Metaが8160億パラメータのMuse Spark Openを公開、NVIDIAがNemotron 3.5 Super VLを発表、CohereがAISLEを買収へ

Metaは、8160億パラメータのマルチモーダル混合エキスパートモデルMuse Spark Openの重みを公開した。同社は米国で最も高性能な公開モデルと位置づけており、NVIDIA、Hugging Face、7社のAPIプロバイダーが同日から対応する。NVIDIAもエージェント向けの1200億パラメータモデルNemotron 3.5 Super VLを公開した。一方、Cohereは脆弱性の自律的な発見を専門とするAISLEの買収に向けた基本合意書に署名し、Cohere Cyberを設立する。PerplexityはComputerのサンドボックスであるSPACEをオープンソース化し、Black Forest LabsはFLUX 3 Image Kleinの重みを公開、Cognitionは本番環境のインシデントを調査するオンコール対応エージェントDevin Oncallを発表した。

Muse Spark Open：Metaが8160億パラメータのマルチモーダルMoEを公開、NVIDIAとHugging Faceが同日対応

10月15日 — Metaは、総パラメータ数8160億、トークンあたりのアクティブパラメータ数420億、コンテキストウィンドウ100万トークンのマルチモーダル混合エキスパートモデル（mixture-of-experts、MoE）、Muse Spark Openの重みを公開した。テキスト、画像、動画、音声を読み取り、テキストで応答するモデルで、Metaはコーディングとエージェントによる作業に向けて訓練した。Museシリーズでは、8月に公開された300億パラメータの小型密モデルMuse Glimmerの上位に位置する大型公開モデルとなる。非公開のまま提供されているMuse Wonderの登場から3日後の公開だ。

Today we’re releasing Muse Spark Open, the most capable US open-weight model to date. Built for coding and agentic work, it excels at long-horizon tasks, complex software engineering, and multi-step reasoning.

🇯🇵 本日、米国の重み公開モデルとして現時点で最も高性能なMuse Spark Openを公開します。コーディングとエージェントによる作業向けに設計されており、長時間にわたるタスク、複雑なソフトウェア開発、多段階の推論で優れた性能を発揮します。 — @AIatMetaのX投稿

この最上級の表現は、厳密な範囲で受け取る必要がある。モデルをxhigh設定で評価したHugging Faceのモデルカードの表では、Muse Spark OpenはMCPツールの使用やJobBenchを含む全体の8項目で首位に立つ。しかし、Artificial Analysisの指数（同モデルの39に対しGLM 5.3は45、Kimi K3は44）とコーディングでは、中国の大型公開モデルが依然として上回る。同じ表にある米国のほかの3モデル、Thinking MachinesのInkling、NVIDIAのNemotron 3 Ultra、Reflection AIのBeamと比べると、能力面で上回るのはBeamだけで、GPQA Diamond（89,0に対して90,5）とTerminal-Bench 2.1（76,4に対して80,1）で優位に立つ。

評価ベンチマーク（Hugging Faceのモデルカード）	Muse Spark Openのスコア（xhigh）	表中の競合モデルの最高値
MCP-Atlas	89,2	84,5 (Qwen3.8-2.4T-A95B)
JobBench	61,8	61,4 (GLM 5.3)
HLE-Diamond（ツールなし）	26,1	22,2 (Kimi K3)
Artificial Analysis指数	39	45 (GLM 5.3)
OSWorld Verified	80,4	84,8 (Kimi K3)
DeepSWE 1.1	60	68 (Kimi K3)
Terminal-Bench 2.1 (Terminus 2)	76,4	85,0 (Kimi K3)
StrongREJECT v2（低いほど良い）	0,5	62,9 (GLM 5.3)

すべてのエキスパートがメモリに常駐するため、420億パラメータモデル相当の速度を得るにも、8160億パラメータモデル相当のメモリが必要になる。BF16の重みは約1.5 TB（Hugging FaceのMuse-Spark-Open-816B-A42Bリポジトリで、フォームへの記入後にアクセス可能）で、NVFP4版は単一のB200ノードに収まる。それでもMetaはローカル実行を強調している。モデルはMLXを使い、それぞれ最大512 GBのユニファイドメモリを備えるMac Studio M5 Ultraを2台接続した構成に最適化されている。Hugging Faceは、より小規模な512 GBのMac M3 Ultra 1台で検証した。llama.cpp上で動作する2ビット版は304 GBを使用し、毎秒18トークンを生成する。

重みは、商用利用に制限のあるMuse Model Licenseの下で公開されている。Metaによれば、多くの開発者は無料でモデルを利用できる。初日から提供するのは、Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter、Together AIの7社だ。Metaは、重み公開モデル向けの安全性の事後学習を追加し、10月2日に更新したMeta Superintelligence Scaling Frameworkの公開基準を満たしたとしている。スコアが低いほど良いStrongREJECT v2では、ほかの評価対象モデルが62,9〜86,4だったのに対し、同モデルは0,5を記録した。FORTRESSでは平均リスクスコアが最も良好（ほかが21,6〜28,2に対して5,8）だった一方、過剰拒否のスコアは表中で最も高かった（ほかが2,7〜13,3に対して17,4）。

NVIDIAは公開に合わせて技術記事を発表した。Muse Spark OpenはGB300 NVL72ラックで訓練されており、Metaが作成したNVFP4チェックポイントはBlackwell Ultra向けに最適化されている。エージェントのワークロードでは、GPUあたり毎秒最大50,000トークン、ユーザーあたり毎秒最大600トークンをうたい、SGLang、vLLM、TensorRT LLM、Dynamo向けのデプロイ手順、NIM、NeMo AutoModelを使った事後学習の手順を公開している。

ほかのエコシステムも同日中に対応した。TransformersとTRLがモデルを統合し（後述）、mlx-lm 0.32.0はNVFP4版への対応を追加した。Unslothは約256 GBに収まる2ビット版を発表し、MetaはSGLang向けに、カーネル単体で最大3.95倍高速なHelionカーネルを提供した。Hugging Faceは記事の中で、H100 GPU 64基を使ってモデル全体をファインチューニングし、トークン単位の平均正解率を72 %から84 %へ向上させている。

🔗 Metaの記事 · モデルカード（Hugging Face） · Hugging Faceの記事 · NVIDIAの技術記事

Nemotron 3.5 Super VL：NVIDIAがエージェント向けの1200億パラメータのマルチモーダルモデルを公開、Perplexityが同日導入

10月15日 — NVIDIAは、総パラメータ数1200億、トークンあたりのアクティブパラメータ数120億の公開混合エキスパートモデルNemotron 3.5 Super VLを発表した。推論、指示追従、ツール呼び出しに加え、テキスト、画像、文書、動画の理解を備え、長いタスクを連続して実行するエージェントを想定している。同じモデルがウェブページ、グラフ、PDFを読み取ってから行動するため、テキストモデルから視覚モデルへコンテキストを受け渡す必要がない。NVIDIAによれば、マルチモーダルなエージェントタスクで、同社最大の推論モデルに匹敵する正解率を、約5分の1のパラメータ数で実現する。

NVIDIAが発表した評価	Nemotron 3.5 Super VLのスコア	比較対象
Hermes Bench	63,44 %	56,33 % (Nemotron 3 Ultra)
LangChainの動作評価	87,05 %	84,3 % (Nemotron 3 Ultra)
CharXiv（グラフ読解）	80,8 %（Pythonコード使用時は84 %）	63 % (Nemotron 3 Nano Omni)

NVIDIAが特に強調するのは効率だ。GPU 1基でのエージェントタスクのスループットは、同規模のほかの公開モデルに比べて最大5倍となる。Baseten経由では、Artificial Analysis指数のエージェントタスクで毎秒600トークン超を達成し、SWE-Bench Proで良好な正解率を維持しながら、10,000件のコーディングタスクを最大4倍速く完了したという。Nemotron 3 Ultraから蒸留されたモデルでありながら、表にある2つのハーネス評価ではそのNemotron 3 Ultraを上回る。提供基盤では、LiLiCorrの投機的デコーディングがDGX Spark上の生成を最大2.3倍高速化する。また、DynamoはB200 GPU 16基で、各ユーザーに毎秒50トークンを提供しながら最大8倍のユーザーに対応し、最初のトークンまでの待ち時間を85 %短縮する。

公開内容は包括的で、ベースモデル、事後学習済みモデル、NVFP4量子化モデルの重み、手順、NeMo Gymの強化学習環境、公開データセットを含む。データセットには視覚言語データセット40件と、IIT Madrasおよび同校のAI4Bharat研究所と共同で構築した、インドの22言語にわたる約2兆8000億トークンのコーパスが含まれる。モデルは訓練時に約26兆トークンを学習した。Hugging Face、OpenRouter、ModelScope、NIMマイクロサービスで利用でき、料金は発表されていない。NVIDIAは、Skydance向けに推論コストを40分の1にしたとするScale AIの事例や、Ramp、AI21、Aliceでの適応事例を挙げている。

