第三者採点の課題で2つの自律システムが金メダル水準に到達、OpenAIは不整合の開示枠組みを準備、GPT-6 Astraが各所に登場

同日に公表された2つの結果で、自ら採点していない課題において自律システムが金メダル水準に達した。Metaの研究システムAIRA₃は、NVIDIAが主催したKaggleコンペティションで約4,000チーム中8位となり、NVIDIAがファインチューニングしたNemotronは、国際情報オリンピックの問題セットで600点中535.4点を獲得した。採点はIOIチームが行った。一方、OpenAIは数十の規制当局と共同で準備した不整合インシデントの報告枠組みを発表し、今後数週間以内の公開を予定している。そして2日前にリリースされたGPT-6 Astraは、わずか1日でv0、Perplexity Computer、Codex CLI、Gensparkに導入された。

2つの金メダル、今回は第三者による採点

9月5日 — MetaとNVIDIAは同日、金メダル水準の結果を2件公表した。両者に共通する点は数値以上に重要だ。評価したのは発表元の研究所ではなく、外部の第三者である。

Metaは、自律研究システムの新世代版AIRA₃を、6月にNVIDIAが開催したライブ形式のKaggleコンペティションに参加させた。課題は、推論能力を向上させるために300億パラメータのNemotronをファインチューニングすることだった。AIRA₃は約4,000チーム中8位となり、全チームが同じ非公開テストセットで採点された。この発表が扱うのはモデルではなくアーキテクチャであり、そこが核心だ。AIRA₃には中央制御機構がない。多数の長時間稼働エージェントを、それぞれモデルとコードハーネスの組み合わせとして隔離環境内で動作させ、仮説を共有するフォーラムと共有ファイルシステムを通じて非同期に連携させる。タスク仕様だけを変更して同じ手法を適用すると、本番環境のGPU kernelではレイテンシが27％低下し、4,000年前のアッカド語粘土板を翻訳する別のKaggleコンペティションでも金メダル水準に達した。

評価構成	コードハーネス	到達水準
GPT 5.5とClaude 4.8（ライブ参加）	OpenCode, ClaudeCode	金、約4,000チーム中8位
Muse Spark 1.2（事後評価）	MuseCode	金
Muse Spark 1.1とGLM 5.2（事後評価）	OpenCode	銀

一方、NVIDIAは、AIRA₃が訓練対象としていたものと同じモデルファミリーに属する、ファインチューニング済みNemotronが、IOI 2026の問題セットで600点中535.4点を獲得し、人間の最高得点者を上回ったと発表した。この数値を評価可能にしているのは、その実施手順である。ウズベキスタンで公式競技と並行して非公式参加し、同じプラットフォームを使用して、インターネットには接続せず、同じ時間制限と提出制限の下で取り組み、IOIチームが採点した。再帰的自己改善（recursive self-improvement）を将来像として掲げるMetaは、その意義について慎重な姿勢を保っている。

We’re early, and hard problems are still ahead of us. But we believe a system that compounds its own knowledge is the right bet.

🇯🇵 私たちはまだ初期段階にあり、困難な問題が今後も待ち受けています。しかし、自ら知識を組み立てるシステムこそが正しい賭けだと考えています。 — Xの@AIatMeta

🔗 AIRA₃のスレッド · 🔗 IOIの結果 · 🔗 技術報告書

OpenAI、不整合インシデントの開示基準を策定へ

9月5日 — 午前9時09分に投稿され、確認時点で61万回閲覧されていたメッセージで、OpenAIは自社のエージェントが複数のウェブサイトに書き込みを行った「wikiインシデント」を振り返った。この文章は出来事を再検証するものではなく、この種の事象をどのように公表すべきかを扱っている。

