Qwen3.8-LiveTranslateがリアルタイム翻訳、Claude Codeは分類器の課金を廃止、オープンモデルを本番環境で評価

この土曜日、オープンウェイトモデルを公開した研究所はなかった。9日間沈黙しているDeepSeekも、Metaも、Ai2も、Sakanaも同様だ。この日唯一登場したのはクローズドなAPIモデルのQwen3.8-LiveTranslateで、同時通訳のレイテンシを2.3秒まで短縮した。それ以外はすべて実務家からの報告だ。Hugging Faceのコミュニティブログに掲載された11本の記事では、モデルそのものではなく、本番環境でのプレフィックスキャッシュ、証明付きの意思決定、量子化のコスト、再ランキングの品質といった測定結果が紹介されている。

Qwen3.8-LiveTranslate、同時通訳のレイテンシを2.3秒未満に

9月19日 — Qwenは、リアルタイム同時通訳モデルQwen3.8-LiveTranslateを発表した。Interleaveアーキテクチャは音声とテキストを単一の交差ストリームとして処理し、すでに聞き取った音声と生成済みの翻訳をキャッシュして再利用する。これにより、品質を向上させながら平均遅延（average lagging、LAAL）を2.8秒から2.3秒に短縮した。

エンジンは、ハイブリッドな専門家混合（Hybrid-MoE）を基盤とするThinker-Talkerの2モジュール構成だ。Thinkerは映像、音声、原文、翻訳を時間順の単一の因果シーケンスに並べ、Talkerは元の話者の声色を保った音声を合成する。さらに、リアルタイム話者分離（real-time speaker separation）、同期された二言語表示、長いコンテキストに基づく曖昧性解消という3つの機能を備える。

対応言語については、ブログ記事と発表メッセージの記述が異なる。後者は一括して60言語としているが、前者は音声入力からテキスト出力には60言語、音声出力には29言語のみと区別している。ここではブログ記事の数値を採用する。評価には、14の言語方向を対象としたOmnilingua-MSpeakerと、70の言語方向を対象とした公開データセットFLEURSが用いられた。このモデルはDashScope経由のAPIで利用できるが、ウェイトの公開は発表されていない。

測定項目	発表値
平均遅延（LAAL）	2.3秒、前世代の2.8秒から短縮
音声入力・テキスト出力の対応言語	60
音声出力の対応言語	29
公開多言語評価	FLEURS、70の言語方向
APIでのモデル名	`qwen3.8-livetranslate-flash-realtime`

Built on an Interleave architecture, it improves faithfulness, fluency, and conciseness while reducing average lagging (LAAL) from 2.8s to 2.3s across 60 languages.

🇯🇵 Interleaveアーキテクチャを基盤とし、60言語において平均遅延（LAAL）を2.8秒から2.3秒へ短縮しながら、忠実性、流暢さ、簡潔さを向上させています。 — Xの@Alibaba_Qwen

🔗 Qwen3.8-LiveTranslateの記事

オープンモデルを測定する：同日に公開された3つの研究

いずれもHugging Faceのコミュニティブログに掲載された3本の独立した記事が、同じ対象を3つの角度から測定している。すなわち、実環境におけるオープンモデルの実力だ。

14日間の本番運用：270億パラメータモデルの成否を分けるプレフィックスキャッシュ

9月19日 — 13.9日間にわたり、2枚のGeForce RTX 5090が、Scalablyが実際の顧客向けに運用するエージェントエンジンでNVFP4量子化版Qwen3.8-27Bを稼働させた。各数値はエンドポイント/metricsから読み取ったカウンターで、完了したリクエストは28,097件、入力トークンは8億6,060万、途中離脱はゼロだった。プロンプト長の中央値が6,466トークン、99パーセンタイルが183,800トークンに達する中、プリフィル用トークンの82.6％がキャッシュから供給された。また、デコードが2倍速いNex-N2.5-miniは、実際の意思決定を再現するテストで採用を逃した。拒否されたツール呼び出しから立て直せたのは、20件中1件にすぎず、対するQwenは20件中12件だった。

The short version: on agent traffic the prefix cache decides whether a 27B model keeps up, the scheduler flags matter more than the kernels, and a faster mixture-of-experts checkpoint lost the job on behaviour, not speed.

