――深夜0時。ジングルが流れる。
DJミオ: Welcome to 「Midnight AI Groove」。今夜も、AIのニュースを“わかった気になる”んじゃなくて、ちゃんと腹落ちするまで語っていきます。ナビゲーターは私、DJミオです。
DJレン: そして相方は僕、DJレン。今日は「静かな日だった」と言われつつ、実際にはかなり濃いトピックが並んでる。派手な超大型発表が1個ドン、というより、価格性能、エージェント実行基盤、推論速度、評価の仕方、ローカル実行、透明性みたいな、今後のAIの土台を左右する話が多かったね。
DJミオ: うん。「何が起きたか」だけじゃなくて、AI業界がどっちへ向かってるかが見える日だった。じゃあ今夜も、Twitter圏の話からReddit圏の話まで、過不足なく整理していこう。
1. まずは全体像：今日の空気感
DJレン: 今日の一番大きなテーマを一言でまとめると、“モデルそのもの”の競争から、“使いこなすための実行環境”と“値段と速度”の競争へ、さらに重心が移っている、かな。
DJミオ: そうそう。もちろん新モデルも出てる。たとえばGoogleのGemini 3.7 Flashはかなり目立った。でも同じくらい話題になってたのが、DeepSeekのHarnessとかArceeのNACみたいな、長時間走るエージェントのための“器”なんだよね。
DJレン: つまり、チャット画面で賢い返事をするだけじゃなくて、何時間も自律的に動き、ツールを呼び、履歴を管理し、失敗しても立て直し、コストを抑えながら仕事を進める。そのための仕組み作りが本格化してる。
DJミオ: しかもその裏側では、推論速度の爆上がりも起きてる。モデルが速くなると、次のボトルネックはモデルじゃなくてツール呼び出しや外部システムの待ち時間になる。ここも大きな論点だった。
2. Gemini 3.7 Flash：Googleの“新しい主力ワーカー”
DJミオ: まずはGoogleから。Gemini 3.7 Flashが、3.6 Flashのわずか3週間後に登場。これはGoogleがFlash系を、単なる軽量版じゃなくて実務の主力モデルとして磨いてるのがよくわかる動き。
DJレン: 用途として強調されていたのは、コーディング、Web開発、知的労働、エージェント的ワークフロー。要するに「速くて安いだけ」ではなく、仕事を回すためのワークホースだね。
DJミオ: 性能の伸びもかなり具体的。たとえば報告されていた比較では、
- DeepSWE が 49.0% → 65.3%
- FrontierCode が 34.4% → 43.6%
- AutomationBench が 17.0% → 30.4%
- Code Arena Elo が 1506/1538前後 → 1588
このあたりからも、特にコーディングと自律実行寄りの能力が強化されたと読める。
DJレン: 価格も大事。導入キャンペーンで年末までは50%オフ。
入力 $0.75 / 出力 $3.75 per 100万トークン、その後は**$1.50 / $7.50**に上がる予定。
この価格帯でこの性能なら、かなり攻めてる。
DJミオ: しかも展開が速い。Gemini API、AI Studio、Android Studio、Antigravity、Gemini Enterprise、Managed Agents、Gemini Sparkに即投入。さらに外部ツールでも、Cline、Devin、VS Code Agentsなどへ広がった。つまり、発表して終わりじゃなく、すぐ現場に届く。
DJレン: 独立系・半独立系ベンチの反応もよかった。Artificial Analysisでは、Gemini 3.7 Flash highがIntelligence Index 56で、3.6から4ポイント上昇。速度は毎秒約340出力トークン、100万コンテキスト。
しかも、知能対時間、知能対コストの両方でPareto frontierに乗る、つまり「速いのに賢い」「安いのに賢い」側にいると。
DJミオ: 実務者の体感としても、ツールループでの**“discipline”が改善**したっていう話が印象的だった。
具体的には、
- よりちゃんと探索する
- テストを回す
- 無駄ターンが減る
っていう評価。これ、エージェント用途ではめちゃくちゃ重要なんだよね。
DJレン: そう。単純なベンチスコア以上に、ツールをどう回すかの品の良さが効いてくる。
