DeepReinforceが自己改善型コーディングモデル「Ornith-1.0」をリリース

DeepReinforce AIが、エージェント型コーディングに特化したオープンソースモデルファミリー「Ornith-1.0」を公開した。9B-Dense、31B-Dense、35B-MoE、397B-MoEの4サイズがMITライセンスで提供されている。

最大の特徴は「自己改善型トレーニングフレームワーク」で、強化学習を通じて解法だけでなく、その解法を導く足場（scaffold）も同時に最適化する設計になっている。これにより、より良い探索軌道を自律的に発見し、高品質な解を生成できるとしている。

ベンチマークでは、Terminal-Bench 2.1やSWE-Bench Verified等で同サイズ帯の既存オープンソースモデルを大きく上回るスコアを記録。特に35B-MoEモデルはSWE-Bench Verifiedで75.6%を達成し、Qwen3.5-397B（76.4%）に迫る性能を見せている。Gemma 4やQwen 3.5をベースにポストトレーニングを行っており、シングルGPUで動作可能な軽量モデルとしても実用的だ。

LiquidAI、230Mパラメータのエッジ向けモデル「LFM2.5-230M」を発表

LiquidAIは、オンデバイス展開を前提としたハイブリッドモデル「LFM2.5-230M」を公開した。19Tトークンで事前学習され、Galaxy S25 Ultraで213 tok/s、Raspberry Pi 5でも42 tok/sのデコード速度を実現している。

LFM2.5アーキテクチャは14層構造（8つのダブルゲートLIV畳み込みブロック＋6つのGQAブロック）で、32,768トークンのコンテキスト長に対応。日本語を含む10言語をサポートする。ツール使用機能も備え、データ抽出や軽量なエージェントパイプラインでの活用が想定されている。

ただし推論重視のタスク（高度な数学、コード生成、創作）には推奨されておらず、あくまでエッジデバイスでの実用的なタスク処理に特化した位置づけだ。

AnthropicがAlibabaを「最大規模のAI蒸留攻撃」で非難

Anthropicが、Alibabaが自社モデルに対して大規模なAI蒸留攻撃（distillation attack）を行ったと非難している。攻撃には約2,880万件の不正なAPIリクエストが含まれていたとされ、業界最大規模とされている。

蒸留攻撃とは、強力な商用モデルに大量のリクエストを送り、その応答を利用して自社のモデルを訓練する手法。API利用規約に違反する可能性が高く、知的財産権の観点からも問題視されている。この件が今後のAPI利用制限や法的措置の強化につながるか注目される。

ノルウェーが小学校でのAI使用を禁止

ノルウェーのヨナス・ガール・ステーレ首相は、小学校でのAI使用を禁止する方針を示した。AIの使用が子供の教育において重要なステップを見逃すリスクを高めるという懸念が背景にある。ノルウェーは以前にもスマートフォンの学校内持ち込みを禁止しており、デジタル技術の教育現場への導入に慎重な姿勢を維持している。

OracleがAI導入で従業員約21,000人減

Oracleの従業員数が約21,000人減少したことが分かった。AI導入による業務効率化が要因とみられている。「AIはジョブではなくタスクを奪う」という分析もHacker Newsで議論されており、特定の職種そのものが消滅するよりも、業務プロセスの一部が自動化され、結果として人員削減につながる構造が可視化し始めたと言える。

Linux Foundationがオープンソース防衛プロジェクト「Akrites」を立ち上げ

Linux Foundationは、FOSS（Free and Open Source Software）をAI搭載のエクスプロイトから守るための新しいプロジェクト「Akrites」を発表した。AIを悪用したサイバー攻撃が高度化・大量化する中、オープンソースソフトウェアのセキュリティ確保が急務となっている。具体的な成果はまだこれからだが、主要な財団がこの問題に組織的に取り組む姿勢を示した意義は大きい。

audio.cpp: C++音声モデル推論フレームワークがPython比で最大5倍高速

オープンソースのC++音声モデル推論フレームワーク「audio.cpp」がRedditのLocalLLaMAコミュニティで注目を集めている。ggmlベースで構築され、TTS、ASR、音声変換、コーデックなど12のモデルを単一のC++ランタイムで実行できる。

Pythonベースの参照実装と比較して、PocketTTSで最大3.68倍、Qwen3-TTSで最大2.74倍、Vevo2では5.03倍の高速化を達成。長文テキストではPocketTTSが48.40倍実時間で音声を生成するなど、エッジ環境での音声AI実用化に向けた有望な選択肢となっている。