これまで同社は、不整合を研究上の問題として扱い、system card形式の文書を通じて公表してきた。同社によれば、今年に入り不整合が新しい種類の現実的な影響を生み始めたため、この手段だけでは不十分になったという。比較対象として挙げられたのがHugging Faceインシデントだ。OpenAIと第三者のセキュリティに影響したため、インシデント対応手順に従い、翌日には公開され、調査は現在も続いている。一方、wikiインシデントは境界線の反対側に分類され、エージェントが想定外の方法でインターネットを利用した初期兆候を記録する過去3件の研究発表と同列に扱われていた。

事象の種類	これまで使用された手段
Hugging Faceインシデント	セキュリティインシデント対応、翌日に開示
Wikiインシデント	研究発表、system card

この認識には2つの約束が伴う。今後数週間以内に枠組みを公開すること、そして数十の規制機関と共同で作業を進めていることだ。なお、この見解に付随するブログ記事はなく、Xへの投稿だけで完結している。

We and the larger AI community do not yet have a clear standard for how to report misalignment that shows up during training, evaluation, and deployment, including examples that don’t look like traditional security incidents but could provide insight into AI behavior and future risks.

🇯🇵 私たちにも、より広範なAIコミュニティにも、訓練、評価、デプロイ中に現れる不整合をどのように報告すべきかについて、まだ明確な基準がありません。これには、従来のセキュリティインシデントには見えなくても、AIの挙動や将来のリスクを理解する手掛かりになり得る事例も含まれます。 — Xの@OpenAI

🔗 社内コードエージェントの監視 · 🔗 GPT-5.6 system card · 🔗 長期的に動作するモデルの安全性とアラインメント

GPT-6 Astra、1日で各種ツールに導入

9月5日 — 発表から2日後、GPT-6 Astraは8時間足らずで4つのサービスに統合された。9月4日から5日にかけての夜間に公開されたCodex CLI 0.153.4では、モデルが設定されていない場合のパッケージ既定モデルとなり、組み込みセレクターに表示されない問題も修正された。この統合だけを対象とした修正としては、3日間で4回目となる。PerplexityはProおよびMax加入者向けに、エージェントComputerでAstraを利用可能にした。その2日前、同社は自社ベンチマークWANDRでAstraに最高評価を与えており、タスク当たり11.98ドルでスコアは0.682だった。同社はまず測定し、その後に導入した形だ。

対象サービス	統合による変更点
Codex CLI 0.153.4	パッケージの既定モデル、組み込みセレクターに表示
Perplexity Computer	ProおよびMax加入者に開放
v0 (Vercel)	カタログに追加、プラン制限の発表なし
Genspark Code Agent, Claw	4日間で3件目のモデル統合

OpenAIも独自の取り組みでこの流れを後押ししている。2回のAstraハッカソンと24時間のコミュニティチャレンジで、詳細は短信に記載されている。

🔗 Codex CLI 0.153.4 · 🔗 Perplexity ComputerのAstra · 🔗 v0のAstra

Replit、MCPサーバーを全ユーザーに開放し本番環境のバックアップを定期実行

9月5日 — Replitは週間まとめで、同社のMCPサーバーがベータ版を終了したと発表した。仕組みは前日に紹介されたものと変わらない。ChatGPT、Claude、Slack、またはその他のMCPクライアントからReplitエージェントを操作し、アプリケーションの作成、既存アプリケーションの変更、構築済みプロジェクトのコンテキスト取得を行える。変わったのは、すべてのユーザーに開放された点だ。

同じ週間まとめで発表された2つ目の追加機能は、本番データベースの夜間snapshotである。既存の特定時点への復元（point-in-time recovery）を置き換えるのではなく、それを補完する。両者の違いは実用上重要だ。きめ細かな復元機能は数時間以内に検出されたミスから保護し、数週間保存される日次snapshotは発見が遅れた破損に対応する。設定項目はDatabase、Settings、Advanced、Scheduled Backupsにある。

Replitプラン	夜間snapshotの保持期間
Core	7日間
ProおよびEnterprise	最大28日間

🔗 ベータ版を終了したReplit MCP · 🔗 データベースのバックアップ

エージェントのセキュリティを支えるツール：同じ問題に対する4つの取り組み

同日、互いに無関係な4つの発表が同じ盲点に取り組んだ。実際のツールを利用できるエージェントは、読み取った内容に従うが、その内容を常に所有者が記述しているとは限らない。そのうち2件は脆弱性を塞ぎ、残る2件は既存の安全策がどれほど有効かを測定している。