3. Harnessの時代：DeepSeek HarnessとArcee NAC
3-1. DeepSeek Harness
DJレン: 今日いちばん“インフラ寄りなのに熱量が高かった”のが、DeepSeek Harness。DeepSeekがMITライセンスでオープンソース化したdeveloper previewだね。
DJミオ: 反応で面白かったのは、みんなベンチスコアより設計思想に食いついてたこと。特徴として語られていたのは、
- 複数のharness mode
- 合成可能なplugin
- 見える形のtrajectory
- KVキャッシュを意識した append-only history semantics
- そして、プロジェクト自体がかなりエージェント/Codexで作られていそうな気配
このあたり。
DJレン: 特に“append-only history semantics”は重要だね。会話履歴をむやみに書き換えるんじゃなく、キャッシュ効率や再現性を考えながら追記型で扱う感じ。エージェントが長く動くほど、こういう履歴管理の哲学が効いてくる。
DJミオ: 一部では、DeepSeekはこれを単なる「Claude Codeのクローン」として出してるんじゃなくて、再帰的改善のためのOS/ランタイム基盤として考えてるんじゃないか、という見方まで出てた。
つまり、エージェントがエージェントを改善する、その土台。
DJレン: ただし、まだdeveloper previewで、互換性破壊もあると明言されてる。Redditでは、
- GitHubスターの増え方が不自然じゃないかという疑い
- なんでまたTypeScriptなの、という言語選択へのツッコミ
- Reasonixよりキャッシュヒット率が良いのか、という実務的な疑問
も出ていた。期待は大きいけど、まだ「完成品」ではない。
3-2. Arcee NAC
DJミオ: もうひとつはArceeのNAC。こちらはApache 2.0で公開。説明としては、長時間・非同期・放置可能な作業のための内部ハーネス。
DJレン: これがかなり実戦的で、Arcee自身がこの3か月で、事前学習・事後学習・データパイプラインにコミットされたコードのかなりの割合をNACで動かしていたと述べている。つまり、社内の本番運用で使ってたものを出してきた。
DJミオ: 用途も幅広い。
- 実験の見守り
- 複数リポジトリをまたぐエンジニアリング
- 自動リサーチっぽいタスク
- スマホからオーケストレーション
- CodexやClaudeからMCP経由で委譲
ここまでくると、チャットAIというより非同期のデジタル作業員だよね。
DJレン: DeepSeek HarnessとArcee NACを並べて見ると、エージェント開発が**“会話UI”中心から“ランタイム設計”中心へ移りつつある**のがわかる。
4. その周辺：Cursor、LangChain、Nous Hermes
DJレン: この流れは他社にも見える。Cursorは、クラウドエージェントの起動を3倍高速化、最後に成功したビルドへのフェイルオーバー、さらに長時間自律作業の耐障害性・デバッグ性の向上を発表。
DJミオ: これ、地味に見えて大きいんだよね。長時間走るエージェントは、賢さよりもコケた時に復帰できるかが重要だったりする。
DJレン: LangChainも最近の「managed deep agents」路線で、プロダクションエージェントを、単発チャットじゃなくて
- ファイル定義されたハーネス
- スケジュール
- メモリ
- Slack連携
- ガバナンスされたランタイム意味論
として扱っている。これはもうアプリケーション運用の世界だね。
DJミオ: NousのHermes Agentも面白い。プラグイン面を大幅拡張したうえで、
- ライブのサブエージェント操縦
- transcriptの可視化
- Bot Modeで、プロフィールがそのまま名前付きボットになる
- 各ボットが固有のチャット、ルーチン、メモリ、SOUL.md、ボット間メッセージングを持つ
これって、“AIを一人格の相棒として使う”から“複数人格の組織として使う”へ進んでる感じがする。
5. 速度戦争：推論そのものが爆速化
5-1. OpenAI + Cerebras の GPT-5.6 Sol Ultrafast
DJミオ: 次は速度。OpenAIとCerebrasが、GPT-5.6 Sol “Ultrafast”をプレビュー。最大750 tokens/sec、標準モード比で14倍高速。
