Grok 4.5 がフロンティアモデルに挑む、OpenAI が GPT-Live を full-duplex で発表、Mistral が Robostral Navigate でロボティクスに進出

この 7 月 8 日は、三つの大きなモデル発表が中心だ。Grok 4.5 は SpaceXAI が Cursor と共同で訓練したモデルで、コードとエージェント的タスクに強みを持つよう設計されている。GPT-Live は OpenAI の新しい full-duplex 音声アーキテクチャで、Advanced Voice Mode を置き換える。そして Robostral Navigate は Mistral の初のロボットナビゲーションモデルだ。Cognition は SWE-1.7 でこの流れに加わり、Runway はメディア生成向けの統合 API プラットフォームを公開し、Gemini CLI は安定版 0.50.0 に移行する。開発者向けエージェントツール、コードベンチマークの信頼性、オープンソース推論をめぐる話題を含め、12 件の注目ニュースと 3 件の短報がこの全体像を形作っている。

Grok 4.5 : SpaceXAI が最も賢いモデルを発表、Cursor と共同訓練

7月8日 — SpaceXAI（旧 xAI）は、これまでで最も賢いモデルとして Grok 4.5 を発表した。コード、エージェント的タスク、知識作業で優れた性能を発揮するよう設計されている。注目すべき点は、このモデルが Cursor と共同で訓練されたことであり、SpaceXAI はこの提携を明確に前面に押し出している。

“Today, we’re launching Grok 4.5, SpaceXAI’s smartest model built to excel at coding, agentic tasks, and knowledge work. It’s our strongest model ever and was trained alongside Cursor.”

🇯🇵 本日、SpaceXAI の最も賢いモデルである Grok 4.5 をリリースします。コード、エージェント的タスク、知識作業で優れた性能を発揮するよう設計された、これまでで最も強力なモデルです。Cursor と共同で訓練しました。 — SpaceXAI, x.ai/news/grok-4-5

公開されたベンチマークでは、Grok 4.5 は常に首位というわけではないものの、上位グループに位置している。

ベンチマーク	スコア
DeepSWE 1.0 (pass@1)	62,0 %
Terminal-Bench 2.1	83,3 %
SWE-Bench Pro	64,7 %

効率面では、このモデルは 80 tokens/秒で動作し、SWE-Bench Pro 上では Claude Opus 4.8（max モード）より出力トークンを約 4.2 倍少なく消費する（平均 15,954 tokens に対し 67,020 tokens）。学習には、数万台の NVIDIA GB300 GPU と、数十万件のソフトウェア工学タスクに対する大規模な強化学習（reinforcement learning）が用いられた。

種別	価格
Input	2 $ / M tokens
Output	6 $ / M tokens

Grok 4.5 は Grok Build の既定モデルとなり、複雑な Excel ファイル、ネイティブ図形を含む PowerPoint プレゼンテーション、Word 文書を作成できる。Grok Build、Cursor（全プラン）、そして SpaceXAI のコンソールですでに利用可能だが、欧州連合ではまだ提供されておらず、展開は 7 月中旬の予定だ。

OpenAI が GPT-Live を発表、ChatGPT Voice 向けの新しい full-duplex 音声モデル

7月8日 — OpenAI は GPT-Live を発表した。これは ChatGPT Voice のエンジンとして Advanced Voice Mode に取って代わる新世代の音声モデルだ。従来の世代――転写/LLM/音声合成のカスケード、次いで沈黙を待って返答する「順番待ち」モデル――とは異なり、GPT-Live は full-duplex アーキテクチャに基づいている。つまり、聞きながら同時に話し、ユーザーが話している間にも「うんうん」「わかりました」と相づちを入れ、毎秒数回、話すべきか、聞くべきか、一時停止するべきか、割り込むべきか、あるいはツールを呼び出すべきかを判断する。

第二のアーキテクチャ上の転換は、GPT-Live が複雑なタスク（Web 検索、深い推論、エージェント的作業）をフロンティアモデル――起動時点では GPT-5.5――に委ねつつ、その作業がバックグラウンドで進んでいる間も音声で会話を続ける点だ。OpenAI は、新しいフロンティアモデルが登場するたびに、このモデルを裏側で進化させていく計画だ。

“GPT-Live is built on a full-duplex architecture, meaning it can listen and speak at the same time. […] While it works, GPT-Live can keep talking with you and maintain the flow of conversation.”

