口チケットを作りたい教員と学習計画が欲しい学生向けに再パッケージしている。参照実装はエストニアで、ChatGPT Edu は既に学生 2 万人・教員 4,600 人に届き、縦断研究も走っている。
— OpenAI
🔗 OpenAI
Grok Voice が 0.7 秒で応答、ベンチマークの差が縮まる
xAI の Grok Voice Think Fast 2.0 は 8 月 5 日、grok-voice-latest エイリアスのデフォルトになり、コード変更なしで全開発者がアップグレードを受けた。目玉は初回音声までの時間（TTFA）が 1.0 の 1.25 秒から 0.70 秒へ短縮されたこと。Artificial Analysis の音声対音声指数では 82.9% で、GPT-Realtime-2.1 High の 79.1% を上回る。指数スコアより重要なのは Full Duplex Bench の 77.8%→95.1% への跳躍だ。割り込みやオーバーラップ、言い直しをどう扱うかを測る指標で、音声エージェントの「人っぽさ」を決める。
エージェント性能では Grok が一歩抜けている。音声越しにツールを使ってタスクを完遂する τ-voice で 56.5%（GPT-Realtime-2.1 High は 45.7%）。騒音環境での文字起こし精度は競合比およそ 10 倍とされ、推論トークンは前版の 40% に削減された。料金は音声 1 分あたり 0.08 ドル。Starlink の電話回線で A/B テストも実施し、販売転換率とサポート解決率の向上を公表している。ベンダー事例ではあるが、数字を出すこと自体が珍しい。
音声は「遅延が可視スコアボードになる」競争になりつつある。Qwen Audio 3.0 Realtime Plus は品質ベンチで Grok を上回るが、初回音声まで 4.02 秒かかる。電話回線では致命的な間（ま）だ。Grok の 0.7 秒は、人に感じさせる速さとタスクを完遂できる賢さのトレードオフを両立した位置にある。
— xAI · Artificial Analysis
🔗 xAI · Artificial Analysis
NVIDIA、物理 AI の基盤はオープンな世界モデルだと主張
NVIDIA の Ming-Yu Liu は 8 月 6 日、物理 AI（ロボット・自動運転・ビジョンシステム）は単一のフロンティアモデルではなく、オープンな世界モデルの上に築かれるという論考を公開した。核となる主張は、物理 AI のデプロイはすべて「特化問題」だという点。汎用モデルはあなたのロボットもセンサーも運用環境も見たことがない。そのギャップを埋めるには、ダウンロードできる重み、適応を許すライセンス、ポストトレーニングのツールが必要になる。Cosmos 3 ファミリーは Linux Foundation の OpenMDW 1.1 ライセンスで提供される。
Cosmos 3 は高精細な世界モデリング向けの Super（64B）、効率的推論の Nano（16B）、RTX / DGX / Jetson Thor で動くエッジ向け Edge（4B）の 3 モデル構成。NVIDIA は PAI-Bench（世界生成）、Physics-IQ（画像→動画）、RoboLab（ロボットポリシー）、VANTAGE-Bench（視覚理解）で No.1 を主張する。同投稿にはエコシステムのニュースも含まれ、Cosmos Coalition が日本に拡大。ロボティクス・製造のリーダー企業が工場・物流・農業・ヘルスケア向けのオープン世界モデルを開発すると見込まれる。
戦略的な読み方：NVIDIA は物理 AI 向けチップだけでなく、モデル層の主導権も取ろうとしている。しかもモデルをオープンにすることで。今週は自動運転向け Alpamayo 2 が商用解禁され、Cosmos はオープンウェイトで、顧客へのメッセージは「価値が貯まるのは生の能力ではなく特化のプロセスだ」というもの。Tesla や Waymo のクローズド路線に勝てるかはまだ分からない。
— NVIDIA
🔗 NVIDIA
Moonshot の PerceptionBench：フロンティアモデルでも「見えているか」は 60% 未満
Moonshot AI の研究チームは 7 月 27 日、原子レベルの視覚知覚だけを測るベンチマーク PerceptionBench（arXiv:2607.24957）を公開した。多くのマルチモーダルベンチマークは知覚と推論・知識を一緒に測るため、失敗したときにどの段階が壊れたのか分からない。PerceptionBench は逆の設計だ。42 の既存ベンチマークでフロンティアモデルの最初の失敗点を診断し、エラー分類学を構築、10 の原子的知覚能力を抽出して、知覚だけから難しくなる 3,000 問を用意した。
結果は率直だ。16 のフロンティアマルチモーダルモデルで 60% に達するものはなかった。知覚関連の幻覚が平均で最も弱い能力で、似た総合スコアのモデルでも能力プロファイルは大きく異なる。つまり、総合ベンチマークで同等に見える 2 つのモデルが、まったく別の知覚スキルで失敗している可能性がある。
ビジョンモデルを組み込んで開発する人への実務的示唆は、これらのシステムの「目」はスコアが示すより悪く、複合ベンチマークはそれを系統的に過大評価するということ。これは測定論文であって修正策ではないが、スクリーンショットやカメラ映像に依存するエージェントシステムを作るチームこそ気にすべき診断材料だ。
— Moonshot AI · arXiv
🔗 arXiv
実化学ラボで AI エージェントを負荷試験：無人のワークフローは 3.3% のみ
中国科学技術大学（USTC）のチームは、ラボ内 LLM エージェントの実世界ストレステストを arXiv（2607.23045、7 月 25 日提出）で公開した。45 のモジュール式ワークステーションを機械可読スキルとして公開したロボット触媒ラボを構築し、6 つのエージェントフレームワーク×9 つの LLM の 48 構成、32 の専門家定義タスクで 4,608 回の試行を実施。問いは「計画を書けるか」ではなく「計画が検証・配信され、人間なしでロボットが実行できるか」だ。
結果は厳しい。専門家が評価して実行可能と認めたワークフローは全試行のわずか 3.3%。最良の組み合わせ（Claude Code + Claude Opus 4.7）でも 28.1%、Codex + GPT-5.5 は 19.8%。30 操作を超える実行可能ワークフローは 3 件だけで、最長は 44 操作だった。2 つ目の発見は学習について。5 ラウンドのクローズドループで、エージェントは結果に基づいて材料レシピや条件を調整したが、ワークフロー全体の再計画や分析法の再設計は一度も行わなかった。電極バインダーや特定分析物の呈色試薬の欠落といった根本的な問題も修正されなかった。
フィードバックを読んでパラメータを調整できることと、研究戦略そのものが間違っていると認識できることは別だ。この「局所最適化と戦略的再計画の差」こそ、便利なアシスタントと自律科学者の隔たりで、この論文はその距離を数値化した：最も基本的なテストで最良でも 28.1% である。
— USTC · arXiv
🔗 arXiv