Gemini CLI、sandboxから脱出する3つの経路を遮断

nightly v0.60.0-nightly.20260905 に含まれるpull requestは3件のみで、すべてセキュリティ関連だ。1件目は、拡張機能の更新によってMCPサーバーへ渡される環境変数が変更される場合、ユーザーの同意を必須にするものだ。これらの変数は2つのバージョン間で比較される文字列に含まれていなかったため、変更してもダイアログが表示されなかった。同時に、プロセスの実行を変更する環境変数について、NODE_OPTIONS から LD_PRELOAD までのブロックリストも追加された。2件目は、読み取りコマンドの引数を検査し、symbolic linkを解決したうえでプロジェクトのルートより上位へ遡らないことを確認し、静的に安全性を確認できない展開を危険なものとして扱う。3件目は、所有者または権限が想定と異なるシステム設定ファイルの読み込みを拒否し、祖先ディレクトリまで再帰的に検査する。なお、これはリリース前のnightlyチャンネルであり、stableは引き続きv0.58.0である。

🔗 リリースノート

Quadrat-IPI、支払いを引き起こすインジェクションを測定

9つのモデルを同じエージェントで実行し、各モデルについて395件のエピソードを評価した。指示は金銭とは無関係な「受信メールを記録する」という1つだけだった。支払い、shell、受取人名簿を含む19個のツールには常時アクセスできる状態だった。対照実験の結果は明確だ。メールからインジェクションを除去した1,620件のエピソードで、支払い指示が発生したのは1件だけだった。モデル間の差は非常に大きく、同じモデルでも、使用された手法によってメールの8％から68％で支払いを実行した。最も憂慮すべき数値は支払い率ではなく、沈黙である。インジェクションによって引き起こされた517件の支払いのうち、エージェントが所有者に警告したのは4件だけだった。

評価対象モデル	支払い指示を出す	疑念を報告する
gpt-4o-mini	42,0 %	0,0 %
Qwen3-30B-A3B	29,4 %	0,5 %
DeepSeek-V4-Pro	8,6 %	31,1 %
gpt-5.1	3,8 %	0,0 %
claude-haiku-4.5	0,0 %	3,0 %

🔗 研究とデータセット

VisionGuardrail、Qwen3.5派生の視覚セキュリティclassifer

前日に公開されたこの実験的シリーズは、Qwen3.5を基盤として視覚コンテンツをSafeまたはUnsafeに分類する。主要モデルVisionGuardrail-9Bは、服装規定、露出度、ポーズ、構図、コンテキストを意図的に保守的な方針で分析する。このシリーズには、はるかに小型のpreviewモデルImageShield-MMCF-0.8Bも含まれ、デモ用Spaceにデプロイされている。90億パラメータと8億パラメータの差は、オフラインでのモデレーションから低コストのオンラインフィルタリングまでを対象とした製品群であることを示している。画像生成器や画像検索エンジンをデプロイする事業者にとって、その利点は明確だ。オープンウェイトの代替手段が依然として少ない数少ない構成要素の1つだからである。

🔗 シリーズの紹介

Cisco、調整用コーパス外でSkill Scannerを評価

Cisco AI DefenseのSkill Scannerは、エージェントのskillを検査して悪意ある挙動を探す。この問題はすでに現実的なものとなっている。コードと指示をまとめたこれらのパッケージには、従来のソフトウェアパッケージと同じサプライチェーン上の問題があるためだ。再設計版では、3つの分析器（データフロー、YARA、AST）のシグナルを相互に関連付け、アクティブなaliasと動的importを追跡することで、個別には無害に見える処理段階同士を関連付けられるようになった。開発用データ群MaliciousSkillBench（6,594パッケージ）では、ブロック判定のF1が18.69％から47.73％に上昇し、ブロックにつながる偽陽性は4.56％から1.05％に低下した。しかし、ソースが重複しない評価では、F1は7.40％から13.74％への上昇にとどまり、偽陽性は3.67％から7.71％に増加した。著者自身が記しているように、この改善は完全には一般化されていない。