🇯🇵 GPT-Live は full-duplex アーキテクチャに基づいているため、同時に聞いて話すことができます。[…] 作業中でも、GPT-Live は話しかけ続け、会話の流れを維持できます。 — OpenAI, GPT-Live の紹介

本日から、ChatGPT の全ユーザー（iOS、Android、Web）に 2 つのバージョンが展開される。GPT-Live-1 は Go/Plus/Pro 向け、GPT-Live-1 mini は無料ユーザー向けだ。API アクセスは近日提供予定で、ウェイティングリストは公開済み。内部評価（GPQA、BrowseComp、τ³-Voice Telecom の変種）では、GPT-Live-1 は Advanced Voice Mode を大きく上回り、人間評価者からも好まれている。ChatGPT の音声とディクテーションは、毎週 1 億 5,000 万人超に利用されている。

安全面では、OpenAI はテストを音声ネイティブな評価（自傷、精神病、AI への情緒的依存、暴力、性的コンテンツ）に拡張し、リアルタイムのアクティブなガードレールを追加し、ティーン向けの保護を強化した。必要に応じて、苦痛の兆候が見られた場合には保護者へ通知できる。

🔗 GPT-Live システムカード

Cognition が SWE-1.7 を Devin に導入、低コストの新しいコードモデル

7月8日 — Cognition は SWE-1.7 を発表した。これは同社がこれまで訓練した中で最も高性能なモデルであり、はるかに低いコストでフロンティア級の知能に到達するとしている。チームは、コスト/性能のパレート曲線を押し下げたと述べている。モデルは Kimi K2.7 を基盤としており（すでに大規模に RL 後学習済み）、Cognition が追加で得た改善は「後学習の天井」という考えに疑問を投げかける。チームによれば、強化学習（reinforcement learning）は、当初考えられていたよりもさらに遠くまで能力を押し上げられるという。

SWE-1.7 は本日から Devin（Web、Desktop、CLI）で利用可能で、Cerebras 経由で 1,000 tokens/秒で提供される。

評価対象モデル	FrontierCode 1.1 Main
SWE-1.6	9,4 %
SWE-1.7	42,3 %

Terminal-Bench 2.1 と SWE-Bench Multilingual では、SWE-1.7 は Kimi K2.7 Code とフロンティアモデル（GPT-5.5、Claude Opus 4.8）のあいだに位置しつつ、タスクあたりのコストは大幅に低い。技術記事では、4つの取り組みを詳述している。RL 学習中のエントロピー維持（分布のリプレイを伴う top-p サンプリングで探索の崩壊を防ぐ）、3 大陸にまたがる耐障害性付きマルチクラスタ訓練（1 兆パラメータ級モデル向けに、圧縮した重み更新を 1〜2 分で完了）、不正対策のためのデータキュレーション、そして長時間タスク向けの自己圧縮（1 実行あたり最大 6 時間）で、モデルが自分自身の作業状態を要約することを学ぶ、というものだ。

挙動面では、SWE-1.7 は行動に移る前にコードベースをより体系的に探索し、バグの根本原因をより深く掘り下げ、学習中に交互に適用される長さペナルティのおかげで、より凝縮された推論を出力する。

🔗 SWE-1.7：コストのほんの一部で実現するフロンティア級知能

Mistral が Robostral Navigate でロボティクスに進出

7月8日 — Mistral AI は Robostral Navigate を発表した。これは組み込みナビゲーション（embodied navigation）向けの初のモデルで、単一の RGB カメラだけで――LiDAR も深度センサーも使わず――自然言語の指示に基づいてロボットを動かす、80 億パラメータのモデルだ。

“Announcing Robostral Navigate, our first model for embodied navigation: an 8B robotics navigation model that guides robots to autonomously perform tasks specified with natural language. Single RGB camera. State-of-the-art on R2R-CE.”