Perplexityは同日、ProとMaxの加入者向け、およびAgent APIに同モデルを追加した。APIの変更履歴によると、Nemotron 3 Ultraに代わって提供されるperplexity/nemotron-3.5-super-120b-a12bの料金は、入力100万トークンあたり0.20ドル（キャッシュ利用時は0.04ドル）、出力は0.50ドルで、コンテキストは1,048,576トークン、生成上限は131,072トークンとなる。ただし、小さな食い違いがある。この項目では入力がテキストのみのモデルと説明されている一方、Perplexityの投稿では画像も読み取れるVL版の導入が告知されている。

同日、10月13日に発表されたNemotron 3.5 Bolt 74B-A9B 24GBもHugging Faceで公開された。24 GBに収まるようネイティブに2ビット量子化されており、10月16日発売のRTX Sparkノートパソコンを想定し、llama.cpp、Ollama、LM Studio、Unsloth、vLLMで動作する。NVIDIAは、PinchBenchで同カテゴリーの公開モデルの首位に位置づけている。Bolt E4B 4GBは10月23日に続く予定だ。

🔗 NVIDIAの発表 · NVIDIAの技術記事 · Perplexityの発表 · Perplexity APIの変更履歴

サイバーセキュリティ：CohereがAISLEを買収しCohere Cyberを設立へ、GitHubはAI Scanとエージェントによる自動修正を一般提供

同日、2社が脆弱性の発見と修正にAIを活用する動きを見せた。Cohereはその技術とノウハウを買収し、GitHubはコードスキャンでの提供を広げる。

10月15日 — Cohereは、重要なソフトウェアに存在する未知の脆弱性を発見、検証し、修正を支援できる自律システムを開発する新興企業AISLEを買収する予定だ。両社は基本合意書（Letter of Intent）に署名した段階で、買収はまだ完了しておらず、金額も日程も公表されていない。買収完了後、プラハにあるAISLEの本社はCohereのプラハ拠点となる。

AISLEについて公表された指標	発表値
設立年	2024
CVEが付与された新規発見の脆弱性	500超、100超のコードベースで発見
OpenSSL、1月のセキュリティ公開情報	公表された12件の脆弱性すべて
curl、最新バージョン	24件のCVEのうち18件
深刻度が高または緊急のCVE	200超（エイダン・ゴメスによる）

Aisle is the state-of-the-art in defensive cyber, having found 200+ High/Critical CVEs in critical software like curl, FFmpeg, FreeBSD, Wireshark.

🇯🇵 Aisleはサイバー防御の最前線に立ち、curl、FFmpeg、FreeBSD、Wiresharkといった重要なソフトウェアで、深刻度が高または緊急のCVEを200件以上発見しています。 — @aidangomezのX投稿

同じスレッドで、Cohereを率いるエイダン・ゴメスは、AISLEがAnthropicのGlasswing（Mythos）とOpenAIのDaybreakを上回ったと主張している。curlで29件の新たなCVEを発見した一方、Mythosは1件も発見できなかったという。ただし、この数値は両社の記事で示された「24件のCVEのうち18件」とは一致しない。

AISLEの創業チームは経営幹部に就任する。AISLEの最高経営責任者オンドレイ・ヴルチェクは、Cohereの顧客にサイバーセキュリティソリューションを提供する新部門Cohere Cyberの上級副社長となる。ジャヤ・バルーはCohere全体の最高情報セキュリティ責任者に就任する。AISLEのCTO兼チーフサイエンティストであるスタニスラフ・フォルトはAIセキュリティ担当副社長となり、CohereのCTOであるアイヴァン・チャンとともに、セキュリティ研究をモデルの開発と訓練に結びつける。

Cohereは、Reliant AIとAleph Alphaに続く欧州戦略の新たな一歩と位置づけている。同社はプラハへの「大規模」かつ長期的な投資を計画しており、同地をAIサイバーセキュリティの世界拠点とする予定だ。エイダン・ゴメスによれば、ベルリンの新本社からも短時間で移動できる場所にある。目標は2つある。AISLEによるオープンソースソフトウェアのセキュリティへの取り組みを継続することと、重要インフラの運営者が、外部ネットワークから切り離された環境（air-gapped）も含め、完全にプライベートな環境でソフトウェアを分析できるようにすることだ。両社の記事はモデル面での利点も挙げている。難しい一方で検証可能なセキュリティ上の問題は、Cohereの今後のモデルを評価し、改善するために活用できるという。

🔗 Cohereの記事 · AISLEの記事

GitHub：プルリクエストのAI Scanとアラートのエージェント型自動修正が一般提供を開始

10月15日 — GitHubは、AIを活用したコードスキャンの2つの機能を一般提供に移行した。一方はプルリクエスト内の脆弱性を検出し、もう一方はアラートを修正する。

プルリクエストのAI Scanは、PHP、Shell/Bash、Terraformの設定（HCL）、Dockerfile、JavaのJSP、C#のBlazorなど、CodeQLの解析がまだ対応していない領域を補完する。リポジトリのコードスキャンとAI Scan設定が有効になっていれば、各プルリクエストで自動的に実行される。結果はCodeQLの結果と並んで「AI」と表示され、リスクの説明や修正案が添えられる場合もある。ただし、結果は参考情報にとどまる。チェックを失敗させたり、マージを阻止したりすることはなく、フォークからのプルリクエストやDependabotのプルリクエストでは解析を実行しない。

エージェント型自動修正（agentic autofix）は、Copilotに割り当てられたアラートを処理する。関連ファイルを調べて修正案を作成し、CodeQLを再実行してアラートが解消されたことを確認する。必要に応じて修正を繰り返し、最後にドラフトのプルリクエストを作成する。デフォルトブランチのアラートを割り当て、1つのプルリクエストで最大25件のアラートを修正できるほか、REST APIでアラートをcopilot-swe-agent[bot]に割り当てる方法もある。有効化すると、無料のGenerate Fixオプションに置き換わる。

一般提供を開始したGitHubの機能	プランと利用条件	課金方式
プルリクエストのAI Scan	公開リポジトリで利用可能。組織の非公開リポジトリと内部リポジトリにはCode SecurityまたはAdvanced Securityが必要。Copilotライセンスは不要	Code Security AI Credits
アラートのエージェント型自動修正	GitHub Enterprise CloudのCode SecurityまたはAdvanced Securityで利用可能。データレジデンシー対応環境を含む。Agentic autofixポリシーとCopilotの支払い方法の設定が必要	Code Security予算のAI CreditsとGitHub Actionsの実行時間（分）

今回の2つの一般提供開始は、9月から本記事で取り上げてきた一連の動きを締めくくるものだ。9月10日にはAI Scanの有効化API、9月25日にはCopilot Memoryを活用したエージェント型自動修正のプレビュー、10月13日にはセキュリティ概要でのAI Scan指標が公開されていた。

🔗 プルリクエストのAI Scan（GitHub更新履歴） · コードスキャンのアラートに対するエージェント型自動修正（GitHub更新履歴）

SPACE：PerplexityがComputerのサンドボックスをApache 2.0ライセンスでオープンソース化

10月15日 — Perplexityは、Perplexity Computerのすべてのタスクを実行するサンドボックス基盤、SPACE（Sandboxed Platform for Agentic Code Execution）をオープンソース化した。前日には、SPACEが各リクエストを適切なサンドボックスの実行先へ振り分ける仕組みを説明していたが、今回はコードそのものがApache 2.0ライセンスでGitHubに公開された。各エージェントのタスクは専用のFirecrackerマイクロVMで動作し、認証情報と外向き通信は仮想マシンの外側から管理される。

セキュリティの原則は、サンドボックスを信頼しないという考え方にある。Computerのエージェントは、その内部でコマンドの実行、パッケージのインストール、外部サービスの呼び出しをルート権限で行う。ただし、ホストにはアクセスできず、サンドボックスごとの専用ゲートウェイが接続のたびに外向き通信ポリシーを適用する。エージェントは、作業環境内に認証情報を保存することなく、許可されたサービスを利用できる。また、サンドボックスは作成元のリクエストが終わっても存続する。一時停止や複製（fork）、メモリとディスクのスナップショットへの退避を行い、その後再開できる。

SPACEの項目	Perplexityが示した内容
リポジトリの言語とライセンス	Rust、Apache 2.0
分離方式	エージェントのタスクごとにFirecrackerマイクロVMを1台使用
本番環境での規模	7月以降、Computerの全セッションで毎日数百万個のサンドボックスを作成
従来の提供元と比較した作成速度	同じ本番トラフィックで3～5倍高速
Escaping SPACE, Part I	108回の試行でホストへの脱出は0件
バージョン公開予定	0.8.0を公開版の基点とし、その後0.9.0、1.0.0へ

9月のEscaping SPACE評価では、仮想マシンからホストへの脱出は見つからなかったが、ネットワーク制限の回避手段が確認された。記事によると、これらは修正済みで、その後のテストでは特定された手法は成功しなくなったという。Rustで書かれたこのリポジトリは、ローカルのテスト用Kubernetesクラスター（Kind）に導入できる。事前起動済みサンドボックスのプール（warm pools）と、E2BのAPI互換レイヤーも備え、後者はE2BのPython SDKでテストされている。0.9.0は、インターフェースの契約を安定させる1.0に先立ち、互換性を損なう変更を導入する最後のバージョンとなる。

