Anthropicが東京で「Code with Claude」開催――開発者向け3つの指針
Anthropicが6月10日、東京で開発者向けイベント「Code with Claude」を開催した。同日に一般提供（GA）を開始した新モデル「Claude Fable 5」を念頭に、高性能なAIをサービスに組み込む際の指針が語られた。
ITmedia AI+の報道によると、イベントではAIを活用したサービス開発における3つの重要な指針が示された。Claude Fable 5のリリースは、これまで招待制だったモデルが広く利用可能になったことを意味し、日本の開発者コミュニティにとって実装のハードルが下がったと言える。
Anthropicが海外だけでなく東京で直接イベントを開催したことは、日本市場を重要視している表れとみられる。同社は先日もClaude意識論の議論で業界の注目を集めており、開発者体験の向上に注力する姿勢を鮮明にしている。
RHO：LLMエージェントが過去の失敗から自ら改善
Hugging Face Daily Papersに掲載された「RHO（Retrospective Harness Optimization）」は、LLMエージェントのハーネス（スキル、ツール、ワークフロー）を、エージェント自身の過去の軌跡のみを使って改善する手法だ。外部の正解データセットを一切必要としない点が特徴的。
具体的には、DPP（Determinantal Point Process）を使って難易度の多様なコアセットを過去タスクから選択し、各タスクを並列で再実行。失敗を自己検証と自己一貫性で診断し、候補となるハーネス更新をペアワイズの自己選好（self-preference）で評価する。
結果は顕著で、たった1回の最適化ラウンドでSWE-Bench Proのパス率が59%から78%に向上。Terminal-Bench 2やGAIA-2でも一貫した改善が確認された。外部の採点を一切使わずにここまでの改善を達成したことは、エージェントの自己改善能力の可能性を示唆している。
MemDreamer：長尺動画理解で知覚と推論を分離
同じくHugging Face Daily Papersに掲載された「MemDreamer」は、長尺動画理解において知覚（perception）と推論（reasoning）を分離する新しいアプローチを提案。階層型グラフメモリとエージェント的検索メカニズムを組み合わせることで、コンテキスト長の制限を回避し、注意の希薄化を緩和するとしている。
長尺動画理解は、動画全体を一度に処理するにはコンテキストウィンドウが不足しがちな課題領域。知覚段階で情報を構造化し、推論段階で必要な部分だけを検索するという分離アプローチは、今後のマルチモーダル理解のスケーリング方向として注目される。
CPU推論の最前線：MoEモデルが主戦場に
RedditのLocalLLaMAコミュニティで、CPU環境でのLLM推論について活発な議論が行われた。AVX2には対応するがAVX512はないIntel Core Ultra 7 165H（64GB RAM）という環境で、Qwen3.6 35B A3BのQ4_K_M量子化をllama.cppで実行したところ、約10トークン/秒が得られたという報告。
MoE（Mixture of Experts）モデルは、全パラメータのうち一部のみを活性化するため、メモリ帯域幅と計算リソースが限られたCPU環境と非常に相性が良い。64GBのRAMを活かして大型MoEモデルを載せるという戦略は、GPUを持たないユーザーにとって実用的な選択肢となっている。
ただし思考モード（thinking mode）では10tpsでは実用性に欠けるという指摘もあり、CPU推論の課題は依然として残る。コミュニティでは他のモデルや量子化設定、llama.cppのフォーク版についても情報交換が続いている。
コーディングエージェント開発の「作業ログ」自動生成実践
Qiitaで、コーディングエージェントを使った開発において「作業ログの自動生成」を運用した経験が共有された。
コーディングエージェントは「認証を実装したい」と伝えればファイル構成の提案から実装・テストまで高速に進めるが、「なぜその設計にしたか」「どのトレードオフを選んだか」が記録に残りにくいという課題がある。人間同士のレビューなら口頭で補える部分も、AIとの開発では暗黙知として失われがちだ。
この課題に対し、開発プロセスに作業ログの自動生成を組み込むことで、設計判断の根拠を記録・活用する実践が報告されている。AI支援開発が加速する中で、開発プロセス自体の記録と振り返りをどう設計するかは、チーム開発の生産性を左右する重要なテーマになりつつある。