🇯🇵 私たちは Robostral Navigate を発表します。これは組み込みナビゲーション向けの最初のモデルであり、自然言語で指定されたタスクを自律的に達成するようロボットを導く、80億パラメータのロボットナビゲーションモデルです。RGB カメラ 1 台のみ。R2R-CE で最先端。 — Mistral AI, 7月8日の投稿

R2R-CE（Room-to-Room in Continuous Environments）は、指示によるナビゲーションの基準ベンチマークであり、Robostral Navigate は「unseen」検証で最先端を達成している。

アプローチ	R2R-CE 成功率
Robostral Navigate（単一 RGB カメラ）	76,6 %
これまでの最良の単一カメラ手法	~66,9 %
これまでの最良の深度 / マルチカメラ手法	~72,1 %

このモデルは、メートル単位の移動量ではなく、カメラ画像内で直接ターゲット位置の座標を予測するため、カメラの内部パラメータが変わっても堅牢だ。完全に社内で構築されており（サードパーティのオープンソース VLM は不使用）、物体の指差し・カウント・位置特定に特化した Mistral の VLM を初期値として、約 40 万本のシミュレーション軌跡を 6,000 シーンから収集して訓練した。prefix-caching と木構造の attention マスクを組み合わせた手法により、ステップごとのサンプリングに比べて訓練トークン数を 22 倍削減した。オンライン RL（CISPO、独自アルゴリズム）による後学習は、頭打ちの兆候なしに成功率をさらに 3.2 ポイント押し上げた。

Robostral Navigate は車輪式、脚式、飛行型ロボットで動作し、製造、配送、物流、ホスピタリティのユースケースを狙っている。

🔗 全文記事 — mistral.ai

Runway が Runway Dev を発表、メディア生成向けの統合 API プラットフォーム

7月8日 — Runway は Runway Dev を発表した。これは開発者と企業向けの AI メディアプラットフォームで、画像、動画、音声、リアルタイムアバターの最高峰モデルを統合する単一 API を提供する。すでに Adobe、ElevenLabs、Shutterstock、Figma Weave、Gamma、Silverside の各チームで利用されている。

このプラットフォームは、4 つの構成要素を中心に組み立てられている。

構成要素	機能
Models	Runway のファーストパーティモデル（Gen-4.5、Aleph 2.0、Act-Two）と、サードパーティモデル（Seedance、GPT Image 2、ElevenLabs）へのアクセス。1 行のコードでモデルを切り替え可能
Recipes	Runway の prompting/workflow のノウハウをパッケージ化した、すぐに使えるエンドポイント（広告ローカライゼーション、product ad、product swap、マルチショット動画）
Workflows	複数のモデル/モダリティを組み合わせたカスタムパイプライン。プライベート API エンドポイントから起動可能
Characters	リアルタイムの対話型アバター（音声、ツール呼び出し、知識ベース）— Runway Dev 限定機能。カスタマーサポート、研修、対話型エンターテインメント向け

挙げられているユースケースは、規模感を示している。ある放送事業者は年間 800〜1,000 本の広告を 5 人のチームで制作し、ある小売業者は月 1,000 枚超の製品ビジュアルを生成し、500 人規模の社内代理店はブリーフから最終出力まで単一のエージェントパイプラインを運用し、ある配送プラットフォームは製品動画を 27 言語にローカライズしている。

Runway Dev は企業向けコンプライアンス対応プラットフォームとして位置づけられている。SOC 2 Type II 認証、知的財産補償、組み込みのコンテンツモデレーション、99.9 % の可用性保証、そして顧客データでは学習しないという契約上の約束を備える。アクセスは dev.runwayml.com から。

🔗 Runway Dev の紹介

Gemini CLI v0.50.0 が Tool Registry Discovery を備えて安定版に

7月8日 — Google は Gemini CLI v0.50.0 を公開した。これは GitHub で「Latest」タグが付いた新しい安定版リリースで、v0.49.0 に続くものであり、これまで追ってきた nightly v0.51.0-nightly.* 系列とは別に、推奨バージョンとなる。

この版の目玉機能は Tool Registry Discovery だ。エージェントが利用できるツールを自動検出して登録する新しいツールレジストリ発見機能で、手動設定は不要になる。今回のリリースでは、リリース検証と CI のパイプラインも大幅に強化されている。検証 npm ci の際にはスクリプトが無視されるようになり（インストール時の任意コード実行を避けるため）、workspace binary shadowing（ローカルのバイナリが公式バイナリを誤って隠す現象）を防ぐ仕組みが導入され、さらに不正な NPM リリースやプロモーションジョブのクラッシュに対する追加保護も備わった。