🇯🇵 要するに、エージェントのトラフィックでは、270億パラメータモデルが処理速度を維持できるかどうかをプレフィックスキャッシュが左右し、スケジューラーの設定は計算カーネルよりも重要です。そして、より高速な専門家混合チェックポイントが採用を逃した理由は、その速度ではなく挙動にありました。 — Hugging Faceブログのpavle-scalably

AmberTrace、証明付きの1,350件の意思決定で19のオープンモデルを採点

9月18日 — モデルが承認または拒否を決定するとき、問題となるのは誤りの回数だけではなく、どちらの方向に誤るかでもある。AmberTrace Labsは、正しい行動が証明によって保証された1,350項目を用い、19のオープンウェイトモデルを評価した。順位よりもモデル群ごとの集計が多くを物語る。推論を有効にしたモデルの平均は0.960、推論可能だが無効にしたモデルは0.909、推論機能を持たないモデルは0.805だった。推論の有効化と無効化による差は、大幅に異なるモデルサイズ間の差を上回る。 サンプル数は1回、温度は0であり、著者自身がその限界を明示している。

評価モデル	研究所	総合スコア	正確度	許容的誤り
Qwen3.8-27B（推論あり）	Alibaba	0.974	95.5％	0.0％
Muse-Glimmer-30B	Meta	0.960	94.0％	3.1％
OLMo-3-32B-Think	Ai2	0.947	93.8％	3.3％
Qwen3.8-27B	Alibaba	0.937	91.3％	6.3％

🔗 オープンウェイト意思決定モデルにおける誤りの方向

8ビットから2ビットへ：正確度の低下は1.3ポイント、誤りの性質は変わらず

9月19日 — 翌日、AmberTraceは同じプロトコルを用いて、量子化によって何が失われるのかを検証した。Qwen3.6-27BをQ8_0からQ2_Kまで6段階のGGUF形式で提供し、同じ1,350項目で評価した。その結果は一般的な直感に反していた。正確度は8ビットの90.9％から2ビットの89.6％に低下しただけで、数値精度を4分の1にしても差は1.3ポイントだった。最も興味深いのは変化しなかった数値だ。誤りの符号付きバイアスは、決定係数0.01で横ばいを保った。量子化は誤りの量を変えるが、その性質は変えない。ただし、これは予備的な研究だと著者は注意を促している。

量子化	正確度	許容的誤り（臨界帯）	符号付きバイアス
8ビット	90.9％	5.2％	−0.024
5ビット	91.3％	4.5％	−0.029
4ビット	90.2％	6.3％	−0.018
2ビット	89.6％	6.3％	−0.024

🔗 量子化と意思決定の安全性の方向

jev-reranker、候補文書の92％を除外しながらランキングを改善

9月19日 — Yuichi Tatenoは、TypeSafe.AIの構造化判定モデルJevを利用し、検索結果を再ランキングするとともに、回答に役立たない文書を除外するPythonライブラリjev-rerankerを公開した。その利点はトークン節約にとどまらない。フィルタリングにより、アプリケーションは生成前に判断を下せる。NanoHotpotQAでは、クエリ当たりわずか7.62文書を残すフィルタリングでnDCG@10が0.975に達した。一方、100文書を保持するハイブリッド検索は0.833だった。価値を生んでいるのはコンテキストの削減だ。

さらに興味深い観察がある。同じ判定モデルが、その日のうちに公開された別の独立記事にも登場した。そこではJavad Taghiaが、別のベンチマーク上でエージェントのメモリを再ランキングしている。

ランキング手法	しきい値	nDCG@10	クエリ当たりの保持文書数
ハイブリッド検索	—	0.833	100
再ランキング	0.0	0.969	100
関連性フィルタリング	0.2	0.975	7.62（92.38％を除外）

🔗 jev-rerankerの紹介

Metro-ASR-Small、ノートパソコンのプロセッサでエジプト・アラビア語を扱う6,100万パラメータモデル

9月19日 — Whisper-large-v3は15億パラメータ、MetaのOmniASR-LLMは70億パラメータで、いずれもGPUを必要とする。Metro-ASR-Smallは6,160万パラメータ、235MBに収まり、エジプト・アラビア語、英語、両言語が混在する発話を、4本のプロセッサスレッドでリアルタイムの33倍から66倍の速度で文字起こしする。これは表に示された範囲であり、本文では50倍と丸められている。この記事は発表ではなく調査だ。データとパラメータが制約される中で、正確さはどこから生まれるのか。音響モデルの寄与は、一般に考えられているほど大きくない。もう一つの要因は、オプションで利用できる6.4GBのKenLM言語ヘッドだ。そのサイズは音響モデルの27倍に達する。