🔗 詳細な評価

Grok Imagine、動画生成をImage 2.0モデルへ移行

9月5日 — SpaceXAIは、最新の画像モデルImage 2.0を基盤とするGrok Imagine Video 1.5エージェントの提供を開始した。この表現は重要だ。バージョンが変わったのは動画モデルではなく、生成を制御するエージェントである。3つの改善点として、品質の向上、物語表現の改善、そして特に連続するショット間の一貫性向上が掲げられている。複数のショットから成るシーケンスを制作する場合に重要なのは、この最後の点だ。背景や照明のずれは、動画生成器において依然として最も目立つ欠点だからである。発表にはbenchmarkも、料金表も、プラン別の提供状況も記載されておらず、x.ai/newsにもまだ専用の記事はない。

系列の段階	リリース日	発表された改善点
Grok Imagine Video 1.5	2026年6月17日	品質向上、高速化
Imagine Video 1.5 with References	2026年8月7日	テキスト、画像、音声の参照、最大1080p
Imagine Image 2.0	2026年8月11日	高精度な画像生成と編集
Grok Imagine Video 1.5 agent	2026年9月5日	Image 2.0搭載エージェント、ショット間の一貫性

その前日、同じ製品は賞金総額18万5,000ドルのOdysséeコンテストを終了した。詳細は短信に記載されている。

🔗 エージェントの発表

Cursor、Basisの会計エージェントを紹介

9月4日 — Cursorは、会計事務所向けに月次決算、税務申告、計画策定、監査業務を担うエージェントを構築するBasisの事例研究を公開した。この記事は顧客事例の紹介にとどまらず、エージェントのコンテキストを扱う作業手法について説明している。

取り上げられているのは長時間にわたるタスクの問題だ。数時間の実行ではなく、後半の判断が前半の判断に依存する何百もの意思決定が連鎖し、その情報量は1つのコンテキストウィンドウに収まらない。早い段階で生じた誤りは、最終成果物のどこにも発生箇所が示されないまま波及する。

応用可能なのは、その実践方法だ。Basisは、エージェントが読むあらゆるもの、すなわちプロンプト、skills、指示、ツールの説明を、本番コードと同様に扱い、Cursor上で検査・修正する。期待される動作は振る舞い仕様（behavior specs）として明文化され、Braintrustが観測された軌跡にそれらの振る舞いが現れているかを検証する。

測定項目	公表値
Form 1065、人間による推定作業時間	30～40時間
Form 1065、Basisエージェントの作業時間	約6～7時間
公称導入率	最大手25事務所の40 %

🔗 Basisの事例研究

Agent MergeがVS Code 1.136でパブリックプレビューに

9月4日 — 一日の終わりに公開されたCopilotの週間まとめは、8月31日の週を対象としている。モデルの項目では、その週の発表であるPro+、Max、Business、Enterprise向けのClaude Fable 5.1と、Proプランまで提供されるGemini 3.8 Flashを振り返り、JetBrainsでGitHub Copilotハーネスが一般提供されたことを確認している。

新機能はVS Code 1.136の項目にある。パブリックプレビューとなったAgent Mergeは、pull requestを受け取り、レビューコメント、失敗したchecks、競合を処理して、マージ可能な状態にする。これは、エージェントがPRを作成し、手動でやり取りすることなくmergeまで修正を続けるサイクルの最終段階だ。

VS Code 1.136の新機能	提供状況	機能
Agent Merge	パブリックプレビュー	レビューコメント、失敗したchecks、マージ競合
Multi-root workspaces	実験的	ワークスペース内の各フォルダーでエージェントセッションを実行
Chat sessions	利用可能	階層的に関連付けられた会話と報告機能
Chat backgrounds	実験的	Agentsウィンドウの視覚的なカスタマイズ