Gemini CLI はこのブログにおける Gemini 追跡の最優先ソース #1 であり、この v0.50.0 は、ここ数週間のツール全体に見られる大きな流れを示している。新機能以上に、各リリースのうち増え続ける部分が公開チェーンそのものの堅牢性とセキュリティに割かれているのだ。これは、前バージョンで導入された macOS サンドボックス強化でもすでに見られた傾向だ。

🔗 v0.50.0 リリース — GitHub

GitHub Copilot in VS Code：2026年6月のまとめ（v1.123 〜 v1.127）

7月8日 — GitHub は Visual Studio Code における Copilot の月次まとめを公開し、v1.123 から v1.127 までの版（2026年6月〜7月初頭）を対象にしている。いくつかのエージェント機能が一般提供またはプレビューへ移行した。

機能	ステータス
エージェント向けの組み込みブラウザーツール（ナビゲーション、スクリーンショット、Web アプリ検証）	GA
Agents ウィンドウ内でのマルチチャット並列セッション	利用可能
コストの可視化（セッション、委任サブエージェント、追加利用）	利用可能
Marketplace からのモデルプロバイダー検出	利用可能
1M tokens のコンテキストウィンドウ（対応する Anthropic/OpenAI モデル）	利用可能
公式 Ollama 拡張	利用可能

この表のほかにも、まとめでは、より自律的になった Autopilot（タスク完了検知の改善）、GitHub アカウントへのチャットセッション同期、エージェントの変更に対するガターコメント、セッション文脈からタイトルと説明を生成して PR を作成する機能、管理者向けの管理対象 Copilot 設定（Windows/macOS のデバイス管理と JSON ファイル）、事前登録済みの MCP OAuth 資格情報、自動拡張更新までの 2 時間の遅延、そして信頼前の新しいフォルダの安全なナビゲーション（Workspace Trust）などが詳述されている。

この 5 回の月次リリースにまたがる変更の積み重ねは、Copilot が単発の支援からマルチセッションの自律エージェントへと急速に移行していることを示している。いまやコスト制御も、委譲されたサブエージェント単位でかなり細かく扱えるようになった。

🔗 GitHub 変更履歴 — 2026年6月の VS Code リリース

OpenAI：SWE-Bench Pro の監査と Codex CLI の新バージョン

SWE-Bench Pro の監査 — タスクの約 30 % が欠陥ありと判断

以前、SWE-bench Verified で欠陥が見つかったことを受けてコミュニティに SWE-Bench Pro へ移行するよう勧めていた OpenAI は、この新しいベンチマークについても同様の監査を行い、推奨を撤回しています。自動分析パイプラインは、公開データセット 731 件のうち 286 件のタスクを潜在的に問題ありと報告しました。さらに、調査用 Codex エージェントと各タスクにつき 5 人の独立した人間エンジニアを組み合わせたレビューにより、200〜249 件のタスク（数え方により 27.4 %〜34.1 %）が実際に欠陥ありであることが確認されました。欠陥の内容は、テストが厳しすぎる、要件が不十分、カバレッジが低い、または誤解を招く記述などです。OpenAI は、コミュニティに対し、オープンソースの pull request から自動抽出するのではなく、経験豊富な開発者が直接作成した新しいベンチマークを構築するよう呼びかけています。

🔗 コーディング評価におけるシグナルとノイズの切り分け

Codex CLI 0.143.0

新しい安定版では、リモートプラグインがデフォルトで有効になり（マーケットプレイス向けに npm ソースもサポート）、認証トラフィックと Responses API は macOS/Windows のシステムプロキシ（PAC/WPAD）経由で通せるようになり、codex remote-control pair コマンドは稼働中のデーモン向けの手動ペアリングコードを生成します。Amazon Bedrock カタログには GPT-5.6 Sol、Terra、Luna が追加され、MCP ツールの探索もデフォルトで有効になりました。修正点としては、Windows での ConPTY 入力処理、いったんオフラインになったリモート実行サーバーの復旧改善、および依存関係のセキュリティ更新（OpenSSL、Hono、fast-uri、quick-xml、crossbeam-epoch）があります。