DJレン: APIの一部顧客向け先行だけど、用途として挙げられていたのは、
- 低遅延音声
- サポート
- コマース
- コーディング
- 金融
- セキュリティ
どれも「待たせたくない」領域だね。
DJミオ: ここで出てきた重要な議論が、これからはモデル遅延ではなくツール遅延がボトルネックになるという話。モデルの1ステップが速すぎると、ファイルIO、ブラウザ操作、API呼び出し、ビルド、テストのほうが遅く見えてくる。
DJレン: つまり、エージェント体験を改善するには、モデルを速くするだけじゃ足りない。周辺ツールもOSもネットワークも全部最適化しないといけない。
5-2. オープンソース側の高速化
DJレン: オープンソース側でも、Red Hat AIのDSparkが出た。これはKimi-K3向けのspeculatorで、要はspeculative decodingによって約4倍高速と主張。
算数推論で、ユーザーあたり110 tok/s → 435 tok/s前後、負荷下でも約3.5倍スループット。20Kコンテキストまで安定したacceptanceを保てるという。
DJミオ: speculative decodingは、「まず速い下書き役に予測させて、本命モデルがまとめて確認する」みたいな発想だけど、それがどんどん実用レベルになってる。
5-3. カーネル最適化の細分化
DJミオ: さらにPrime IntellectがPrime Flash MoEを公開。Blackwell最適化のCUDAカーネル群で、
- routing-aware GEMM
- SwiGLU
- quantization
- reduction
などを融合してる。BF16とMXFP8の両経路をB200でベンチしたらしい。
DJレン: ここで大事なのは、「安いMoEエンドポイントが増えるほど、差別化はサービングスタックの下層で起きる」ということ。
モデルの重みが近づいてくると、誰がどれだけ上手に動かせるかが勝負になる。
6. ベンチマークは何を測っているのか
6-1. Artificial Analysis Optima
DJレン: 評価も進化してる。Artificial AnalysisがOptimaを発表。これは企業向けに、自社ワークロードでカスタムベンチを作って回せるプラットフォーム。
DJミオ: 入力元も幅広いんだよね。
- アップロードしたデータセット
- Arize / Braintrust / Langfuseみたいなツールからのagent trace
- 自然言語の説明からベンチ生成
そして追跡する指標は、
- 品質
- タスクあたりコスト
- タスクあたり時間
- pairwise judging
DJレン: 要するに、企業が本当に知りたいのは「AIME何点？」じゃなくて、**うちの仕事を何秒で何円でどれくらい上手くやるの？**なんだよね。
6-2. Valsの大型調達とベンチ拡張
DJミオ: Valsも4000万ドルのSeries Aを発表。評価額は4億ドル。同時に、
- Vals Smith: 任意のGitHubリポジトリからカスタムコーディングベンチ生成
- RSI Index: AI R&D能力指標
- ReverseEngBench: サイバー評価
を拡張。
DJレン: 「モデルラボだけが自分のモデルを採点する状態はよくない」という考え方が、かなり強くなってる。
6-3. 評価そのものの失敗モード研究
DJレン: さらに、いくつかの論文・要約が今日の評価議論を押し進めてた。
DJミオ: ひとつは、スキルライブラリがむしろエージェントを害することがあるという研究。307件の失敗のうち、
- 125件が機能的失敗
- 182件が効率低下
に結びついた、と。
DJレン: スキルを増やせば良くなる、ではないんだよね。古いスキルや過剰な抽象化が、誤用や遠回りを招く。
DJミオ: もうひとつは、コンテキスト圧縮器が持続的制約を17%しか保持できなかったという話。専用のextractorを足さないと、長期セッションで大事な条件がどんどん落ちる。
DJレン: そして三つ目。リーダーボードのばらつきは、安定した「エージェント品質」より、エージェントとタスクの相互作用に支配されている、という指摘。複数ベンチで、agent main effectが3%未満。
つまり、「このエージェントは普遍的に強い」と言うのが実はかなり難しい。