ビーム幅	単語誤り率	デコード時間
貪欲デコード	30.0％	5.9ms
100	24.3％	128ms
400	24.1％	351ms

🔗 6,100万パラメータのCTCモデルが学習できること、できないこと

Claude Code 2.1.278、自動モード分類器をサーバー側に戻し、課金を廃止

9月19日 — 自動モードでは、分類器が機密性の高い操作を実行前に検査する。これまで、こうした確認はトークン単位で課金されるモデル呼び出しだった。今後はサーバーがセッションのリクエスト内でこれを処理し、追加料金は発生しない。Claude API、Enterprise、Bedrock、Vertex、Foundryではデフォルトで適用され、/statusにはAuto mode serverという行が表示される。ただし、フォールバックには注意が必要だ。フィールドsafeguardsを破棄するゲートウェイを使用すると、通知の後、Claude Codeは課金対象のローカル分類器へ切り替わる。

この動きは、そのまま特筆に値する。9月15日の2.1.273とは完全に逆の変更だからだ。同バージョンでは、Bedrock、Vertex、Foundryでローカル分類器がデフォルトとして強制されていた。わずか4日間での方針転換となる。

We’re changing auto mode to no longer charge for classifier requests in Claude Code. However, this session isn’t eligible.

🇯🇵 Claude Codeの分類器リクエストに課金しないよう、自動モードを変更しています。ただし、このセッションは対象外です。 — Claude Codeドキュメント、課金対象のフォールバック時に表示される通知

🔗 Claude Code 2.1.278リリースノート

コーディングツールの更新：消えるAPIフィールド、強化される擬似端末

Devin：Azure DevOps Server、MCPの再接続、そして`null`を返すようになった`total`フィールド

9月18日 — Cognitionが公開した一連のリリースノートは、エージェントエンジンではなく、管理機能と企業向け接続を対象としている。最も重要な点は新機能ではなく破壊的変更だ。Enterprise APIの監査ログ一覧では、フィールドtotalが入力されなくなり、nullを返す。ページネーションにはhas_next_pageとend_cursorを使用する必要がある。このカウンターに依存していた呼び出し側のコードは動作しなくなる。その他は機能追加だ。従来はクラウド版のみだったが、Azure DevOps Server 2020および2022のコレクションに個人用アクセストークンで接続できるようになった。各MCPサーバーには、アンインストールせずに認証をやり直すReconnect操作が追加された。ActiveCampaignとGrafana（OAuth）がカタログに加わり、セッションを起点で絞り込めるようになったほか、画面録画は毎秒60フレームに対応した。

🔗 Devinリリースノート

Gemini CLI：セキュリティ修正なし、擬似端末中心のnightly

9月19日 — Gemini CLIのnightlyチャンネルは03時25分にバージョンv0.62.0-nightly.20260919.gcfbcaa8dfを公開した。5件の修正が含まれるが、セキュリティ上の変更はない。これは、それ以前の一連のnightlyとは異なる。2件は擬似端末に関する修正で、Windowsにおける擬似端末実装であるConPTYプロセスの終了ライフサイクル同期と、端末バッファのメモリ管理を対象とする。残る3件は使い勝手上の問題を修正した。リクエストをキャンセルした際に表示されるAbortErrorログ、VS Code拡張機能で比較タブを閉じた際に失われる端末フォーカス、無効なアンカーを参照していた認証ドキュメントへのリンクだ。公開チャンネルに変更はなく、stableはv0.60.0、previewはv0.61.0-preview.0のままだ。

🔗 9月19日nightlyのリリースノート

Copilot code review、報告形式を刷新して一般提供へ

9月18日 — GitHubは、Copilot code reviewがpull requestに残す報告形式の刷新を一般提供に移行した。概要コメントには現在の評価とレビューの作業量レベルが表示され、指摘事項は3つのグループに分けられる。各項目には重大度とインラインコメントへのリンクが付く。commitが追加されても、概要は書き換えられるのではなく、進捗を保持する。9月11日に導入された自動解決機能も拡張された。問題を未解決のままにするよう求める返信は尊重され、自動解決時にはWon’t FixまたはIncorrectという理由が表示される。黙って閉じるのではなく、根拠が示され、異議を申し立てられる判断となった。