CoreWeaveとAkamaiは、自社プラットフォームでSPACEをテストして稼働させ、顧客向けの提供に取り組んでいる。CrusoeもManaged AI Servicesに追加する予定だ。PerplexityはSPACEを、自社のエージェント実行基盤（Agentic Runtime Platform）の最初の構成要素と位置づけ、エージェント型製品のセキュリティ水準を高めるために公開したとしている。

🔗 Perplexityの記事 · @perplexity_aiのスレッド · SPACEリポジトリ（GitHub）

生成メディア：一般向けGPUで動作するオープンウェイトのFLUX 3 Image Klein、Kling 4.0の全面公開、ElevenLabsのInstant Soundtracks

10月15日 — Black Forest Labsは、56億パラメーターを持ち、生成器のみで構成されるオープンウェイトの画像モデル、FLUX 3 Image Kleinを公開した。一般向けGPUを1基使って動作する。同じモデルでテキストから画像を生成できるほか、1枚または複数枚、最大10枚の参照画像を使った編集も行える。10月1日に公開されたFLUX 3 Imageの主要機能を引き継ぎ、ネイティブ4K生成、ピクセル単位の精密な編集、バウンディングボックス（bounding boxes）に対応する。バウンディングボックスでは、プロンプト内で要素の位置を指定したり、編集対象を特定の領域に限定したりできる。

BFLの社内評価によると、Kleinはテキストからの画像生成、複数の参照画像の利用、画像編集の各分野で、より大きなオープンモデルのQwen-Image 2.1（7B）とKrea 2（12,9B）を上回り、首位となった。比較対象のクローズドモデルであるIdeogram V4.5とFLUX.2 [pro]も上回っている。前世代のFLUX.2 [klein] 9Bと比べると、パラメーター数を38 %減らしながら、テキストからの画像生成でEloが91ポイント、画像編集で70ポイント向上した。

テストした構成	公表された結果
BF16 / FP8の重み	11,2 Go / 5,6 Go
GeForce RTX向けINT8版（ComfyUIまたはDiffusers）	8 GoのVRAMで動作
RTX 5090、INT8の蒸留版（NVIDIA測定）	1メガピクセルの画像あたり約4 s
RTX 4070、INT8の蒸留版（NVIDIA測定）	1メガピクセルの画像あたり9 s未満
H100、Diffusers上の蒸留版	1024 × 1024ピクセルの画像あたり約2 s
GB300、NVFP4の蒸留版	1メガピクセルの画像あたり0,6 s未満

Hugging Faceは同日、Diffusersに対応を追加し、2つのチェックポイントを提供した。1つは16ステップでCFGを使わない蒸留版、もう1つはファインチューニング向けの50ステップのベース版だ。NVFP4とFP8の重み、Qwen3-VLテキストエンコーダー、LoRAのファインチューニング用スクリプトも用意されている。NVFP4では、RTX 6000上で推論後のメモリ使用量のピークが15,3 Gioに達する。ComfyUI、TensorRT-LLM、SGLang Diffusion、vLLM-Omniも公開時点から対応しており、FP8、INT8、NVFP4の各バージョンはNVIDIAと共同開発された。

重みはFLUX Kommunityライセンスで公開されている。個人および年間売上高500万ドル未満の企業による商用利用と、研究目的の利用は無料だ。それを超える場合は、セルフホスト向けライセンスを取得するか、APIを利用する必要がある。BFLのAPIでは、flux-3-image-kleinを1K画像1枚あたり0.009ドルから提供する。FLUX 3 Actionに続くFLUX 3ファミリーで2番目のオープンモデルであり、BFLは今後も追加するとしている。

🔗 Black Forest Labsの記事 · @bfl_aiの発表 · DiffusersのFLUX 3 Image Klein（Hugging Face）

Kling 4.0が全面提供へ、MCPとコマンドラインからも利用可能に

10月15日 — Kling AIは、9月30日に開始した早期アクセスを経て、Kling 4.0をすべての利用者に公開した。この動画モデルは、kling.aiの刷新された制作画面で利用できるほか、新たにMCPとコマンドライン（CLI）にも対応し、各種ツールを使う制作工程に組み込めるようになった。近日提供予定の機能として、4Kと1080pでの10ビットHDR動画出力、企業と開発者向けのAPIアクセスが発表されているが、日程は示されていない。仕様は9月28日の発表内容が引き続き基準となる。動画の長さは3～30秒、解像度は最大4Kで、ステレオ音声、10枚のキーフレーム、15点の参照素材、8,000トークンのプロンプトに対応する。今回の発表では料金もベンチマークも示されていない。

🔗 Kling AIの発表 · Klingのリリースノート

Instant Soundtracks：ElevenLabsが動画に同期した音楽と効果音を生成

10月15日 — ElevenLabsは、ElevenCreativeでInstant Soundtracksを公開した。動画をアップロードすると、モデルがオリジナルの音楽を作曲し、効果音が必要な場面を検出して、それぞれの効果音を適切な時刻に配置する。例えば、広告の最後に出るロゴに合わせて「シュッ」という音を入れられる。このツールは短尺動画を対象とし、カットやトランジションにより細かくタイミングを合わせ、シーンごとに音楽の雰囲気を切り替える。元の音声を、ジャンル、テンポ、楽器編成の参照として使うこともできる。効果音は個別のトラックで提供され、書き出し前に編集できる。

ElevenCreative Studio APIのパラメーター	パラメーターの役割
`add_sfx`	同期した効果音を追加する
`separate_tracks`	音楽と効果音を別々のファイルで返す（.ZIP）
`use_audio_as_reference`	元の音声を音楽の参照として使う

Instant Soundtracksは、ElevenCreative、ElevenMusic、APIで利用できる。APIは1回のリクエストにつき、最大10本、200 Mo、合計10分の動画を受け付ける。ElevenLabsは料金を示していない。

🔗 ElevenLabsの発表

コーディングエージェント：CognitionのDevin Oncall、Claude Code 2.1.301とCode Review、Delta 0.20、Antigravity CLI 1.3.6、OpenAIでのCodex、MX Keypad

10月15日 — CognitionはDevin Oncallを公開し、一般提供を開始した。Devinがアラートやバグ報告を自動で調査し、本番環境のインシデントの診断と解決をチームに支援する。Datadog、Dynatrace、Sentryなどに最初から接続でき、Cognitionによると、すでに世界有数の大企業の一部で、毎日数千件の本番アラートを処理している。アーキテクチャは特定のモデルに依存せず、Cognitionがオンコール業務のタスクごとに最も効果的なモデルを選択する。

評価したエージェントとモデル	最初から最後までの成功率（SREGym-Lite）	スコアの出典
Devin Oncall + Claude Opus 5.5	100 %（2 min 21 s）	Cognitionの社内評価
Devin Oncall + GPT-6 Astra	100 %	Cognitionの社内評価
Devin Oncall + GPT-6.1 Sol	94,1 %	Cognitionの社内評価
Devin Oncall + Claude Fable 5.1	85,3 %	Cognitionの社内評価
CloudThinker + Claude Opus 5	76,5 %	SREGymの公開ランキング
Codex + GPT-5.6 Sol	76,5 %	SREGymの公開ランキング
Claude Code + Claude Sonnet 5	45,1 %	SREGymの公開ランキング

SREGym-Liteは、実際のインシデントに由来する17件の障害を集めたものだ。エージェントは、同じ実行の中で根本原因を特定し、稼働中のシステムを修正する必要がある。Devin OncallのスコアはCognitionの社内評価、ほかのエージェントのスコアは10月15日時点のSREGym公開ランキングに基づく。このランキングでは、CloudThinkerもGPT-6 Astraとの組み合わせで100 %に達している。したがって、このベンチマークはすでに上限に達している。Cognitionによると、前世代が50～60 %で頭打ちだったのに対し、現在は中位のモデルでも満点を獲得しているという。

記事では、主にモデルを取り巻くツール群を説明している。レビュー用エージェントが調査と並行して動き、相関を原因とみなす、矛盾するテレメトリーを無視する、発端を根本原因と取り違えるといった早計な結論を防ぐ。企業の知識は3層のメモリに蓄積される。各対応担当エージェント固有のメモリ、環境を定期的に索引化して生成するスキル、各調査の結果を取り込む組織メモリだ。Auto-Triageの次世代として紹介されたRespondersは、アラートの流れを監視し、既知の問題を認識することで調査の約60 %を省き、従来型の自動化にかかるコストの半分以上を削減する。Incidentsモードでは、Devinが障害対応チャンネルに参加し、インシデント文書を最新の状態に保つとともに、子Devinがエンジニアからの直接の質問を担当する。

今回の公開では、3社の導入事例も示された。Reductoでは、本番アラートが発生するよりかなり前に、Devinが自らインシデントを起票した。RivianとVolkswagenの合弁会社RV Techでは、顧客の報告から車両識別子とタイムスタンプを抽出し、ログを取得して一次切り分けを行う。AngelListでは、社内ツールSkyに比べて正しい根本原因を特定する頻度が3.5倍となり、インシデントの半数を単独で処理したため、Skyは廃止された。料金は発表されておらず、Devin Oncallのページでは利用開始またはデモ予約を案内している。今回の公開は、AI支援によるSREを専門とするTierZeroの創業者たちが7月にCognitionへ加わった流れを受けたものだ。