DJミオ: すごく大事だね。ランキング表は見やすいけど、現実には環境との相性が大きい。
7. Gemini以外のモデル・マルチモーダル新展開
7-1. MiniMax
DJミオ: MiniMaxも存在感があった。まずMiniMax-Music3。これはopen-weightsの音楽モデルで、説明では8B LLM + 2.7B DiT。
プロンプトと歌詞からフル楽曲生成ができて、consumer hardwareでも動き、diffusers / ComfyUI / Hugging Face Spacesで使えると。
DJレン: 音楽生成が「研究デモ」じゃなく、ローカルに回せる制作ツールとして降りてきてる感じだね。
DJミオ: 動画側ではMiniMax-H3がVideo Edit Arena総合1位、オープンモデル中でも1位。1390点、次点に32点差と報告されていた。
7-2. Metaのローカルエージェント路線
DJレン: Meta系ではMuse Glimmer 30Bが継続して注目。Apache 2.0のopen-weights agent modelで、ローカルで動かせることが話題。
DJミオ: そこにUnslothが、無料のファインチューニングノートブックやGRPO RLサポートを追加。主張としては、
- 1.5倍高速な訓練
- 50%少ないVRAM
- 24GB VRAMでローカルトレーニング
つまり、強いエージェントモデルを個人や小規模チームが自前で調整できる方向に寄せている。
7-3. Sakana Chat
DJミオ: それからSakana Chat。FuguとNamazuで動いていて、ログイン不要・無料のコード実行をサポート。日本語で、
- アプリ生成
- ゲーム生成
- ツール生成
- スプレッドシートや業務分析
みたいな使い方ができる。
DJレン: 実利用に近いUXが見えてきてるね。
8. 今日のトップツイート級トピック
DJレン: エンゲージメント高めだったものをまとめると、
- OpenAI最速サービング: GPT-5.6 Sol Ultrafast
- Googleの主力更新: Gemini 3.7 Flash
- OpenAI desktopのメモリ/コンテキスト拡張: Computer Historyで、アプリやWebサイト活動をオプトインでコンテキスト化、タイムライン表示と制御付き
- DeepSeek Harnessの公開
- Nous HermesのBot Mode
DJミオ: どれも共通してるのは、単なる「賢い返答」より、実運用・継続利用・コンテキスト活用に寄ってることだね。
9. RedditのローカルLLM圏：Qwen 3.8の“出たけど重すぎる”問題
9-1. Qwen3.8-2.4T-A95B
DJミオ: RedditのローカルLLM界隈で大きかったのは、Qwen3.8-2.4T-A95B。名前からして、総パラメータ約2.4兆、トークンあたりアクティブが約95Bという、超巨大MoE系モデル。
DJレン: で、ここが重要。MoEだから毎回使うのは95B相当でも、保存しなきゃいけない重み全体は2.4T級。
bf16で持つと約4.8〜5TB。つまり、家庭用ローカル実行は現実的じゃない。
DJミオ: コメント欄では、
- 「ついにローカルで動くね！」みたいな皮肉
- 5TBは極端なホームラボでも厳しい
- ローカルっぽく感じるのは95B active部分だけで、ストレージは全然ローカルじゃない
という反応が多かった。
9-2. Hugging Face公開と27B待ち
DJレン: Hugging Faceでの公開報告スレでは、みんな27B版待ち。特にRTX 3090級の24GB VRAMで動かせるサイズかどうかに関心が集中してた。
DJミオ: 95B active構成については、たとえQ1みたいな極端な量子化や、REAP風の手法を使っても、消費者向けハードでは実用速度にならないという見方が強かった。
9-3. 「どうやってローカルで回すの？」
DJレン: 「Qwen3.8-2.4T-A95Bをどうローカルで動かす？」というスレは、ほぼ悲観と冗談のオンパレード。
- 0.003 tokens/secくらいじゃないか
- 10万ドル規模の設備が必要では
- 実質データセンター案件では
という空気だった。
DJミオ: それに加えて、「Hugging Faceのダウンロード数が少なく、トレンドにも載っていないから、本当にみんな試せているのか検証が足りない」という指摘もあった。
