10月16日昼時点のAIニュースまとめです。今回は、OpenAIの学術向けプログラム、TSMCの決算、ウェアラブルAIデバイスといった公式発表に加え、安価なモデルを業務に組み込む際の検証知見や、消費者向けGPUで大型モデルを動かす試みなど、実運用に近い話題が目立ちました。

OpenAI「GPT-Rosalind」学術プラン——研究ラボへのスポンサードアクセス

OpenAIは10月15日、Rosalind Academic Planを発表しました。適格な学術ラボを対象に、GPT-Rosalindと研究向けツール群へのスポンサードアクセスを提供し、ライフサイエンス研究の推進を支援するものです。

商用モデルの研究利用はコストが壁になりやすく、学術向けの提供プログラムは各社が競って拡充している分野です。フロンティアモデルの能力が研究手法そのものに影響し始めているいま、資金力に関係なく先端モデルを触れる環境をどう広げるかは、研究コミュニティ全体の関心事といえます。

TSMCの7〜9月期は純利益68.7%増——売上・利益とも四半期過去最高

半導体受託生産最大手のTSMCは10月15日、2026年7〜9月期の決算を発表しました。ITmediaの報道によると、売上高は前年同期比50.9%増の1兆4942億台湾元（約7兆2900億円）、純利益は68.7%増の7630億台湾元で、いずれも四半期として過去最高を更新しました。魏会長は「需要は極めて堅調」とコメントしています。

生成AI関連の投資が上流の製造まで及んでいることの裏付けで、先にAIメモリで史上最高益を発表したサムスンと合わせ、半導体サプライチェーン全体がAI需要を引き続き吸収している状況がうかがえます。

Amazonが「Bee」ブランドでAIデバイス2機種——リストバンド型とスマホ装着型

Amazonは傘下のBeeブランドで、2機種のAIデバイスを発表しました（ITmedia）。「Bee Frontier」は手首や衣服に着けるリストバンド型、「Bee Eclipse」はスマホ背面に貼り付けるタイプで、いずれも会話の要約やToDo作成に対応します。Alexa+やAmazon.comと連携し、音声データや要約はNitro基盤の暗号化環境で保護されるとしています。

スマホとは別のフォームファクタでAIを常時身につける試みは各社で続いていますが、既存の音声アシスタント資産（Alexa+）とECとの連携を前面に出した構成はAmazonらしいアプローチです。

Claude Haiku 5.5は本当にコスパがいいのか——日本語タスク検証と「核心を落とす」落とし穴

ITmediaは、Anthropicの最軽量モデル「Claude Haiku 5.5」を3つの日本語タスクで「Sonnet 5.5」「GPT-6 Luna」と比較しました。定型文書の処理では上位モデルに迫る一方、「自らの立場を把握した上での返答」が必要な課題では回答が揺れたといいます。

興味深いのは、Zennの検証記事「チェックリストは全部通った。核心だけ落ちていた」が示す失敗パターンです。要約担当のサブエージェントをHaiku 5.5に下げてOpus 5.5と同じ原文14件を要約させたところ、数値も引用も間違えず機械照合では捏造0件だった一方、13件中4件で「記事が一番言いたいこと」が要約から消えていました。この欠落は2回の試行で再現され、しかも照合では検出できません——書かれていないものは照合の入力に入らないためです。

欠落を防いだのは、プロンプトに「書く前に著者の核心を述べさせる」という1つの手順を足すことだったといいます。安価なモデルへの置き換えを検討する際、「書いてあることの正確さ」だけでなく「書くべきことの網羅性」を別個に確認する必要がある、という実践的な教訓を含む検証です。

ローカルLLM: 16GB GPU2枚と96GB RAMで125B MoE——テンソル並列の数値誤差の知見も

LocalLLaMAコミュニティでは、消費者向けハードで大型MoEモデルを動かす試みが続いています。

RedditユーザーのFeydRowan氏は、自作エンジン「capy-flash」でQwen3.8-Flash-Next（125B-A6B）をNVIDIA公式のNVFP4チェックポイントのまま、RTX 5070 Ti（16GB）2枚＋96GB DDR5の構成で動かし、生成約100トークン/秒、15kトークンのプロンプトで約3.4kトークン/秒のprefillを達成しました。比較対象のStrataより生成・prefillとも高速としています（ただしStrataの3ビットビルドは生成がまだ速いとも述べています）。