🔗 Cognitionの記事 · @cognitionのスレッド · Devin Oncallのページ

Claude Code 2.1.301：無人実行モードで使用上限の待機時間を制限、37件の修正

10月15日 — 19時22分 UTC に公開された Claude Code 2.1.301 には、8件の追加、37件の修正、4件の改善、2件の変更からなる51件の項目があり、無人実行での使い勝手に重点が置かれている。新しい変数 CLAUDE_CODE_RETRY_WATCHDOG_MAX_USAGE_LIMIT_WAIT_MS により、自動再試行モード（CLAUDE_CODE_RETRY_WATCHDOG）は、到達した使用上限のリセットまで時間がかかりすぎる場合、待機せずにリクエストを断念できる。可観測性の面では、OpenTelemetry のイベント tool_decision に classifier_verdict と permission_mode が含まれるようになり、自動モードの分類器による判断と権限ルールによる判断を区別できる。さらに、ブロックの原因となった組み込みルールを示す classifier_category（OTEL_LOG_TOOL_DETAILS=1 と併用）も含まれる。

信頼性に関わる修正も複数ある。エイリアス fable（および best）は、最新の Fable が組織に開放されていない場合もエラーにならず、Claude Code が1つ前の Fable で一度だけ再試行するようになった。セッションを終了しても、フック WorktreeCreate で作成され、未プッシュのコミットが含まれている可能性のある worktree が、確認なしに削除されることはなくなった。Grep と Glob は、検索に失敗した際に「一致なし」と表示せず、エラーを報告するようになった。コンテキストウィンドウが小さいモデルへ切り替える際は、会話が長すぎる場合、まず切り替え前のモデルが要約する。VS Code では、回答内の LaTeX 数式が表示され、使用上限のバナーには Pro と Max の加入者向けに「使用枠を増やす」リンクが表示される。

🔗 Claude Code 2.1.301 のリリースノート

Claude Code の Code Review、研究プレビューを終了し Team と Enterprise 向けに正式提供

10月15日 — 3月9日の研究プレビュー開始から7か月を経て、GitHub のプルリクエストを自動でレビューする Claude Code のサービス Code Review が、Claude Team と Enterprise の組織向けに正式提供された。Anthropic によると、ほとんどのレビューはプレビュー時のおよそ3分の1の時間で完了し、問題、その発生条件、修正方法を簡潔に指摘する。管理者はリポジトリごとに、クイック、標準（デフォルト）、詳細のいずれかのレベルを選択する。

Code Review の主なポイント	Anthropic が公開した詳細
レビューの所要時間	約6〜10分。プレビュー時は約20分
レビューの課金	消費トークン数に応じて、プランに含まれる使用枠とは別の使用クレジットから差し引かれる。月間上限あり
提供開始時のクレジット	対象の Enterprise 組織に少なくとも 10 000 ドル。2027年1月15日までに申請が必要で、有効期間は30日
現時点での対象外	Zero Data Retention、HIPAA 構成、および現時点では顧客管理の暗号鍵（CMEK）

基本的な仕組みは変わらない。指摘は重大度別に分類されたインラインコメントとして届き、チェック実行が失敗扱いになることはない。レビューがプルリクエストを承認したりブロックしたりすることもなく、マージの判断はチームに委ねられる。

🔗 Code Review の正式提供を開始（Claude） · Code Review のドキュメント

Delta 0.20：サブエージェントが操作可能なサブスレッドに、エージェントは MCP サーバーにアクセス可能に

10月14日 — Zed の開発者による共同コーディング環境 Delta が、バージョン0.20になった（18件の新機能、14件の改善、29件の修正に加え、同日に0.20.1で1件を修正）。サブエージェントは通常のサブスレッドとなり、内容の確認、方向転換、自分での作業継続が可能になった。サブスレッドは入れ子にもできる。「サブエージェントを有効化」の設定は「委任」に変わり、3段階（オフ、指示された場合のみ、最大）から選べる。エージェントは MCP サーバーにもアクセスできるようになり、「設定 → MCP」から接続する。サブスレッドから実行するレビューや Land には、親スレッドから継承した変更も含まれる。このバージョンでは、自分の Google キーで利用する Gemini 4 Argon、/create-skill コマンド、ターミナルから組織を管理するための delta org コマンドも追加された。

10月15日には、コンラッド・アーウィンの講演を基にした記事で、キー入力のたびにサーバーと共同作業者へ送信するコラボレーション層 DeltaDB の詳細が紹介された。diamond-types に着想を得た CRDT を使い、各変更を Git のバージョンまたは先行する変更に結び付ける。各文字には、それを作成した変更の情報があるため、Delta は文字に作成者、エージェント、さらにはプロンプトまで関連付けられる。

🔗 Delta のリリースノート · DeltaDB：バージョン管理の未来

Antigravity CLI 1.3.6：Google Cloud の認証情報で Claude 5.5 を利用可能に、1.3.5では Auto モードと /compact を追加

10月14日 — Google が Gemini CLI の後継と位置付けるコマンドラインのエージェントツール Antigravity CLI は、更新を重ねている。ここで10月8日に取り上げた1.3.1以降、5つのバージョンが続いた。1.3.6では、Google Cloud のデフォルト認証情報（Application Default Credentials、AGY_ADC_AUTH）でログインしたユーザー向けに、Claude Opus 5.5 と Claude Sonnet 5.5 が追加された。Claude モデルが /model に表示されるのは、Google Cloud プロジェクトにアクセス権がある場合のみとなる。また、無期限に停止したままになる問題も解消した。モデルから5分間データが届かなければ、リクエストをキャンセルし、自動で再試行する。

最も目立つ新機能は1.3.5で導入された Auto モードだ。ファイルの変更や安全と判断したコマンドを自動承認する一方、元に戻せない操作の前には必ず確認を求める。ターミナルのサンドボックスの外で実行されるコマンドは、まず別のエージェントが審査する。1.3.6ではこの審査が高速化され、プロジェクトの整形コマンドとリントコマンドを許可し、機密データを送信するコマンドをブロックする。このモードは Linux と macOS で、--mode auto、/config、または Shift+Tab から有効にできる（Windows は後日対応）。1.3.5では /compact も追加され、必要に応じて会話を要約し、コンテキストウィンドウに空きを作れるようになった。

Antigravity CLI のバージョン	変更履歴の日付	改善と修正	主な変更点
1.3.6	10月14日	3 + 10	ADC で Claude Opus 5.5 と Sonnet 5.5 を利用可能に、5分間停止したら再試行
1.3.5	10月13日	5 + 1	Auto モード、`/compact`、`/diff` での色分けと折りたたみ
1.3.4	10月12日	4 + 10	`agy plugin list --json`、`--effort` なしでモデルを選択
1.3.3	10月9日	6 + 15	MCP ツールを常時読み込み、サンドボックスを強化
1.3.2	10月7日	6 + 4	`/plugin` と公式プラグインマーケットプレイス

🔗 Antigravity の変更履歴

OpenAI での Codex 活用：Core Experimentation チームが GPT-6 Astra と GPT-6.1 Sol で保守作業のプルリクエストを 1 400 件超マージ

10月14日 — OpenAI Developers のブログで、全社で使われる実験用ソフトウェアを保守する Core Experimentation チームのエンジニアが、GPT-6 モデルに Codex でリポジトリの保守を任せた経緯を紹介している。出発点は、使われていないコードを見つけて整理するよう求める、短く意図的に曖昧なプロンプトだった。GPT-5.6 Sol は最後までやり遂げられなかったが、GPT-6 Astra は過去のプルリクエスト、Slack のスレッド、社内の追跡ツール、本番環境のプロファイリング表を調べ、それぞれの削除に根拠を示した。その後、5人のエンジニアが2週間にわたり、ほかの業務と並行してこのプロンプトを応用した結果、1 400 件を超えるプルリクエストをマージし、800 000 行以上を削除した。あるサービスのコンテナイメージは 3,31 Go から 1,72 Go に縮小した（-48 %）。

モデルと推論の労力	タスクの API 費用	採用された指摘	指摘1件当たりの費用
GPT-6 Astra Ultra	109,06 ドル	142	0,77 ドル
GPT-6.1 Sol Ultra	15,12 ドル	131	0,12 ドル
GPT-6.1 Sol Medium	5,27 ドル	86	0,06 ドル

Python、TypeScript、Go、Rust の 6 000 超のファイル、100万行を対象とした同じ整理タスクで、推論の労力を Ultra にした GPT-6.1 Sol は、GPT-6 Astra Ultra の指摘の 92 % を、API 費用の 14 % で見つけた。差が出た主な要因は、ほかのフラグの依存先として使われる、一定値を取る機能フラグ（フィーチャーフラグ）で、Astra は検出したが Sol は見落とした。また、約30件の最適化のプルリクエストにより、CI の所要時間の中央値は約10分から4,5分に短縮された。著者は、改善効果よりも複雑さを増す提案もあったと認め、小さく始めることを勧めている。