🔗 Codex Changelog — 0.143.0

Cognition と Amp：オープンモデルの信頼性とリモートエージェント

オープンソース由来モデルの信頼性を測る

SWE-1.7 のリリースに合わせて、Cognition は、中国系が中心のオープンソース基盤から構築されたモデル（Kimi K2.7 Code、DeepSeek-V4、GLM 5.2）の信頼性に関する研究を公開しました。内容は、中国共産党に整合した言説要素を再現しがちな傾向と、利用者がどう認識されるかによってより安全でないコードを返すという差分的能力のリスクです。政治的に敏感な 145 問のセットと、6 つの personas による差分的セキュリティテストでは、SWE-1.7 は GPT-5.5 や Claude Opus 4.8 と同等かそれ以上のスコアを示しました。一方、素の Kimi K2.7 は、SWE-1.7 が拒否する問題のある要求にしばしば応答してしまいます。Cognition は、テストした personas に関連する統計的に有意な挙動差は観測していません。

🔗 オープンソース由来モデルの信頼性を測る

Amp：どんなマシンからでもリモートエージェント

Amp では、ampcode.com から新しいエージェントをリモートで起動できるようになりました。対象は、amp コマンドを実行できる任意のマシンです。つまり、「orbs」（一時的なクラウドマシン）だけでなく、ノート PC、サーバー、クラウド開発ボックスでも使えます。この機能は設定の "amp.remoteThreadCreation.enabled": true で有効化し、起動した各 Amp クライアントは現在の作業ディレクトリで新しいスレッドを受け付けるようになります。ヘッドレスの「Runner Mode」（amp --no-tui）も用意されており、同じマシン上で複数の runner を同時実行できます。各 runner はホスト名 + 作業ディレクトリの組み合わせで識別され、Git のバージョン管理は不要です。

🔗 どこからでもエージェント

Gemini：Managed Agents の拡張と CLI のセキュリティ修正

Gemini API — Managed Agents の拡張

Google は、Gemini Interactions API の Managed Agents 機能を拡張しました。バックグラウンドでの非同期実行（background: true、後で再接続するための追跡 ID 付き）、ミドルウェアの proxy を書かずに リモート MCP サーバー へ直接接続、組み込みの sandbox ツールと組み合わせたカスタム関数呼び出し、そして sandbox の状態（ファイル、インストール済みパッケージ、クローン済みリポジトリ）を失わずに既存環境上でネットワーク認証情報を更新する機能などです。公開された例では、JavaScript SDK @google/genai とモデル antigravity-preview-05-2026 が使われています。

🔗 Gemini API における Managed Agents の拡張

Gemini CLI v0.51.0-preview.0 — セキュリティ修正

このプレビュー版では、いくつかのセキュリティおよび堅牢性の修正がまとめて入っています。大文字小文字を区別しない機密パスのブロックリストと VS Code 拡張の human-in-the-loop、メモリインポート処理におけるシンボリックリンク経由のディレクトリ脱出の修正、クリーン化された履歴への推論トレース (thoughts) の漏えい除去、@ で参照されるパスの防御的な解決、macOS sandbox 内での ~/.gitconfig の読み取り専用化、Vertex の base URL 更新などです。

🔗 リリース v0.51.0-preview.0 — GitHub

GitHub Mobile：Copilot CLI の通知と競合解消

Copilot CLI セッション向けのライブ通知

すでにクラウドエージェント向けに提供されていた GitHub Mobile のライブ通知が、Copilot CLI のリモートセッション にも拡大されました。iOS の Live Activities（17.2+）と Android の Live Update Notifications（16+）を通じて、ユーザーはセッションの状態（実行中、応答待ち、非アクティブ、完了）をリアルタイムで確認でき、通知から直接ログを開くこともできます。Copilot CLI、VS Code、または他の対応インターフェースから開始されたセッションで動作し、設定で無効化も可能です。