技術的に興味深いのは、テンソル並列（TP=2）特有の数値誤差の指摘です。TPでは各GPUが部分和をBF16に丸めてからall-reduceするため、2枚構成は1枚構成の約5倍の頻度で大きな誤差が発生するといいます（Qwen3.8での観測）。部分和をFP16で書くことで、同じバイト数で8倍細かい精度になり単GPU水準に戻せるとしており、ベンチマークへの影響は小さいものの「無料で得られる数値パリティ」として公開しています。

別のスレッドでは、DeepSeek-V4-Flash（0731）を4枚のRadeon AI PRO R9700で動かした報告もありました。オープンソースのaffinityエンジンは、作者が2枚の実カードで4ランクをシミュレートした際の原因不明のトークン崩れを受けて4カード構成を拒否する仕様になっていましたが、実機4枚では崩れが一切発生せず、greedyで79トークン/秒を達成。全11,008エキスパートがVRAMに常駐し、ホスト側プールすら不要だったとしています。

このほか、Qwen 3.5ベースの三値量子化モデルファミリー「Ternary Bonsai 2」（2B/4B/9B）も公開されており、当初は別forkが必要とされていた実行が、投稿の編集時点ではvanilla llama.cppでも動くようです。

研究枠: 統一マルチモーダル拡散LLM「Intern Lumina U2」、自己改善するターミナルエージェント

研究方面では3本をピックアップします。

Internシリーズから、画像・動画・3Dの理解とテキストからの画像生成・編集を1モデルでこなす拡散LLM「Intern Lumina U2」が公開されました。16.9BのMoE構成で活性化パラメータは1.4B。各視覚位置に8つのコードを割り当てるマルチコードブック方式で細部を表現しつつ、専用のサンプリング（PHV）で画像生成を4.45倍高速化しています。画像理解は10ベンチマーク中6つで最高または同等、動画は3種すべてで最高。生成面でも統一モデルとしてDPG-Bench 87.79でFLUX.1-devを上回り、一部ベンチマークではQwen-Imageを活性化パラメータ約14分の1で超えるとしています。訓練にはAscend 910Bを1,024基使用し、NVIDIA環境でも相互検証したとのことです。

「Terminal-RSI」は、ターミナル作業エージェントを再帰的に自己改善する枠組みです。検証済み軌跡の自己書き換え（RSR）と、批評家を引き継ぐポリシー精錬（RPR）を交互に繰り返し、Qwen3.8-27Bベースから5段階の訓練を経てTerminal-Bench 4.0で19.84%、Terminal-Bench 2.1では86.52%に達したといいます。

「SWE-at-Scale」は、過去の実バグ修正から「新しいIssue」を合成生成してコーディングエージェントの訓練・評価データをスケールさせるアプローチ。「バグ修正をバグに戻す」発想で、良質な評価インスタンスが不足する問題への対策として提案されています。

そのほかのトピック

  • Cal AIの成長を支えたインフルエンサー戦略: TechCrunchは、2年で3,000万ドル超の売上を挙げ、3月にMyFitnessPalへ買収された写真カロリー計測アプリ「Cal AI」の成長の裏側を報じています。
  • 大学講義を学ぶAIエージェント: バーイラン大学では、講義動画の書き起こしを学習させたAIエージェントが学生の復習を支援。8月の期末試験では平均点が前年比約3ポイント上昇したと、Microsoftの記事が伝えています（良い学年だった可能性も教授自身が認めています）。
  • NVIDIA「Nemotron-3.5-Embed-1B」: テキスト・画像・その組み合わせを埋め込みできる1Bモデル。テキスト検索34言語、画像検索18言語で評価されており、日本語は両方に含まれます（Hugging Face）。
  • 国内の導入事例: 旧マルハニチロ（Umios）が全国支社の月次販売計画の手作業入力を自動化し、年間約4,200時間の削減を見込んでいます（ITmedia）。