いよいよ「卓上で1兆パラメータ」という看板が、現実の製品仕様として現れ始めた。9月4日のIFA 2026でAMDが発表したワークステーション「Threadripper Halo Station」は、96コアのCPUとアクセラレータ2基を液冷で束ね、トライリオンパラメータ級モデルの実行をうたう。研究面では、人のデモンストレーション動画をインターネットから検索してロボットの操作学習に使うデータエンジン「RoboTok」が公開された。日本の実務レポートからは、LLMのコストとトークンを「呼ばない・読ませない」方向で削る工夫が並ぶ。

AMD「Threadripper Halo Station」──トライリオン級モデルを卓上で

AMDはIFA 2026（2026年9月4日）で、AIワークステーション「Threadripper Halo Station」を発表した。

CPUはRyzen Threadripper PRO 9995WX（Zen 5、コード名「Shimada Peak」）。96コア192スレッド、ブースト最大5.4GHz、L3キャッシュ384MB、TDP 350Wという仕様で、8チャンネルDDR5と128レーンのPCIe 5.0を備える。展示構成ではシステムメモリ2TBを搭載していた。

数値計算はアクセラレータが担う。液冷のInstinct MI350P（CDNA 4）を2基搭載し、1基あたりHBM3Eを144GB搭載し、2基合計で288GB。メモリ帯域は1基あたり最大4TB/s、FP4性能は1基あたり最大4,614 TFLOPS、TBPは1基あたり600W。PCIe 5.0 x16で接続され、将来的には4基構成（HBM3E合計576GB）への拡張パスも示されている。CPU・アクセラレータともに液冷だ。

AMDはこの構成を「世界で最も強力なワークステーション」と位置づけ、トライリオン（1兆）パラメータ級のモデルを実行できると主張する。ローカルLLMコミュニティでは早速スペックの検証が始まっているが、フルシステムの価格・発売日・OEMパートナーの詳細は今後の発表待ち。とはいえ、ワンクラス上のローカル推論環境が具体的な製品像として示された意義は大きい。

人のデモ動画をデータエンジンに──Rice大学の「RoboTok」

Rice大学の研究チームが、ロボット操作学習向けのデータエンジン「RoboTok」を公開した。

ロボットの手先の器用な操作（デクスタラスマニピュレーション）を学習させるには、人間のデモンストレーションが何よりの教材だが、専用の収集設備で大量に撮影するのはコストが高い。RoboTokの発想は逆で、インターネットに既にある無数の動画から「同じ操作をしている映像」を検索して再利用する。

仕組みの鍵は手のポーズの表現だ。操作の動きを演者から見た相対座標で正規化した3Dハンドポーズで動画を索引することで、カメラ視点の違いや遮蔽、情景の見た目に左右されずに動きだけを比較できる。1本の人間のデモ動画をクエリとして与えると、同じ操作モーションを含むインターネット動画を取り出せる。

コード・データ・モデルがオープンソースとして公開されている点も特徴で、研究チームは「ロボット操作データの調達が大幅に安くなる」と強調する。人の動画をそのままロボットへ転用できるわけではないものの、教材調達のボトルネックを緩める基盤として注目される。

Qwen 3.8 27Bの2つの顔──6クリックでWikipedia game制覇、実デバッグでは苦戦

ローカルLLM界で人気のQwen 3.8 27Bをめぐる2つの報告が、LocalLLaMAコミュニティに寄せられた。

1つは「Wikipedia game」のクリア報告。開始記事から終了記事へ、Wikipedia内のハイパーリンクだけを10クリック以内でたどる（戻る禁止・検索バー使用禁止・外部リンク禁止）という遊びを、Qwen 3.8 27BがPlaywrightで実際にブラウザを操作して挑んだところ、6クリックで到達したという。投稿者は経路の正確さを検証済みで、「ループに嵌ると思っていたが、単純ながら良いエージェントテストになる」と評価している。

もう1つは苦い報告だ。プロダクションのCLIアプリで、EF CoreのContainsクエリがコード変更なしに壊れるという難物バグに遭遇したエンジニアが、Qwen 3.8 27B（q8量子化、f16 KVキャッシュ）に解析を頼んだところ、4つの異なるアプローチを試しては空転した。フロンティアモデルのGPT Solに切り替えると、2分で原因を特定した。原因は、.NET 10 SDKの導入時にglobal.jsonでバージョンを固定していなかったため、ローカル再ビルドでC# 14コンパイラが使われ、Spanのファーストクラス対応がEFクエリを壊していた、というものだった。

「27Bは十分にフロンティア近く」という自分の見方を改めたと投稿者は振り返る。ベンチマークスコアと実務の距離を改めて思い出させる報告で、便利な道具と万能の道具の区別は、使い続けるうちにしか見えてこない。

LLMを呼ばない・読ませない工夫──日本の実践レポートから

日本語圏の技術記事からは、LLMの利用コストとトークン消費を構造的に削る実践が並んだ。

個人開発者によるZennの記事では、中古市場の万年筆出品タイトルからモデル名を判定するパイプラインで、当初の全件LLM投入では「10万件で約10万円」という試算が出たため、「LLMを呼ばないための実装」に作り直して変動費を9割減らした経緯が報告されている。うまくいった話より、測って初めて分かった思い違いのほうが長いという正直な記録だ。

Qiitaの記事は~/.claude/history.jsonlの分析。320日分の手打ちプロンプト21,286件の中央値は26文字で、「プロンプト設計」と呼べる長文は全体の1%しかなかった。AIエージェントの日常的な使い方は、洗練されたプロンプト工芸ではなく短い指示の大量往復だった、というデータとして興味深い。

同じくZennの連載「読まない技術」第5回は、13体のサブエージェントに173万トークンを溶かした事例を引きつつ、それでも「サブエージェントのログだけは読むべき」という逆説的な結論を示す。AIの出力を読まない運用を貫く連載の中で、サブエージェントを例外に挙げる論理は一読の価値がある。