つまり、リリースはされたけど、コミュニティで再現・実証できる層が極端に限られる。
10. DeepSeek V4 Pro：価格、重み公開、期待と不満
10-1. DeepSeek-V4-Proの登場
DJミオ: DeepSeekはDeepSeek-V4-Proも発表。Xでの告知とあわせて、新しいAPI価格表と、Hugging Faceでの重み公開が話題になった。
DJレン: hosted APIでも使えるし、self-hostedの可能性も見える。それ自体は強いんだけど、議論の中心はAPI価格の変更だったね。
10-2. 「安いから許されてた」の崩れ
DJミオ: コメントの不満はかなり率直で、「DeepSeekはトークンを食うし少し遅いけど、安いから成立していた。その前提が崩れた」というもの。
DJレン: つまり、性能だけじゃなくて、コストで選ばれていたモデルが値上げすると、一気に比較対象が変わる。すると、ローカル実行や他社APIが急に魅力的になる。
10-3. 1.7Tで強い？ でもHFで一時404
DJレン: さらに面白かったのが、V4-Pro-0813のHugging Face公開が一時404/非公開っぽくなった件。技術的には、
config.jsonでは43 hidden layersとされていたのに、ダウンロードされたweight shardsには61 layers入っていた、という報告が出て、パッケージや設定の不整合でいったん引っ込めたのでは、と見られた。
DJミオ: ただ、ベンチ面ではかなり強く見えていた。1.7Tパラメータなのに、たとえばKimiの2.8T級と比べても善戦しているように見えたし、
DeepSWEがV4-Pro Previewの12.8から62.7へ大幅上昇、GLM-5.2やOpus-4.8を上回るという話も出ていた。
DJレン: 一方で、早期ユーザーの中には、「Kimi 3ほどの知識の深さや、長いコンテキストで放置型プロジェクトを維持する力は感じない」という声もあった。
つまり、数値はすごいが、実務体感はまだ議論の途中。
11. LLMの透明性：推論痕跡漏洩とウォーターマーキング
11-1. 隠れた推論トレースは盗めるのか
DJミオ: かなり刺激的だったのが、「Stealing Reasoning Traces from Proprietary LLM APIs」という話題。ClaudeやGPTの隠された推論トークンが、API側のリーク的手法で復元できるという主張。
DJレン: 引用されていた例では、AIMEの問題に対して、Claude由来とされるデコード済みトレースが
「これは既知のAIME問題。答えは60」
みたいに、記憶から問題を認識している様子を見せた、という。
DJミオ: これが意味するのは二つある。
一つは、ベンチ汚染や暗記によって、数学スコアが盛られていないかという懸念。
もう一つは、「隠れた推論」に、何か魔法の秘密があるのか？という問いに対し、実際見えてくるのは
- 記憶
- 中間の不安定なトークン
- オーバーシンキング
- 自己修正
など、案外普通の痕跡かもしれない、ということ。
DJレン: 投稿者やコメントの一部は、「閉じたモデルだけが持つ特別な“秘伝の推論機構”が見えたわけではない。差は主にデータ、計算資源、工学だ」と解釈していたね。
DJミオ: ただし、隠れ推論の価値を軽く見すぎるのも危険。別の指摘では、hidden reasoningはユーザーに見せるためより、post-trainingやRLの学習信号として効く。
つまり、見えない推論は能力の源泉というより最適化の武器かもしれない。
11-2. EUのAI生成物透明性コードとウォーターマーク
DJレン: もう一つは、Anthropic、OpenAI、Google、Meta、Microsoft、Mistralが、EU Code of Practice on Transparency of AI-Generated Contentに署名したという話。
DJミオ: OpenAIは、全モダリティに provenance signals を広げたい、テキストも含めて、という支援文を出していた。Redditではこれが、将来の不可視ウォーターマーキング、しかもコードや文章にも及ぶのではと受け取られた。
DJレン: でも実装や有効性については懐疑も強い。
- 1モデルあたり約1000段落 / 1000万トークンくらい集めれば特徴を学べる
