SILX AIが「Quasar-Preview」公開 — 分散学習ベースの18B MoEモデル

SILX AIが、Quasar Foundation Modelシリーズの最初の公開モデル「Quasar-Preview」をHugging Faceにリリースした。総パラメータ約18B、アクティブパラメータ約2BのスパースMoEモデルで、最大5Mトークンのコンテキスト長をサポートする。

最大の特徴はアーキテクチャの独自性だ。Loop TransformerとQuasar hybrid attentionを組み合わせ、Quasar/Raven/GLAのハイブリッドレイヤーを採用している。また、Bittensor SN24上での分散学習（decentralized distillation）を前提に設計されており、今後のスケールアップを前提とした「プレビュー」位置づけとなっている。

学習データは1〜1.5Tトークンで、ロングコンテキスト拡張はまだ1Bトークン未満と初期段階。完成版ではなく、アーキテクチャの公開と研究者・マイナーへの提供を目的としたチェックポイントである点に注意が必要だ。

Anthropic停止命令を受け、欧州でAI主権論が本格化

米国がAnthropicにFable 5とMythos 5の全世界での停止を命じた件で、欧州委員会が影響評価を開始した。欧州の研究者たちの間で、根本的な問いが浮上している——自前の基盤モデルを構築すべきか、それとも契約経由でのアクセス確保に努めるべきか。

しかし、自前インフラの構築には計算能力、電力、競争力のあるプロバイダーが必要で、現時点の欧州にはいずれも不足していると専門家は指摘する。米国の一国の政策決定が、世界的に利用可能なはずのAIモデルに影響を及ぼしたことが、デジタル主権の議論を急速に現実のものにしている。

この問題は単なるAnthropic一社の問題ではなく、AIインフラの地政学的依存構造そのものを浮き彫りにした。欧州がどのような対応を選ぶかは、今後のグローバルAI競争の構図を大きく左右する可能性がある。

KVキャッシュ量子化が実用レベルに — RTX 3090単体で256Kコンテキスト

LocalLLaMAコミュニティで、KVキャッシュ量子化の実用性が話題になっている。Qwen3.6-27B（Q4_K_M量子化）を単一のRTX 3090で動かし、ネイティブ256Kコンテキストを38.6 tok/sで処理できたという報告が注目を集めている。

具体的には、KVキャッシュの居住メモリをわずか72 MiBに抑えつつ（6%の居住率）、ニードル回帰テストで88〜100%の再現率を達成。VRAM使用量は21GBから17.5GBに削減され、生成速度も約2倍に向上した。HumanEval、GSM、MATH、エージェントスイートでの精度テストでも36/36とフルキャッシュ時と同等の結果を維持している。

別のユーザーも、KVキャッシュをQ4_0で量子化しても100Kコンテキストで正確に情報を検索できたと報告。KVキャッシュ量子化がついに「品質を犠牲にせずVRAMを節約できる」実用技術として成熟しつつあることがうかがえる。

AI生成コードのレビューに苦しむ開発者たち

Hacker Newsで「LLMが生成したコードをレビューする際、何を確認しているか」という議論が始まった。発端は、数千ファイル規模の変更を含むPR（主にRust、AI/Llama/Claude Code生成）のレビューに苦しむ開発者の投稿だ。

投稿者は「アーキテクチャレベルの理解が追いつかず、表面上を眺めるだけになってしまう」と課題を明かす。LLMが生成したコミットメッセージやPR説明、ドキュメントも、数千行に及ぶ変更を理解するには不十分だと感じているという。CI/リンターがコンパイルエラーやスタイル違反を拾う中で、「レビュアーは何を審査すべきなのか」という根源的な問いが投げかけられた。

この議論は、AIコーディングツールの普及に伴い、コードレビューのあり方そのものが問い直されている現状を象徴している。「たまにハルシネーションを受け入れてyoloで進めるのか、それとも新しいレビュー手法を確立するのか」——現場の開発者たちが模索を続けている。

Claude Codeの自律改善ループを実録した事例（Qiita）

Qiitaで、「読まれない」というユーザーの一言を起点に、Claude Codeのエージェント組織が自律的に問題特定から修正、バグ発見、知識記録までを完結させた実録記事が公開された。

記事では、AIエージェントが「原因特定 → 公開フローの修正 → 運用知識の記録 → 副次バグの発見 → レポート訂正 → 学びの記録 → タスク登録 → 別バグの修正」という一連のループを1セッションで完結させた過程が詳述されている。単発のタスク実行ではなく、発見的（heuristic）な問題解決プロセスを自律的に回した点が興味深い。

AIエージェントが実運用の中で「副次的なバグ」まで発見・修正していく姿は、エージェント・イン・ザ・ワイルドの可能性を示す一例と言える。