🔗 GPT-6 ファミリーによるソフトウェア保守（OpenAI Developers）

MX Keypad：GitHub と Logitech、プログラム可能なキーパッドから GitHub Copilot アプリを操作

10月15日 — GitHub の開発者リレーションズ担当副社長、マーティン・ウッドワードは、「アンビエント・インテリジェンス」をテーマにした記事で、Logitech との18か月にわたる取り組みの成果を紹介した。プログラム可能なキーパッド MX Keypad が、GitHub Copilot アプリと連携する。キー1つで、パラメーターを設定したプロンプトの送信、Copilot セッションの開始や再開、IDE コマンドの呼び出し、複数ステップの操作の実行ができる。記事では、この機器を3層からなる構想の中に位置付けている。モダリティ（テキスト、音声、物理的な操作）が意図を捉え、ハーネスが計画して実行し、コントロールプレーンを通じて開発者が確認、方向転換、承認を行う。著者は慎重な姿勢を保っており、この体験は「まだ初期段階」（まだ始まったばかり）で、すべての開発者に追加の機器が必要なわけではないとする。GitHub Copilot Pro+ の3か月無料特典付きで MX Keypad を試せるリンクはあるが、記事に価格や提供開始日の記載はない。

🔗 次の開発者インターフェースはアンビエント・インテリジェンス（GitHub ブログ）

モデルの安全性：METR が Anthropic で従業員並みのアクセス権を獲得、IPI Black はプロンプトインジェクション対策に賞金 300 000 ドル

第三者によってモデルの安全性を検証するための、同日に発表された2つの取り組み。1つは独立評価者のチームが Anthropic に常駐するもので、もう1つはエージェントへの攻撃を競う公開コンテストだ。

METR が Anthropic で従業員に相当するアクセス権を獲得

10月15日 — Anthropic は、最先端の AI モデルを評価する非営利組織 METR のチームの受け入れを開始し、「従業員に相当するアクセス権」（従業員と同等のアクセス権）を付与した。METR の6人は、同社の機器とオフィスを利用でき、社内ツールやシステムへのアクセス権も Anthropic のリスク評価チームとほぼ同等となる。対象外なのは、顧客データ、弁護士と依頼者の間の秘匿特権に守られた情報、モデルのアーキテクチャのみだ。METR はリスク分析を公表し、Anthropic はそれを阻止できない。同社が要求できるのは、事前に狭く定義されたカテゴリーに属する情報の黒塗りのみで、METR はその黒塗りが妥当だと考えるかどうかを自由に公表できる。

評価者のアクセスレベル	情報へのアクセス	公表する権利	Anthropic が挙げた評価者
レベル1	対象を絞った調査。アクセス範囲は Anthropic が決定	Anthropic の承認が必要	SecureBio
レベル2	より多くの情報	承認不要。特定のカテゴリーは黒塗りの可能性あり	言及なし
レベル3	従業員に相当	レベル2と同じ	METR

Anthropic は Accenture および Faculty との提携も準備している。内容は、モデルの評価とレッドチーミング、アラインメント評価、ガードレールのテストだ。また、Hugging Face を含むほかの組織とも初期段階の協議を進めている。同社はこの仕組みを、最大手の銀行に検査官が常駐する銀行監督になぞらえている。また、企業が独立した外部評価者との協力を約束する「超知能に関するホワイトハウス合意」への署名に続く取り組みと位置付けている。

🔗 独立評価者に関する最新情報（Anthropic）

IPI Black：Gray Swan が賞金 300 000 ドルの間接プロンプトインジェクションコンテストを開始

10月15日 — Gray Swan は、賞金総額 300 000 ドルの間接プロンプトインジェクション公開コンテスト、IPI Black（Indirect Prompt Injection: Black）を開始した。Anthropic、Meta、Google DeepMind、Reflection AI、OpenAI、Amazon、Thinking Machines、AI Security Institute が支援する。経験は問われず、参加者は現実的なツール（Gmail、Slack、GitHub、X）を備えた模擬環境内のエージェントを攻撃する。例えば、ソーシャルメディア担当者の文章作成エージェントを誘導し、企業の公式アカウントに有害な内容を投稿させる。ホワイトボックスではエージェントの応答を確認しながら攻撃を改良でき、ブラックボックスでは何も見えない状態でペイロードを送信する。

コンテストは、10月15日、22日、29日に始まる各1週間の3回に分けて行われる。各回に独自のランキングがあり、ホワイトボックス部門とブラックボックス部門で 100 000 ドルを分配する。第1回には、ホワイトボックス6件、ブラックボックス4件の計10シナリオが用意され、GitHub のイシューコメントへの認証情報の漏えいから、偽の内部告発まで含まれる。収集された攻撃は、提携する研究機関がモデルの堅牢性を測るために使うベンチマークに組み込まれる。Claude Code の開発者ボリス・チェルニーも、このコンテストを紹介した。同氏によると、Claude モデルのプロンプトインジェクションへの耐性は近年大きく向上しているが、エージェントが担う作業が増えるにつれ、業界全体でこの問題を解決する必要性が切迫している。

🔗 Gray Swan のスレッド · コンテストのページ · ボリス・チェルニーの投稿

新モデル：時系列向けの Timestral、StepFun の Step 5 Preview、Apertus 1.5、Jev 1.14

性格の異なる4つの公開があった。Mistral の予測モデルファミリー、StepFun の大規模なオープン MoE、スイスの完全公開モデル、そして TypeSafe の意思決定モデルだ。

Timestral：Mistralが時系列向けの初の基盤モデル群を公開

10月15日 — Mistralは、時系列向けの初の基盤モデル群（時系列基盤モデル）であるTimestralを公開しました。同じアーキテクチャと学習手法を共有する、5M、28M、123M、209Mパラメータの4サイズで構成されます。各モデルは確率的な多変量予測（21分位点）を生成し、過去の値だけが分かる共変量と、事前に分かる共変量（生産予定、計画停止、天気予報）の両方を扱えます。機械の状態のようなカテゴリ変数にも対応し、最大32 768タイムステップの履歴を読み込めます。

ベンチマークと評価指標（低いほど良い）	Timestral-209M	t0-gamma	TimesFM-3	Chronos-2
GIFT-Eval, MASE	0,658	0,661	0,667	0,698
GIFT-Eval, CRPS	0,446	0,452	0,456	0,485
TIME, MASE	0,626	0,637	0,640	0,662
TIME, CRPS	0,522	0,534	0,536	0,556

Mistralによると、209Mは追加適応なし（ゼロショット）で使う事前学習済みモデルの中で、GIFT-Eval、TIME、fev-benchの首位に立っています。単一のチェックポイントを用い、アンサンブルなしで、従来の最高性能モデルをその3分の2のパラメータ数で上回ったとしています。上位の差は依然として小さいものの、小型の28Mも、約4倍大きいChronos-2をGIFT-EvalとTIMEですでに上回っています。TimestralはGPUを必要としません。8スレッドのサーバー用プロセッサでは、15分間隔の3週間分の履歴から1日分を予測するのに、5Mで10 ms、209Mで140 msかかります。重みはHugging Faceで公開され、月間連結売上高が2000万ドルを超える企業を対象外とする「修正版MIT」ライセンスが適用されます。コードはGitHubでApache-2.0の下で公開され、ドキュメントではTimestral 1.0を公開プレビューと位置付けています。Mistral Forgeでは独自データによるファインチューニングが可能で、オフライン環境にも展開できます。

🔗 Timestralの紹介（Mistral） · Hugging Face上のTimestral-209M

Step 5 Preview：StepFunが24時間のエージェントタスク向けに6000億パラメータのオープンなMoEを公開、NVIDIAが紹介

10月15日 — NVIDIAはStep 5 Previewの公開を歓迎し、同社の@NVIDIAAIアカウントは、これをStepFunによる過去最大のオープンウェイト公開と紹介しました。最大24時間に及ぶエージェントタスク向けに設計された、6000億パラメータの混合エキスパートモデルです。NVIDIAによると、GB300上のNVFP4でGPU当たり毎秒約8 000トークンを処理します。NVFP4のチェックポイントはHugging Faceで公開され、SGLangとvLLM向けの展開手順、NeMo AutoModelによる事後学習、単一コマンドで起動できるNIMも用意されています。NVIDIAの投稿には、ベンチマークもライセンスも記載されていません。

🔗 @NVIDIAAIの投稿

Apertus 1.5：Swiss AIが完全公開の8B・70Bモデルを詳説、画像・音声と262 144トークンのコンテキストに対応

10月15日 — スイスの取り組みであるSwiss AIは、完全公開のモデル群Apertus 1.5のリリースノートと技術報告書を公開しました。8Bと70Bの重みは、7月24日からApache 2.0の下で公開されていました。今回の報告では、中間チェックポイント（ベース、SFT、RLVR、DPO）、データの混合構成、評価シートも公開し、他の研究者が学習の各段階の効果を調べられるようにしています。