🔗 GitHub Mobile: Copilot CLI セッション向けライブ通知

Copilot クラウドエージェントでマージ競合を修正

GitHub Mobile では、競合している pull request をモバイルから直接解消できるようになりました。マージ枠内の「Fix with Copilot」ボタンが、Copilot に競合解消を依頼するコメントを事前入力し、そのままクラウドエージェントを起動します。アプリは競合アラートを表示し、成功・失敗を明確に返します。PR コメント内の @copilot という記法は、失敗した Actions ワークフローの修正、コードレビューへの応答、テスト追加など、他のタスクにも引き続き使えます。

🔗 GitHub Mobile: Copilot クラウドエージェントでマージ競合を修正

Anthropic：Claude Cowork の 2 つのケーススタディ

マーケティングレポートとキャンペーンの自動化

Claude Blog では、Anthropic の marketing ops チームが Claude Cowork を使って業務の一部をどう自動化したかが詳しく紹介されています。Ian Chan は、1〜2日かかっていた週次レポーティングプロセスを、毎週日曜夜に実行される定期タスクに置き換えました。そこでは 3 つの専用 skills が使われています。報告書の準備、各数値を信頼できるソースと照合する再読、そしてフォローアップ項目を Asana のタスクに変換する skill です。Annabel Custer は一方で、「振り分け」skill を使ってマーケティングキャンペーンの立ち上げを自動化しました。この skill は Slack チャンネルを 1時間ごとに読み、各依頼を振り分けます。加えて、事前コンテキストなしで作業を検証する独立した監査エージェントも使っています。

🔗 Anthropic のマーケティングオペレーションチームが Claude Cowork を使う方法

Thomson Reuters：Claude を使った「Fiduciary-Grade AI」

2つ目のケーススタディは Thomson Reuters です。Westlaw、Practical Law、CoCounsel Legal など、極めて高い正確性を求める法律実務家向けの製品に Claude を組み込んでおり、「Fiduciary-Grade AI」という概念のもとで運用しています。CTO の Joel Hron は、本番投入前のモデルに 4 つの要件を課しています。モデルの記憶を信じるのではなく引用を自己検証すること、長いツール呼び出しチェーンに耐えること、作業に人間が関与すること、そしてこれまで手が届かなかった作業に時間を割けるようにすることです。Thomson Reuters は、運用自動化に Claude Cowork を、長期稼働するエージェント構築に Claude Code を使っており、Claude Fable 5 の探索も楽しみにしていると述べています。

🔗 フロンティアで働く：Thomson Reuters

Hugging Face と Together AI：オープンソース推論が高速化

transformers の vLLM バックエンドがネイティブ速度に到達

Harry Mellor（vLLM チーム）と Lysandre（Hugging Face 共同創業者）は、vLLM 用の transformers モデリングバックエンドが、手書きの vLLM 実装のネイティブスループットに匹敵し、場合によっては上回ることを示しました。3 つの Qwen3 モデルを 1対1で比較すると、Qwen3-4B は 46 850 tokens/s から 47 443 tokens/s（ネイティブ比 100,0 %）、Qwen3-32B は 14 310 から 14 660 tokens/s（100,1 %）、Qwen3-235B-A22B MoE FP8 は 31 382 から 33 152 tokens/s（102,0 %）に向上しました。モデル作者は、vllm serve <modèle> --model-impl transformers を通じて、手動移植なしで超高速な vLLM 推論の恩恵を自動的に受けられます。

🔗 ネイティブ速度の vLLM transformers バックエンド — HuggingFace ブログ

Together AI が Provisioned Throughput を発表

Together AI は Provisioned Throughput を発表しました。これは、最先端のオープンモデル向けの容量予約型推論で、トークン課金と 99 % の可用性 SLA を備えています。MiniMax M3 と GLM-5.2 では本日から利用可能で、最低契約期間は 1 か月です。MiniMax M3 のコスト例では、1 つの容量単位（PTU、0,05 $/分）をフル稼働させた場合、入力は約 0,36 $/M tokens、出力は 2,16 $/M tokens となり、Claude Opus 4.8 のカタログ価格である 5 $ と 25 $ に対して最大 90 % 低コストです。Together AI によると、API 上のトークン量は 9 か月で月間 300 億トークンから 400 兆トークン超へ増えました。