- その特徴を消す1.5B級の敵対的リライタを学習できる
- それはローカルCPUやブラウザ拡張でも動かせる
という主張まであった。
DJミオ: コードに関しては特に難しい。
画像・音声・動画は“人に気づかれにくい埋め込み”が比較的自然だけど、コードや厳密フォーマット文書では、トークン分布の微妙な攪乱が機能に悪影響を与える可能性がある。コンパイルや自動実行にも響くかもしれない。
DJレン: さらに、もしEU圏でだけ水印が強いなら、ユーザーが非署名組や中国系モデルへ流れる可能性もある。
透明性は必要だけど、品質や利便性とのトレードオフが激しいテーマだね。
12. 非技術寄りサブレの注目トピック
12-1. SL2T：手話からテキストへ
DJミオ: 技術の社会的インパクトで大きかったのは、DeepMindのSL2T。手、体、顔の動きを同時に見て、リアルタイムで英語テキストへ変換する手話→テキストシステム。
DJレン: Redditまとめによると、ポーズ追跡はオンデバイスでプライバシー配慮、翻訳はサーバー側。片手でスマホを持ちながらのサインにも対応し、学術ベンチでstate-of-the-artとされるけど、Reddit要約には具体的数値まではなかった。
DJミオ: これは純粋にアクセシビリティの前進として歓迎されてたね。しかもDeaf communityの強い入力を受けて開発された点も重要。
12-2. H3と“Hereticをテキストエンコーダに使うな”問題
DJレン: 画像・動画生成界隈では、Hereticの作者自身が「hereticモデルをH3や他モデルのテキストエンコーダに使うのはやめた方がいい」と警告した話が盛り上がった。
DJミオ: 背景として、Heretic系の“uncensored/abliterated”手法は、有害プロンプトを無害っぽく見せる方向に残差表現を攪乱するもの。これはLLMの拒否挙動を変えるには効くかもしれないけど、画像・動画生成器にとって良い意味表現を作るわけではない。
DJレン: つまり、H3のようなモデルが学習時に期待していたQwen3-VL的な表現分布から外れてしまい、プロンプト追従性の低下やアーティファクトを招く。
“検閲を減らしたいからエンコーダを差し替える”は、筋が悪いわけだ。
DJミオ: ただし、例外として、画像生成の前段でLLMベースのプロンプトエンハンサがユーザー入力を整形していて、そこで拒否が起きるケースはある。その場合は、前処理のLLMだけをuncensoredにするのは理屈が通る。
13. DeepSeek API値上げ：キャッシュ前提ワークロードへの直撃
DJミオ: さっきも触れたDeepSeekの値上げ、もう少し具体的にいこう。2026-08-16 16:00 UTCから有効で、ピーク/オフピークの価格差が導入され、ピークはオフピークの2倍。
DJレン: 特に衝撃だったのがキャッシュヒット入力。
V4-Proのcache hitが $0.003625 から、オフピーク $0.022 / ピーク $0.044。
つまり、+507% / +1114%クラスの上昇。
出力も $0.87 → $1.98 / $3.96 で、+128% / +355%。
DJミオ: これは、長大コンテキストや繰り返しプロンプトを活用するワークロード、つまりキャッシュを効かせてなんぼの運用にとって非常に痛い。
しかも時間帯を見てジョブを回す、スケジューリングの複雑さまで増える。
DJレン: 面白い小ネタとしては、ブラジルだとオフピークがだいたい現地7時〜22時に重なりやすくて、仕事時間中に安く使えるというコメントもあった。
14. Grok 4.6：価格性能で驚かせる存在
14-1. Artificial AnalysisでSol 5.6と同格
DJレン: RedditではGrok 4.6もかなり話題。Artificial AnalysisのIntelligence Indexで、GPT-5.6 Solと同じ61、という図が拡散していた。
DJミオ: 上にはClaude Opus 5の63、Claude Fable 5の62があるけど、Grok 4.6がSol 5.6に並ぶのは印象的。しかも価格が、
- Grok 4.6: $2/M input, $6/M output
- GPT-5.6 Sol: $5/M input, $30/M output
とされていて、かなり安い。