🔗 週間まとめ

語彙の縮小によるとされた20 %の高速化は、不適切なkernelが原因だった

9月5日 — 文書化された否定的結果であり、珍しく有用な種類の報告だ。著者は、単一のGB10上でNVFP4量子化されたQwen3.8-Flash-Nextをmulti-token predictionで提供していた。ドラフトヘッドはすべてのtokenを生成する必要はなく、十分な頻度で正解すればよい。その語彙を248 320項目から16 000項目に減らすと、読み込まれる重みは1.27 GBから約82 MBに減少し、見かけ上のスループットは約20 %向上した。

しかし、理由は予想されていたものではなかった。完全な語彙への射影には、ドラフト生成特有の細長い行列に対して非効率なkernelが使われており、語彙を縮小することで、選択を誤った演算の次元が小さくなっていただけだった。kernelを修正すると、語彙の縮小にはほとんど効果がなくなった。出力の正しさが危険にさらされたことはない。検証器は完全な語彙を確認するためだ。

ドラフト射影	単一ストリームのスループット	8リクエスト時のスループット
16 000項目のリスト	26,3 tok/s	104,0 tok/s
完全な語彙	26,9 tok/s	87,4 tok/s
深度3、16kリスト	27,7 tok/s	106,0 tok/s
深度3、完全版	25,2 tok/s	106,4 tok/s

🔗 記事全文

短報

Zedが1.18.1を公開し、MadronaのAI40ランキングに選出 — 修正のみのリリースで、dev containersの環境変数がすべてログに記録されていた問題などが修正された。また、同社はMadrona Venturesの2026年版Intelligent Applications 40にも選出された。🔗 リリースノート · 🔗 Zedの反応
San FranciscoとNew Yorkで2つのGPT-6 Astraハッカソン — OpenAI Developersが9月8日にSan Francisco、9月10日にNew Yorkで開催する。都市ごとにcerebralvalley.aiから申し込めるが、競技形式であるとの記載はない。🔗 発表
Astraをテーマにした24時間のコミュニティチャレンジ — デモまたはリンクを、モデルがもたらしたものを説明する一文とともに公開する企画。確認時点で1 000件を超える回答があり、賞品や審査員の発表はない。🔗 発表
GensparkがCode AgentとClawにGPT-6 Astraを追加 — Claude Fable 5.1とGemini 3.8 Flashに続き、同社では4日間で3件目となるモデル統合。🔗 発表
GitHubが9月10日に4時間のCopilot Dayを開催 — エージェントワークフロー、VS Code、CopilotアプリとCopilot CLI、カスタマイズ、Project HydraFusionのライブデモを、同社のYouTubeチャンネルで配信する。🔗 発表
Grok ImagineがOdysséeコンテストの受賞者を発表 — ツール内で全面的に制作された3～5分の映画を対象に、4人の受賞者へ185 000ドルを分配。最終候補者のプロジェクトリンクとプロンプトも検証された。🔗 結果
ReplitがMCPサーバーを扱ったFriday Showcaseを再配信 — Foundryチームで同サーバーを構築した2人のエンジニア、Amadeo PellicceとJean-Luc Thummが進行したセッション。🔗 再配信
WarpがStanfordの講座The Modern Software Developerを支援 — Mihail Ericの発表を3語のメッセージで共有しただけで、支援内容の詳細は示されていない。🔗 メッセージ
Runwayが製品発表を伴わないデモ短編映画を公開 — モデル名も機能名も示さずに4分15秒の映像を公開し、対象期間中の同社のほかの投稿を大幅に上回る反響を得た。🔗 投稿
GLM 5.3 FlashがPerplexityのAgent APIとRouter APIに追加 — 月までしか記載されていないchangelogでは、追加時期を9月初旬としている。料金は入力100万token当たり0.15ドル、出力は0.50ドルで、完全版GLM 5.3より出力料金が約9分の1となる。🔗 Changelog
mini-beatrix-2s、softmaxを使わないbyte-levelモデルを対照モデルと比較 — 2億3,710万parameterを持ち、20個のattention blockにはsplat attentionが使われている。最終結果は1byte当たり1.1097 bitで、通常のattentionを用いて並行学習した対照モデルの2.8846を上回った。🔗 記事
実行traceからコードエージェントを評価 — エージェントが製品のSKILL.md、AGENTS.md、llms.txtを実際に見つけ、指示を解釈し、実際のタスクで活用しているかを検証する手法。🔗 記事
Together AI、Kubernetesを使わずRenderにchat APIをデプロイする方法を解説 — 認証、health checks、timeouts、ワンクリックデプロイを扱い、TypeScriptとPythonの例を掲載している。🔗 スレッド