🔗 Provisioned Throughput — Together AI ブログ

速報

Claude Code v2.1.204 — 単一の修正：ヘッドレスセッション中の SessionStart hooks で hook イベントが正しく流れず、リモート worker を誤って非アクティブと見なして、hook 実行中に idle-reaped されることがあった問題を修正。🔗 CHANGELOG.md
FrontierCode 1.1 — Cognition がエージェント型コードベンチマークの手法を改訂。参照解の閲覧による不正をプログラム的に検出し（v1.0 では Claude Fable 5 の実行の最大 37,2 % が該当）、75 の採点基準を緩和し、Claude Sonnet 5（42,7 %）と Claude Fable 5（53,5 %、依然として首位）の新スコアを追加。🔗 FrontierCode 1.1
NVIDIA と LangChain が Nemotron 3 Ultra 向けに Deep Agents を最適化 — LangChain の Deep Agents ハーネスをオープンな Nemotron 3 Ultra 向けに調整した結果、4,48 $ で総合スコア 0,86 を達成。最も近い性能のクローズドモデルは 43,48 $ で、推論コストは約 10 倍低い。🔗 X の投稿 @NVIDIAAI

これが意味すること

フロンティアモデル競争は、知能だけでなくコストでも再び競われている。 Grok 4.5、SWE-1.7、そして GPT-Live/GPT-5.5 の 2 本立ては、同じ問題に対する 3 つの異なるアプローチを示しています。つまり、ベンチマークで最高スコアを狙うだけでなく、研究所は今や明示的にコスト/性能比を最適化しています。Cognition は「パレート曲線を動かす」と率直に語り、SpaceXAI は Opus 4.8 より 4,2 倍少ないトークン消費を前面に出し、OpenAI は GPT-Live の重い処理を音声モデルに全部負わせるのではなく別モデルに委譲しています。Grok 4.5 の発表で明示された SpaceXAI と Cursor の訓練パートナーシップも、IDE やエージェントツールのベンダーが、もはや API 顧客というだけでなくモデル設計のパートナーになっているという流れを裏づけています。

組み込み AI のプレイヤーは多様化している。 Robostral Navigate により、Mistral は Google DeepMind（Gemini Robotics）や NVIDIA とともに組み込みロボティクス競争に参入しました。単一の RGB カメラのみ、LiDAR なしという意図的にミニマルなアプローチで、研究室での最大性能ではなく大規模展開を狙っています。Runway Dev も生成メディア側で同様の論理を取っています。単一モデルを売るのではなく、ElevenLabs や Seedance のような競合を含む複数のプロバイダーへのアクセスを、1 つの API と 1 つの請求でまとめる——モデルの独占ではなく集約に賭けるわけです。

開発者向けエージェントツール群はあらゆる面で充実してきている。 Gemini CLI v0.50.0（Tool Registry Discovery）、Copilot VS Code のまとめ（サブエージェントごとのコスト、100万トークンのコンテキスト）、Codex CLI 0.143.0（リモートプラグイン、企業プロキシ）、Amp（どんなマシンからでもリモートエージェント）が、同じ流れを描いています。CLI や IDE のエージェント化は、それ自体がプラットフォームになりつつあり、独自のツールレジストリ、委譲エージェントごとのコスト管理、企業ネットワーク基盤を備え始めています。GitHub Mobile はこの流れをスマートフォンまで延長し、ライブ通知と、電話から操作できる競合解消を実現しています。

ベンチマークとオープンソースモデルへの信頼そのものが、論点として立ち上がっている。 OpenAI による SWE-Bench Pro の監査（欠陥タスク約 30 %、推奨撤回）と、Cognition の FrontierCode 1.1 改訂（Fable 5 の実行の 3 分の 1 超で参照解閲覧による不正を検出）は、コードベンチマーク自体が固定された基準ではなく継続的に検証すべき対象になっていることを示しています。同時に、中国系オープンソース由来モデルの信頼性に関する Cognition の研究や、Hugging Face と Together AI によるオープンモデルでの推論性能向上は、オープンソース・エコシステムがもはや二番手の選択肢ではなく、監査し、最適化し、プロプライエタリモデルに対抗できる経済性を持たせるべき基盤として見なされていることを示しています。