Apertus 1.5モデル	追加された事前学習トークン数	総トークン数
8B	4 000十億	19 000十億
70B	2 000十億	17 000十億

画像と音声は個別のエンコーダーを使わず、トークナイザーを通して処理されます。512 × 512ピクセルの画像は1 024トークン、1秒の音声は40トークンになるため、テキストだけの場合と同じ速度で学習できます。モデルは画像と音声を理解しますが、生成するのはテキストのみで、音声はまだ実験段階です。また、任意で使える思考モードと、従来の4倍となる262 144トークンのコンテキストにも対応しました。著者らは、最良のオープンモデルには依然として及ばないと認めつつ、8Bは同規模のモデルを指示追従と多言語対応で上回ると述べています。ただし、記事には具体的なスコアが示されていません。結果は、欧州のAI法への準拠を念頭に設計されたEvery Eval Ever形式で公開されています。

🔗 Apertus 1.5のリリースノート（Hugging Face）

Jev 1.14：TypeSafeが画像、Box質問、4倍長いコンテキストをプレビュー公開

10月14日 — TypeSafeは、意思決定モデルの新バージョンJev 1.14を発表しました。「新しく改良された」と紹介していますが、裏付けとなる数値は示していません。実験的な機能は3つあります。1つ目は画像で、これまでテキストを置けた場所ならどこにでも配置でき、現行のJevでも利用できます。2つ目は、System Oneの新しい質問タイプBoxです。画像内の物体の境界枠を、画像の幅と高さに対する割合で表した4辺として返します。3つ目は4倍長いコンテキストですが、TypeSafeは引き続き長さを制限するよう勧めています。これらの機能はプレビュー段階にあり、TypeSafeによると、まだ本番運用の水準には達していません。有効化にはヘッダーTypeSafe-Danger-Zone-Images: trueを使用します。Box質問にはJev 1.14が必要で、jev-previewまたはjev-1.14.0で呼び出します。Zedはウェス・ボスの試算を引用して公開を歓迎しました。その試算では、850 × 850ピクセルの画像に対する質問1件が0,000096936ドル、つまり1ドルで約10 000枚の画像を扱えるとしています。これはウェス・ボスによる計算であり、TypeSafeが公開した料金ではありません。

🔗 TypeSafeの発表 · Boxのドキュメント

科学のためのAI：CERNとMistralがLarge Physics Modelを目指し、Sakana AIがThe Agentic Scientistを発表、OpenAIが数学者に資金援助

研究にAIを役立てる3つの方法です。衝突型加速器の物理学向け基盤モデル、研究を最初から最後まで進めるための仕組みを備えたコーディングエージェント、そして数学者がAIの生成した結果を検証するための資金です。

CERNとMistralがLarge Physics Modelの開発に向けて提携

10月15日 — CERNとMistralは、科学的発見のための基盤モデルに取り組む長期的な戦略提携に向けて、基本合意書（意向表明書）に署名しました。計画の中心となるのは、事前学習済みの単一のLarge Physics Modelです。CERNはこれを衝突型加速器の物理学向け初の基盤モデルと位置付けており、大型ハドロン衝突型加速器（LHC）でシミュレーションした数十億件の陽子同士の衝突で学習させます。現在は専用アルゴリズムを連ねて行っている分析に代わり、衝突の再構成、粒子の識別、予想外の信号の検出、将来の検出器設計の評価という複数のタスクを同時に担うことを目指します。CERNはすでにLHCの実験データを約1エクサバイト（100万テラバイト）保存しており、2030年ごろに予定される高輝度LHC（HL-LHC）では衝突数が10倍になる見込みです。発表には、CERNの最高情報責任者エンリカ・ポルカリと、Mistralのエンジニアリング向けAI担当副社長ヨハネス・ブラントシュテッターのコメントが掲載されていますが、金額、日程、計算資源については示されていません。

🔗 CERNの発表 · @MistralAIのスレッド

The Agentic Scientist：Sakana AIがコーディングエージェントに仕組みを組み込み、研究の全工程を実行

10月15日 — Sakana AIは、2024年からAIが単独でどこまで研究を進められるかを試してきたAI Scientistプロジェクトの新世代、The Agentic Scientistを発表しました。出発点となったのは、次の認識です。

Coding agents such as Codex and Claude Code now carry out long software tasks on their own. Handing them a research problem, however, tends to produce a strong hyperparameter optimizer rather than a scientist: scores go up, but ideas stay narrow, and the reasons for the gain are rarely examined.

🇯🇵 CodexやClaude Codeのようなコーディングエージェントは、今や長時間に及ぶソフトウェア開発タスクを単独でこなします。しかし研究課題を任せると、科学者というよりも優秀なハイパーパラメータ最適化器になりがちで、スコアは上がっても発想の幅は狭いまま、その向上の理由もほとんど検証されません。 — @SakanaAILabsのXへの投稿

その答えは、既存のコーディングエージェント（Codex、Claude Code、OpenCode、Pi）の周囲に支援の仕組みを組み込むことです。並列に動くエージェントが、実験前に定めた評価基準に照らして仮説を検証し、成功と失敗を共有メモリに記録します。その後、システムはベースライン、アブレーション、封印された最終評価、分析を順に進め、論文執筆まで行います。Sakana AIは、5つの研究テーマで9モデル（GPTが4、Claudeが4、DeepSeekが1）と4種類のハーネスを使い、モデルとハーネスの14通りの組み合わせ、計70件の研究を評価しました。新しいモデルほど質の高い論文を生成し、ハーネスの選択による影響はモデルの選択による影響より小さいという結果です。開発版は、研究者とともに生物学に着想を得た学習則Error Diffusionに関する論文を共著し、ALIFE 2026の口頭発表に採択されました。また、長い文書からの事実の取得（Doc-to-LoRA）では、モデルを再学習させずに正解率を52 %から98 %に引き上げています。コードはApache 2.0の下で公開されています。Sakana AIは、研究課題の選定と主張の検証は引き続き人間が担う必要があること、エージェントはすべての権限を持って実行されるためDockerの利用を推奨することも伝えています。

🔗 Sakana AIの記事 · arXivの論文 · AI-Scientist-v3のリポジトリ

OpenAIが数学者向けのSimons Foundationの取り組みに500万ドルを拠出

10月15日 — OpenAIは、Simons Foundationの新たな取り組みに500万ドルを拠出すると発表しました。AIが生成した結果について、数学者が検証し、理解を深め、発展させることを支援する取り組みで、OpenAIが最近公開した結果も対象に含まれます。同社は10月6日、未公開の社内モデルが生成した数学的結果の原稿722本を公開し、形式化されていない結果の一部には誤りが含まれる可能性があると注意を促していました。資金は同財団が管理・配分し、ワークショップ、会議、特別プログラムに充てます。さらにOpenAIは、Simons Foundationが支援する研究者にモデルと計算資源へのアクセスを提供します。投稿はSimons Foundationの発表を引用しており、同財団はワークショップや各種の取り組みに総額1500万ドルを投じ、AnthropicとOpenAIとの新たな提携を通じて、支援対象の研究者に無料の計算資源を提供するとしています。発表はXの短い投稿で行われ、取り組みの名称も日程も明らかにされていません。

🔗 OpenAIの発表 · 10月6日に公開された722本の原稿（OpenAI）

Claude Opus 5.5：高速モードが研究プレビューを終了、100万トークン当たり8ドルと40ドル

10月15日 — Claude Opus 5.5の高速モード（高速動作モード）がClaude Platformで研究プレビューを終了し、順番待ちなしで利用できるようになりました。同じモデルと同じ重みを使いながら、毎秒の出力トークン数が最大2,5倍になり、料金はOpus 5.5の標準料金の2倍です。リクエストにベータヘッダーfast-mode-2026-02-01を付ける必要はなくなりましたが、引き続き送信しても受け付けられます。また、各利用ティアに、このモード専用のデフォルトのレート制限が設定され、通常速度のOpusとは別に管理されます。

高速モードのClaudeモデル	10月15日時点の状況	100万トークン当たりの料金（入力 / 出力）
Opus 5.5	利用可能、順番待ちもベータヘッダーも不要	8 / 40ドル（通常速度では4 / 20）
Opus 5	研究プレビュー、ベータヘッダーが必要	10 / 50ドル
Opus 4.8	研究プレビュー、ベータヘッダーが必要	10 / 50ドル

向上するのは出力スループットで、最初のトークンが返るまでの時間ではありません。また、速度を切り替えるとプロンプトキャッシュが無効になり、Batch APIでは引き続き利用できません。Azureでホストされる展開向けにMicrosoft Foundryでも提供されており、ドキュメントにも明記されました。@ClaudeDevsによるとGoogle Cloudも今後対応する予定ですが、Amazon BedrockとClaude Platform on AWSでは引き続き利用できません。Claude Codeでは変更はなく、高速モードは引き続き追加の利用クレジットを消費します。

🔗 @ClaudeDevsの発表 · 高速モードのドキュメント

Hugging Faceのライブラリ：Transformers 5.20.0とTRL 1.16.0がMuse Spark Openに対応

Hugging Faceの主要ライブラリ2つがMuse Spark Openの公開当日にリリースされ、同モデルに対応しました。それぞれ独自の新機能も備えています。

Transformers 5.20.0：7モデルを追加し、エクスポート時の量子化に対応

10月15日 — Hugging FaceはTransformers 5.20.0を公開しました。Muse Spark Openの登場を受けたリリースで、同モデルの公開当日から対応しています。ほかにも6モデルがライブラリに加わりました。