DJレン: モデル規模の話も出ていて、Grok 4.6は約1.5Tという見方が強め。競合が5T+級だと噂される中でこの位置に来るなら、xAIの進歩は予想以上という反応だった。
14-2. 1.5Tか2Tか、4.5+RL説
DJミオ: 一部では「2Tでは？」という議論もあったけど、コメントでは「Grok 4.5に追加RLを載せた4.6」のような見方もあった。
GPT 5.5 → 5.6の関係に似てるんじゃないか、という推測ね。
DJレン: それが正しければ、xAIはOpenAIの数か月後ろを走っているだけ、という見立ても出てくる。もちろん推測ベースだけど。
14-3. ベンチ表と実務の使い分け
DJレン: Grok 4.6 Highのベンチ表では、GDPVal-AA v2、AA-Briefcase、Harvey LABでリードしつつ、他項目では競合が勝つ、という感じだった。
つまり、全面制圧ではないが、前線級であることは確か。
DJミオ: 実務のコメントも面白かった。
「Claude Opusで高レベル設計と初期実装をやらせて、Grokで狭い編集をする」という運用が報告されていて、これはSub-agent的に自動化できそう、という話もあった。
15. Claude Opus 5：高性能なのにUXがつらい？
15-1. 24時間でGTA6を作らせる実験
DJミオ: まず、Opus 5を使って24時間でGTA風オープンワールドゲームを自律生成させたという投稿。都市、地区、道路、建物、NPC、車、天候まで、モデルにかなり委ねたらしい。
DJレン: その後、オーケストレーションのハーネスとして、skills, agents, tooling, resources, modelsを含むリポジトリも公開された。
ただ、コメントでは「3Dモデルやアセットはどこから来たの？」という突っ込みが重要だったね。
DJミオ: そう。AIが“作った”と言っても、
- 完全生成なのか
- 既存アセットパック利用か
- 外部から取得したのか
で、自律性、著作権リスク、実能力評価が全然違う。
15-2. 実用面の不満：冗長、過剰分解、コードロット
DJレン: 一方で、Opus 5は使っていてイライラするという不満スレも盛り上がってた。
主な苦情は、
- 冗長
- バズワード過多
- 小さな仕事をすぐ大きな“プロジェクト”にする
- コード修正が部分的で、同じファイル内の別箇所を壊しても自分では直し切らない
- 「必要ならそこも直します」と言って止まる
DJミオ: いわゆるcode rotだよね。1か所直した結果として壊した整合性を、自分で回収せずに放置する感じ。
DJレン: コメントでは、簡単な2ページ文書の要約ですら、1時間かけて大量の文章と多数の次アクションに膨らませた、という不満もあった。
要するに、頼んだことをそのまま終わらせず、勝手に仕事を増やす。
15-3. 新しいほど使いやすいわけじゃない
DJミオ: 「いい日々は失って初めてわかる」という投稿では、回答あたりの語数比較が出ていて、Opus 5は1回答510語。
対して、
- Opus 4.6: 234
- Opus 4.8: 259
- Opus 4.7: 276
- Fable 5: 316
- Opus 4.5: 158
かなり冗長化している。
DJレン: ここから見えるのは、“ベンチで強い”と“日常的に気持ちよく使える”は別ということ。
少し弱くても、簡潔で指示に忠実なモデルのほうが現場では好まれる。
DJミオ: 実際、「まだClaude 4.6をほぼ専用で使ってる」という人もいたし、Kimi K3をメインドライバーにして、ClaudeやSolをレビュー役にするという使い分けもあった。
Kimiは推論痕跡が見えるので、監督役エージェントが中間思考を見ながら修正できる、という利点も挙げられていた。
16. ここまでを貫く大きな流れ
DJレン: さて、全部通して見える大きな潮流を整理しようか。
DJミオ: 私から一つ目。価格性能の最前線が中位モデルに降りてきている。
Gemini 3.7 Flash、Grok 4.6、DeepSeek系の価格議論を見ても、みんな「最高性能そのもの」だけじゃなく、その値段でそれができるのかを強く見ている。
DJレン: 二つ目。エージェントはUIではなくランタイムの戦いになった。
DeepSeek Harness、Arcee NAC、Cursor、LangChain、Nous。今問われているのは、
- どう長時間動くか
- どう失敗に強くするか