指摘事項のグループ	内容
Open	未対応の問題。新しいcommitで導入された場合は`new`ラベルが付く
Resolved since last review	Copilotが修正済みと確認した問題
Previously missed	新しいcommitで導入されたものではなく、後続のレビューで見つかった問題

🔗 Copilot code review、改善されたレビュー体験

Pika、新プラットフォームのアプリ名を公開

9月19日 — 9月17日、Pikaは、機能や料金を一切明らかにしないまま、自社製品をクリエイティブプラットフォームへ全面刷新すると発表した。18日夜から19日朝にかけて、同社はアプリを一つずつ名指しする一連の投稿で、この空白を埋めた。この一覧がカタログのすべてではない。Pikaのホームページには、Video Studio、Color Grade、Extend Video、Pika Soundtrack、Edit Image、Character Studio、Image Studio、Product Shotという8つのアプリが掲載されているが、Camera DirectorもRelight Mediaも含まれていない。このことは、提供範囲が一連の発表よりも広いことを示している。

発表されたアプリ	Pikaが説明した機能
Video Studio	ゼロから動画を生成。複数ショットで最長3分、音声付き
Camera Director	アップロードしたシーンを別のアングルで再生成し、動きと演技を維持
Relight Media	クリップの光の色、強度、方向を個別に調整

🔗 Video Studio · 🔗 Camera Director · 🔗 Relight Media

短報

コミュニティノートが、Accentureに委託された評価の独立性に異議 — 18日に取り上げた提携の続報。このノートは、AnthropicがAccentureの作業に直接資金を提供すること、また両社はすでに商業提携関係にあり、Accentureの専門職約30,000人がClaudeの研修を受けていることを指摘している。🔗 情報源
Replit、監査ログを新たに65種類以上のイベントへ拡大 — Enterpriseアカウントの管理者向けに、プロジェクト、ワークスペース、デプロイ、アカウントセキュリティ、SSOとSCIM、コネクタ、シークレット、Agentのアクティビティを対象とする。詳細な一覧も、個別の提供開始日も示されていない。🔗 情報源
Qwen Code v0.24.1、前日のプレビュー版を安定版へ昇格 — 08:18 UTCに公開され、すでに取り上げたv0.24.1-preview.0に追加されたのは6項目のみ。ニュースとなるのはPlaywrightブラウザSDKとコンテナ内サブエージェントの正式採用であり、内容そのものではない。🔗 情報源
Kimi Code 2.0.2、5件の不具合を修正 — 2.0.1の23時間後に公開され、新機能はない。再開後にメッセージが以前の位置へ挿入される問題、重複、モデル変更後のコンパクションの不具合が修正された。🔗 情報源
Jevでエージェントの記憶を並べ替えると、1位での再現率が34％から54％へ上昇 — LoCoMoの1,986問において、AtMemの上位10候補を再ランキングすると、上位10件の再現率は0.6495のまま変わらず、MRR@5が0.4259から0.5868へ向上した。🔗 情報源
Layer-Feedback Transformer、1,000万パラメータで4.29ポイント向上するも、計算量を揃えた比較ではない — 隣接する層を再実行することで、独自ベンチマーク上のモデル性能は32.57％から36.86％へ向上したが、ブロック実行回数は2.64倍になった。著者もこの制約を明示的に認めている。🔗 情報源
AmberTrace、数学とコード以外にも検証可能な報酬が必要と主張 — ベンチマークを伴わない立場表明。成功しているように見えることに報酬を与えれば、モデルはその見かけを最適化する。そして、意思決定に責任が伴う分野では、依然として検証可能な報酬が整備されていない。🔗 情報源
古い文書が記憶の更新を取り消し得るかを調べるテスト手順 — 測定結果を伴わない検証方法の提案。置き換え済みの文書が新しいタイムスタンプで再インポートされると、システムが最後に到着したものを最新とみなす場合、その文書が気づかれないまま再び現在の回答になる。🔗 情報源
エージェントと物理世界をつなぐインターフェースとしてのコード — コーディングエージェントのループと、ロボット操作向けのプログラム生成を結び付けて解説する教育的なまとめ。独自の発表や数値結果はない。🔗 情報源
Qwen、Qwen3.8-27Bを基盤とするCerebrasのデモを紹介 — 第三者がCerebras推論基盤上で構築した個人向け金融アシスタント。製品発表ではなく祝意を込めた紹介であり、基礎となる話題は9月12日にすでに取り上げられている。🔗 情報源
OpenAI、Australian Youth Safety Blueprintを公開 — オーストラリアの若いAI利用者を保護するための6本柱のロードマップで、リテラシーからプライバシーに配慮した年齢確認までを扱う。同社は、13～17歳向けのChatGPT for Teensを8月から同国で展開していることも改めて示した。🔗 情報源
ChatGPT for iOS 1.2026.251、フォルダとライティングブロックを追加 — ファイル選択画面からのフォルダ作成、下書きのバリエーションとコピー操作を備えたライティングブロックに加え、worktreeとキューに入ったpromptを中心とする8件の修正が含まれる。🔗 情報源