Transformersに追加されたモデル	モデルの公開元	技術的な特徴
Muse Spark Open	Meta	マルチモーダルMoE、816十億パラメータのうち42十億がアクティブ
Ling 3.0 Flash	InclusionAI	ハイブリッドMoE、MLAの1層に対してKimi Delta Attentionが5層
Kolibri 1	Aleph Alpha	ドイツ語・英語の推論MoE、トークンごとに384エキスパート中6つを使用
MiniCPM-V 4.7	OpenBMB	画像と動画向けのM-RoPEキャンバス位置
UnlimitedOcr	Baidu	3十億パラメータのOCR、KVキャッシュは一定
UltraBERT	DMIS Lab	150Mおよび380Mパラメータのエンコーダー、32Kトークンのコンテキスト
MOSS-Transcribe-Diarize	OpenMOSS	0,9十億パラメータ、50以上の言語で文字起こしと話者分離に対応

ツール面では、ONNX、OpenVINO、ExecuTorchへのエクスポート中に量子化できるようになりました。また、FSDPとテンソル並列を組み合わせた学習のチェックポイントを、異なる構成で再読み込みできます。ただしHugging Faceは、エキスパート並列を使った推論で速度低下が発生しており、修正中だとしています。また、非推奨のキャッシュメソッドの削除など、複数の破壊的変更にも注意を促しています。

🔗 Transformers 5.20.0のリリースノート

TRL 1.16.0：AWS Trainiumでの学習に対応、AsyncGRPOは最大3.1倍高速化

10月15日 — TRL 1.16.0で、Hugging Faceの学習ライブラリがAWSのTrainiumチップに対応した。新しいデフォルト設定により、シーケンス長が変わるたびにTrainiumが再コンパイルするのを防ぎ、小規模な学習テストの所要時間を半減した。Trainium2上でQwen3-0.6BのSFTを20ステップ実行した場合、260秒かかっていた処理が130秒で完了する。もう一つの新機能は、エージェントの強化学習に向けたものだ。複数ターンまたは複数回の生成を含む生成軌跡（ロールアウト）では、会話の同じ冒頭部分が行ごとに繰り返される。AsyncGRPOはこれを接頭辞木にまとめ、計算を1回で済ませるようになった。Qwen3-1.7Bで軌跡あたり32Kトークンの場合、処理速度は最大3.10倍になり、メモリ使用量のピークは35.2 GiBから13.5 GiBに低下する。共有する接頭辞がない場合の追加負荷は約1％。このバージョンはMuse Spark Openにも対応し、64基のH100 GPUでLoRAによる追加学習が可能となった（1ステップあたり14.2秒、GPUあたり40.2 GB）。非同期トレーナーでのAMD GPUにも対応する。

🔗 TRL 1.16.0のリリースノート

GPT-Live-1.1：ChatGPT、Codex、dotsに新しい音声と、より自然なアクセントを導入

10月15日 — OpenAIが音声モデルを更新した。GPT-Live-1.1と、そのミニ版とされる小型モデルGPT-Live-1.1 Quipが、ChatGPT、Codex、そして9月29日に登場した常駐エージェントdotsの音声モードに順次導入され、各言語のアクセントがより自然になる。また、検索を始める際に発する短いフレーズのバリエーションも増えた。OpenAIはこの改善を「確認中… が減る」と表現している。

フランス語、ドイツ語、ヒンディー語、日本語、韓国語、メキシコのスペイン語の6言語に新しいLive音声が加わり、さらにBubbieという英語音声も追加される。利用できる音声は地域やアカウントによって異なる場合があり、「設定 > 音声」で選択できる。更新は10月15日から全ユーザー向けに順次展開され、APIにも「近日中」に導入される。APIではGPT-Live-1が9月10日から1分あたり0.05ドルで提供されている。OpenAIはベンチマークも、GPT-Live-1.1とQuipのプラン別の提供範囲も公表していない。

🔗 OpenAIの発表 · ChatGPTのリリースノート

Universal Cart：Google SearchとGeminiアプリで共通のカートを米国で提供開始

10月15日 — Googleが米国でUniversal Cartの提供を開始した。5月のGoogle I/Oで先行公開されたこの「スマート」なショッピングカートは、AI Modeを含むGoogle SearchとGeminiアプリの両方に導入される。いずれかの画面で追加した商品は、販売店にかかわらず同じカートに保持される。ブログでは、AI Modeで追加したバッグと、その後Geminiアプリで追加したセーターやリップグロスを、後からまとめて確認する例が紹介されている。

Universal Cartの機能	Googleが説明する利点
複数の販売店に対応するカート	Googleの各画面を移動しても、一つのカートを維持
価格・在庫の通知	Shopping Graphの600億件超の商品情報を対象に、値下げや再入荷を通知
Google Walletとの連携	保存したカードの特典を踏まえた支払い方法の選択と、適切なクーポンコードの提示
購入時の支払い	カート内のGoogle Pay（Universal Commerce Protocol）で支払うか、販売店のサイトへ移動

カートからの直接決済は、Nike、Sephora、Target、Ulta Beauty、Walmart、Wayfairや、多数のShopify販売店で利用できる。いずれの場合も販売主体は販売店であり、注文確認や顧客対応も販売店が担う。Googleはこのツールを、購入者に代わって行動するエージェント機能の開発と並び、購入者が主導権を持つ機能として位置付けている。他の国での提供時期は示されていない。

🔗 Universal Cart（Googleブログ）

Manus Automations：スケジュールやトリガーで繰り返しタスクを実行

10月15日 — ManusがAutomationsを公開した。繰り返し作業を「自動運転」にする機能で、ユーザーはタスクを開始するタイミングと、求める成果物を説明する。実行方法は3種類ある。平日の毎朝8時といったスケジュール、Gmailへの請求書の到着など接続アプリに連動するトリガー、そしてユーザーが指定した複数の情報源や条件を組み合わせるベータ版の高度な自動化だ。この機能は、5月のScheduled Tasks 2.0と、9月28日にManus 2.0とともに発表されたイベント駆動の自動化を発展させたものとなる。投稿では、必要なプランも消費クレジット数も明らかにされていない。

🔗 Manusの発表

短報

エージェントとコーディングツール

Devinの10月14日付リリースノート — Devin Oncallの公開前日、Devinに可観測性プラグインとしてSplunk、Elastic、Dynatrace、Chronosphere、Google Cloud Monitoringが追加された。また、管理者権限なしでレビューのルールを管理するReview managerロールと、コードスキャンの検出事項を従来のCSVに加えてSARIF 2.1.0形式で出力する機能も加わった。🔗 出典
Warpとソフトウェア工場 — 新機能の発表を伴わない2本の手法解説記事で、Warp創業者のザック・ロイド氏は、チームのPRあたりのコストを6週間で80ドルから20ドルに削減し、変更の差し戻しを減らすとともに、PRの処理量を前月比で40％増やしたと述べている。🔗 出典
Qwen Code v0.25.2 — 10月13日のプレビュー版から2日後に安定版となった。プレビュー版には含まれていなかった68件のプルリクエストを取り込み、11の機能追加（Web Shellへのファイルのドラッグ＆ドロップ、送信前のMCP Appsメッセージの確認、ワークフロータスクのキャンセル、Managed Agentの32テーブルによる永続化）と38件の修正を含む。🔗 出典
Copilot CLI 1.0.99のプレビュー版 — 同日に2つのプレビュー版が公開され、安定版の公開はない。サンドボックスでローカルネットワークへのアクセスがデフォルトで許可され、/shareは全画面メニューを開くようになった。信頼済みリポジトリのプラグインは自動でインストールされ、検証済みのSkillsとプラグインはGitHubのリンクからインストールできる。🔗 出典
Antigravity SDK 0.1.22 — 動的なワークフローのオーケストレーションと、メモリ内で定義するスキルを追加した。10月11日分の補足として、Python SDKは、エージェントのワークフローを記述するための型付き構成要素（phase、agent、parallel、pipeline）、ファイルを使わずに宣言するスキル（InlineSkill）、64kトークンを超えるステップごとの出力トークン上限をベータ版で提供する。🔗 出典
google/adk-recipes — adk-samplesを再構成した後継となる、GoogleのAgent Development Kitのサンプルリポジトリが、コーディングアシスタント向けの設計になった。各レシピにmanifest.yamlとAGENTS.mdが含まれ、最初の業務向けプラグインは小売業を対象とする。Horizonは、数日間にわたって作業するエージェントの参照ハーネスとなる。🔗 出典
DeepSeek Harness 0.2.1-alpha.4 — 28番目のプレビュー版で、安定版はまだない。カスタムAPIでは、インターフェースからモデルごとに推論の労力を設定でき、独自のインデックスからプラグインをインストールできる。同日、FlashMLAはCPythonとLibTorchの安定版バイナリインターフェースへ移行した。🔗 出典
11月16日に3つのモデルがCopilotから提供終了 — Claude Opus 4.8とClaude Opus 5はClaude Opus 5.5へ、GPT-5.6 TerraはGPT-6.1 SolまたはGPT-6 Lunaへ置き換える必要がある。年間プランの個人契約者は引き続きClaude Opus 4.8を利用でき、BusinessとEnterpriseでは代替モデルが自動的に有効になる。🔗 出典