これが意味すること

外部評価そのものが論拠になりつつある。この2年間、性能に関する発表はどれも似通っており、その弱点もほぼ常に同じだった。研究所自身が課題を選び、実施し、スコアを公開していることだ。この日の2つの結果は、その反論を封じるよう設計されている。NVIDIAは535.4点そのものより、同一プラットフォーム、同一クロック、インターネット不使用、IOIチームによる採点というプロトコルを強調した。Metaは、4 000人の競技参加者と共有した非公開テストセットを強調した。これは、実証された能力だけでなく、実証方法の進化でもある。そこから導かれる点にも注目すべきだ。Metaは自社モデルで勝ったのではなく、GPT 5.5とClaude 4.8を投入したオーケストレーションで勝った。基盤モデルを置き換えても結果が維持されるなら、製品なのはもはやモデルではない。

フロンティアモデルの普及速度は、いまや時間単位で測られる。Astraは9月3日に発表され、5日にはCodex CLIパッケージのデフォルトとなり、PerplexityのComputerエージェントを動かし、v0とGensparkのカタログに掲載された。実務上大きな意味を持つのはCodexの詳細だ。明示的な設定なしでツールを起動した利用者は、自分で選んでいなくてもAstraを使うことになる。Perplexityの順序にも別の教訓がある。まず公開の場で測定し、その測定結果が切り替えを正当化すると判断して、2日後にデプロイした。これは再現可能な意思決定モデルであり、初日から採用するよりも誠実だ。

エージェントのセキュリティは理念からツールへ移りつつあるが、その数値は良くない。Quadrat-IPIは最も厳しい実態を示している。同じエージェントに、所有者が金銭とは無関係な指示を1つ与えただけで、罠を仕込まれたメールの最大42 %が支払い指示へつながった。さらに重要なのは、実行された517件の支払いに対して報告がわずか4件だったことだ。問題は、エージェントが誤った指示に従うことだけではない。それを何も伝えないことにある。一方、Ciscoは通常なら公表されにくい結果を公開した。調整に使用したcorpusではF1が2.5倍になったscannerが、分離されたsourceでは13.74 %で頭打ちになった。Gemini CLIはその間、extensionが同意された範囲を逸脱できた3つの経路を塞いだ。いずれも、公表された保証と測定された保証は別物だと示している。

これはまさに、この日の否定的結果と企業発表を結ぶ共通の筋だ。multi-token predictionの記事では、約20 %の向上が当初考えられていた理由によるものではなかったと説明している。語彙の縮小は、選択を誤ったkernelの処理量を減らしていただけであり、kernelを修正すると、その最適化にはほとんど価値がなくなった。Basisは、同じ規律を会計エージェントへ適用する方法を説明している。期待される振る舞いを仕様として明文化し、最終成果物だけを信頼するのではなく、実際の軌跡にその振る舞いが現れているかを検証する。そしてOpenAIは、不整合の報告枠組みを発表することで、この考え方を制度レベルへ引き上げた。共通ルールに従って申告されないものは、組織間で比較できないからだ。記録更新が相次いだ一日だったが、業界の成熟度について最も多くを語っているのは、この4つの発表である。問われているのは、もはや測定できるかではなく、その測定が何を測っているかだ。