これが意味すること

この日は異例の様相を呈した。研究所は沈黙し、実務家が発表した。9日間沈黙を続け、3つの独立した接点でも確認したDeepSeekをはじめ、Meta、Ai2、Sakanaのいずれからも新たな公開はなかった。オープンモデル分野で見つかった11件はすべて、Hugging Faceのコミュニティブログという同じ場所から出たものであり、モデルを一つも発表していない。そこで行われているのは測定だ。14日分の顧客トラフィックを用いたprefix cache、証明によって認証された1,350件の判断、6段階のquantization、再ランキングの品質。この日唯一公開されたモデルであるQwen3.8-LiveTranslateは、対照的に、open weightではないAPI製品だ。この土曜日、オープンエコシステムが生み出したのは原材料ではなく、測定器だった。

これらの測定結果が示すものは一致しており、その共通性は結果の多様性以上に興味深い。3つの事例すべてで、決定要因となったのは予想されていた基準ではない。2倍高速なMixture of Expertsモデルが敗れたのは速度のためではなく、挙動のためだ。拒否されたtool callから立て直せたのは20回に1回にすぎない。19モデルのランキングでは、同じモデルでreasoningを有効にした場合と無効にした場合の差が、大きく異なるモデルサイズ間の差を上回っている。そして、8 bitから2 bitへの低減では、正解率が1.3ポイント下がる一方で、誤りの方向性は変わらない。速度、サイズ、数値精度はいずれも、本番環境でモデルが実際にどう振る舞うかを予測するには不適切であり、別の場所、つまり立て直し方、熟考の仕方、傾向に目を向ける必要があることを示す3通りの結果だ。

さらに目立たない兆候も注目に値する。同じ評価モデルJevが、互いに無関係な2本の記事に同じ日に登場した。Yuichi Tatenoは研究文書の絞り込みに、Javad Taghiaはエージェントの記憶の再ランキングに利用し、それぞれ異なる2つのベンチマークで測定している。独立した2人の著者が同じ日に第三者モデルを測定手段として組み込んだことは、共有コンポーネントが生まれ始めた兆しだ。どちらも考え方は同じで、外部の判定役に回答そのものではなく、回答前に何を残すかという判断を委ねる。Tatenoの場合はさらに、残す価値のあるものがなければ停止できる。

ツール面で変わったのは、機能というより契約だ。Claude Code 2.1.278はサーバー側のauto mode classifierを標準化し、その追加料金を廃止した。これは4日前に2.1.273が決めた内容と正反対だ。デフォルト設定が経済的な変数となり、この速さで見直されている。一方、Devinは監査ログのtotalフィールドへの値の記録をやめ、それを前提としていた呼び出し側のコードが動作しなくなった。既存の連携を破壊する変更であるにもかかわらず、操作性を改善する新機能の間に紛れて掲載されている。そしてCopilot code reviewは、コメントを黙って閉じる方式を、Won’t FixまたはIncorrectという理由付きの判断に置き換えて、プレビューを終了した。3社それぞれの異なる事例が、エージェントツールの本質は今や、デフォルト値、課金、APIの保証にあることを改めて示している。