アシスタント、企業、ガイド

メッセージアプリ内のGenspark — iMessage、WhatsApp、Slack、LINEで@genspark_aiにメッセージを送ると、PDFの要約やプレゼンテーションの作成を依頼でき、結果は同じ会話に返される。プランや料金の説明はない。🔗 出典
Kimi Work 3.2.17と3本目のチュートリアル — 3.2.16の公開から3日後、会話内で画像が表示されるようになり、リモート操作でAgent Swarmモードを選べるようになった。Moonshot AIは、ワークフローの自動化を扱う3本目の入門動画も公開したが、新機能として紹介されたものはない。🔗 リリースノート · 🔗 チュートリアル
Anthropicのフェローシップ — STEM Fellowsと、新設のConceptual Reasoning Fellows（哲学、認知科学、経済学、公共政策、法律）の応募を10月28日まで受け付けている。期間は2027年1月12日から5月8日までの4か月間で、フルタイム参加となり、報酬は100,000〜167,000ドル。米国での就労資格が必要となる。🔗 出典
Claude EnterpriseのCompliance API — ベータ版のAPIにより、各メンバーがclaude.aiとCoworkに保存した個人向けの指示を管理者が取得できる。前日には、Managed Agentsのスケジュールに基づくデプロイがClaude Platform on AWSに導入されていた。🔗 出典
BlockとOpenAI Daybreak — OpenAIが10月14日に公開した事例紹介で、Block（Square、Cash App、Afterpay）のセキュリティチームは、模擬攻撃演習において、脆弱性の報告から修正案の提示までの時間を18分に短縮し、四半期あたり約600時間分の分析担当者の作業時間を削減したと述べている。🔗 出典
ブラジルポルトガル語版のAI for Educators — 教師の日に合わせ、OpenAIは初等教育から高等教育までの教員向け無料講座の同言語版をOpenAI Academyで公開し、ChatGPTのStudy Modeも改めて紹介した。🔗 出典
Superwhisper Meetings — Superwhisperが、Tiny AyaとCohere Transcribeを搭載した会議の録音・議事録作成ツールを公開した。同社は、処理が完全にローカルで完結する初のツールと説明している。価格や対応プラットフォームの記載はない。🔗 出典
Cohereの3本のガイド — 新製品や新たな数値の発表はなく、Cohereが3本の記事を公開した。Northを軸とするエネルギー・公共サービス事業者でのAI活用、挑戦者となるエージェントと既存のエージェントを競わせる考え方を含む企業内のエージェント増加、そして投資対効果の測定を扱っている。🔗 公共サービス · 🔗 エージェント · 🔗 投資対効果
Perplexityの研究ガイド — AIの基礎を築いた12本の論文と最近の6件の研究を振り返り、研究支援ツールを比較し、7段階の枠組みを提案するガイド。新機能の発表はない。🔗 出典

生成メディア

Suno — 2つの共同作業機能を追加した。招待した人だけに閲覧または編集を許可する共有ワークスペース（ProとPremier）と、共同作業者に共有でき、従来の2倍の入力素材で調整できるカスタムモデル（Premier）となる。🔗 出典
Eleven v4のブラインドテスト — ElevenLabsによると、8言語で実施したすべてのブラインドテストで、聞き手はEleven v4を他の音声モデルより表現力が豊かだと評価したという。本文には競合の名称もスコアも記載されていない。🔗 出典
LumaのShot Coverage — 一つの動画ショットから、編集に使える複数の動くカメラアングルを生成する機能。発表では、モデル、料金、提供開始日のいずれも示されていない。🔗 出典
HeyGenとヤン・ホトヴェツ氏 — HeyGenは、脳性まひのあるヤン・ホトヴェツ氏の事例を紹介した。同氏はFameplayとNolimiとともに、自分の姿と声を再現するアバターを作成し、自分の言葉で人生を語った。🔗 出典

研究、計算資源、インフラ

NVIDIAとAI in Science Enablers Initiative — ダブリンのAI in Science Summitで、NVIDIAが欧州委員会の取り組みに参加した。オープンモデル、Deep Learning Instituteの自由に利用できる教材を集めたハブ、各国のAIファクトリーを通じた計算資源へのアクセスを提供する。金額の発表はない。🔗 出典
北欧諸国でのNVIDIA — GTC Berlinを前に、NVIDIAが北欧のエコシステムの現状を紹介した。スーパーコンピューターSferical One（GB300 GPUを1,152基搭載）、2027年末までに予定する1ギガワットのAIクラウド、2027年にNorrsken財団と設立するStockholm AI Labが含まれる。GTC Berlinの基調講演は10月21日に予定されている。🔗 出典
BERTのトークン化が50倍高速に — Hugging Faceのシモン・ブランダイス氏は、今後公開されるtokenizers 1.0が、ASCII文字を別処理することで、BERTのトークナイザーを0.23と比べて約50倍高速化する仕組みを解説した。変更はまだレビュー中となっている。🔗 出典

GitHubのAI以外の話題

プッシュ通知メールの廃止 — GitHubは、迷惑メールに悪用される可能性があったリポジトリのプッシュイベント通知メールを廃止し、独自のSMTPサーバーを使うGitHub Actionsのワークフローを代替手段として案内している。🔗 出典
GitHub Code Qualityのライセンス — GitHub TeamとEnterprise Cloudで、ライセンスを消費する各アクティブコミッターと、90日間に関係したリポジトリを一覧にするCSVレポートを提供する。解放できるライセンスを見つけるために利用できる。🔗 出典

これが意味すること

オープンモデルの規模が拡大し、そのエコシステムも今や公開初日から対応するようになっている。Muse Spark Openは、7社のAPIプロバイダー、Metaが作成したNVFP4のモデル重み、Transformers、TRL、mlx-lm、Unslothでの即時対応を伴って登場した。Nemotron 3.5 Super VLは重み、データ、学習レシピを公開し、FLUX 3 Image Kleinはリリース当日にDiffusersとComfyUIに対応した。ただし、「オープン」が指す条件は大きく異なる。Muse Model Licenseは商用利用を制限し、FLUX Kommunityライセンスは年間売上高500万ドル未満の場合に限り無料で、Timestralの重みのライセンスは月間売上高2,000万ドル超の企業を対象外としている。一方、Apertus 1.5は重みをApache 2.0で公開し、学習データも公開している。さらに、Metaが掲げる最上級の表現は、競争が国家間でも繰り広げられていることを示している。Muse Spark Openは米国最高のオープンモデルをうたうが、Artificial Analysisの指標でもコーディングでも、GLM 5.3とKimi K3が依然として上回っている。

サイバーセキュリティは、人工知能が大規模に脆弱性を発見し、修正する場になりつつある。CohereはAISLEの買収で、500件を超える未知の脆弱性を発見したという技術力を手に入れる。GitHubは、CodeQLが対応していない言語向けのAI Scanと、CodeQLを再実行して自らの修正を検証する自動修正機能の一般提供を開始する。Blockは、模擬攻撃演習で脆弱性の発見から修正案の提示までを18分に短縮したとしている。これらのツールは引き続き人間の管理下にある。AI Scanの結果は参考情報として扱われ、自動修正機能はドラフトのプルリクエストを作成し、Claude CodeのCode Reviewはマージを承認することも阻止することもない。もう一つの側面は、エージェント自体の隔離だ。オープンソースとなったSPACEは認証情報と外向き通信を仮想マシンの外で管理し、IPI Blackは攻撃者に報酬を支払って、間接的なプロンプトインジェクションに対するエージェントの耐性を測定する。

信頼には外部の視点も欠かせない。Anthropicは、METRの6人に従業員と同等のアクセス権を与え、その公表内容に拒否権を持たないことで、単発の監査から一歩踏み込んでいる。同社はこの仕組みを大手銀行の常駐検査官になぞらえている。同じ検証への要求は研究にも通じている。Sakana AIは、コーディングエージェントが単にスコアの最適化に終始しないよう、実験に先立って評価基準を固定する。OpenAIは10月6日の722本の論文原稿に続き、Simons Foundationを通じて、人工知能が生み出した成果を検証する数学者に資金を提供する。CERNとMistralが掲げる構想は最も壮大で、数十億件のシミュレーション上の衝突で学習するLarge Physics Modelを目指しているが、金額も日程も示していない。

ツールの分野では、コスト、速度、品質の間の取捨選択が明確になっている。OpenAIでは、推論強度をUltraに設定したGPT-6.1 Solが、GPT-6 Astra Ultraの指摘事項の92 %を、その14 %のコストで検出する。Opus 5.5の高速モードは2倍の料金で2.5倍の処理量を提供し、Code Reviewは月額上限を設けたうえで消費トークンに応じて課金する。エージェントは無人で行う作業にも浸透している。Devin Oncallはオンコール業務を担い、Claude Code 2.1.301は使用制限による長時間の待機をやめ、分類器のすべての判定を記録する。Antigravity CLIのAutoモードは、サンドボックスの外で実行することになるコマンドの審査を別のエージェントに委ねる。ベンチマークは進歩に追いつきにくくなっている。SREGym-Liteでは、Devin OncallとCloudThinkerがGPT-6 Astraを使って、ともに100 %に達している。