- どう履歴を扱うか
- どうキャッシュとコストを最適化するか
- どう複数エージェントを統治するか
だね。
DJミオ: 三つ目。モデルが速くなりすぎて、周辺が遅い。
GPT-5.6 Sol UltrafastやDSparkのような動きで、モデル自体が超高速化すると、次はツール実行やネットワーク、ビルド待ちが支配的になる。
つまり、AIプロダクトはますますシステム工学になる。
DJレン: 四つ目。ベンチマーク信仰への揺り戻し。
OptimaやValsのように「自社評価しよう」という流れが強まり、同時に論文では、
- スキルライブラリが害になる
- 圧縮で制約が落ちる
- リーダーボードの差はタスク相互作用の影響が大きい
といった、評価の難しさが示されている。
DJミオ: 五つ目。オープンとローカルの夢は拡大しているが、物理的制約も容赦ない。
Qwen 3.8の2.4T-A95Bは象徴的。オープンでも、巨大すぎて一般人は触れない。
その一方で、Muse Glimmer 30BやMiniMax Music3のように、本当にローカルで意味のあるものも増えている。
だから「オープンだから使える」ではなく、どのスケールなら自分の現場に乗るのかがますます重要。
DJレン: 六つ目。透明性と制御の争点がテキスト領域に本格化。
隠れ推論の漏洩、ウォーターマーキング、推論痕跡の価値。
これらは単なる学術論争じゃなくて、信頼性・評価・規制・蒸留・運用コストに直結している。
17. 実務者目線で今日覚えておくべきこと
DJミオ: じゃあ最後に、「今日のニュースから実務者が何を持ち帰るべきか」を、箇条書き気味にやろう。
DJレン: いいね。まず一つ目。
1) コーディングやエージェント用途なら、Gemini 3.7 Flashは要再評価
DJレン: 価格、速度、コーディング性能、ツールループの安定性のバランスがかなり良い。“軽量枠”としてではなく主力候補として見る価値がある。
2) エージェント開発者はHarnessを見るべき
DJミオ: DeepSeek HarnessやArcee NACは、単発チャットの発想を超えている。
今後はプロンプトより実行基盤が差を生む場面が増える。
3) 速度改善はモデル選定だけで終わらない
DJレン: モデルが速くなっても、外部ツールが遅ければ全体は遅い。
ツール呼び出し、並列化、キャッシュ、失敗回復まで含めて設計しよう。
4) DeepSeekのコスト前提は変わった
DJミオ: キャッシュ依存のワークロードでは特に重要。
「安いDeepSeekで組んでいた設計」を、そのまま延長できるとは限らない。
5) ベンチスコアだけで選ばない
DJレン: Opus 5のUX不満や、評価論文群が示す通り、
使いやすさ、従順さ、冗長性、修正完遂率みたいな現場指標は大事。
6) ローカル実行は“公開されているか”より“置けるか・回るか”
DJミオ: Qwen 3.8 2.4T-A95Bのように、オープンでも物理的に無理なものはある。
メモリ、VRAM、スループットを冷静に見よう。
7) 透明性技術は実装と回避のいたちごっこになる
DJレン: 推論漏洩もウォーターマークも、制度だけでは完結しない。
技術的実効性と副作用を見極める必要がある。
18. エンディング
DJミオ: 今日は「静かな日」と言われていたけど、こうして見ると全然静かじゃなかったね。
むしろ、AIが“すごいデモ”の時代から、どう安く、速く、長く、壊れずに働かせるかの時代に入っているのが、すごくよく見えた日だった。
DJレン: モデルそのものの知能競争は続く。でも実際の差は、
価格性能、ランタイム、推論速度、評価設計、運用のしやすさで決まり始めている。
そこを見ないと、ニュースを追っても本質を外しやすい。
DJミオ: というわけで、今夜の**「Midnight AI Groove」**はここまで。
Gemini 3.7 Flash、DeepSeek Harness、Arcee NAC、Sol Ultrafast、評価プラットフォーム、Qwen 3.8、DeepSeek値上げ、Grok 4.6、Opus 5のUX、透明性論争まで、まとめてお届けしました。
DJレン: また次回、深夜のAIトレンドをグルーヴに乗せて解きほぐしていこう。
DJミオ: お相手はDJミオと、
DJレン: DJレンでした。
二人: Good night, and keep the agents running.
――フェードアウト。
