Qwen 3.7のオープンウェイト公開が目前——OpenRouterに価格情報が出現

RedditのLocalLLaMAコミュニティで、Qwen 3.7のオープンウェイトリリースが近いことを示す証拠が報告された。OpenRouter上に「Qwen3.7-flash」の価格情報が出現したのだ。

Qwen 3.6では35B-A3Bモデルを「Qwen 3.6 flash」と呼んでいた経緯から、今回の3.7-flashも小規模なMoE（Mixture of Experts）モデルとみられる。注目すべきは、3.6-flashより大幅に安い価格設定と、ネイティブで1M（100万トークン）のコンテキストウィンドウに対応している点だ。Qwenシリーズはオープンウェイトモデルとして実績があり、3.7の登場はローカルLLM社区にとって重要なマイルストーンとなる。

現時点では公式発表はないが、OpenRouterへのリスト登録はリリース準備が進んでいる強いシグナルといえる。

新規ポッドキャストの30%以上がAI生成——Listen Notesが統計公開

ポッドキャスト検索エンジンListen Notesが衝撃的な統計を公開した。新規作成されるポッドキャスト番組の**30%以上がAI生成コンテンツ（AIスロップ）**だという。

ポッドキャストという媒体は、テキストと違い音声での精査が難しく、AI生成の「もっともらしいが事実に基づかない」内容が混入しやすい。この統計は、AIコンテンツ汚染が特定のプラットフォームに限らず、音声メディア全域に広がっていることを示している。

同時期にThe Atlanticも「AIスロップの次に来るもの」と題し、AI生成小説がベストセラーになる現象を分析している。コンテンツ市場における人間とAIの境界線が、ますます曖昧になっている。

AI投資の過熱でビッグテックの信用リスク急上昇、韓国KOSPIは5%近く急落

Financial Timesによると、巨大IT企業の信用リスクがAIへの巨額投資を背景に急速に上昇している。AIインフラへの投資規模が、企業の財務体力に対して懸念される水準に達しつつあるという。

この懸念は株式市場にも波及している。Reutersが報じたところでは、韓国のKOSPI指数はAI関連の懸念からチップメーカー株が急落し、ほぼ5%の下落を記録した。AIバブルの崩壊を示唆するものではないが、投資家の心理が「一律買い」から「選別」に変わりつつあるシグナルとみられる。

AI投資の回収見通しが不透明な中、半導体株を含むアジア市場への影響が現れ始めている。今後の決算シーズンでAI収益の実態が問われることになるだろう。

Claude Codeの2週間で8リリース——/fork再構築と並列運用の落とし穴

Claude Codeのv2.1.186からv2.1.212まで、わずか2週間で8つのリリースが行われた。チェンジログの項目は累計290に上るが、実用的に重要な変更は3点だった。

第一に、/forkコマンドが会話全体の複製に変わった。従来は部分的な分岐だったが、今回から会話の完全なスナップショットを取れるようになった。これにより、実験的な変更を試す際の安全網として機能する。

第二に、サブエージェントとMCPサーバーがデフォルトでバックグラウンド実行になった。メインの対話をブロックせずに補助処理を進められる。

第三に、v2.1.210以前のworktree隔離にセキュリティ上の欠陥があったことが判明し、修正された。Claude Codeを並列で運用している場合は、最新版への更新が推奨される。

プロンプトを2回貼るだけで精度が上がる「Prompt Repetition」

Google Researchが2025年末に報告した「Prompt Repetition」手法が、日本のAIコミュニティで改めて注目されている。

この手法は非常にシンプルだ。同じ指示文をそのまま2回連続でプロンプトに記述するだけ。CoT（思考の連鎖）を使わない設定で検証された70条件中47条件で精度が有意に向上し、悪化した条件はゼロだったという。

なぜ効くのか。LLMは指示を逐次的に処理する際、後半に書かれた制約ほど注意が薄れる「instruction dilution」現象が起きる。同じ指示を2回目として再読させることで、1回目で軽視された制約に再度アテンションが向くのだという。

Self-Consistency（同じプロンプトを複数回生成して多数決を取る手法）とは異なり、1回の生成で効果が出る点が実用的だ。コストを増やさずに精度を引き上げられる、シンプルかつ強力な手法として知っておいて損はない。

Claudeが100日間トマトを育てた——自律エージェントの新境地

AnthropicのClaudeが、種から果実まで100日以上にわたりトマトを自律的に育てたプロジェクトが話題を呼んでいる。

この実験の特筆すべき点は、フィードバックループが物理世界にあったことだ。水やり、光の調整、温度管理をリアルタイムで行うだけでなく、必要に応じて自ら回路を設計しハードウェアを拡張したという。チャットボットの延長線上にある「タスク実行」とは異なり、物理環境での長期にわたる自律性を示した事例として注目される。

自律エージェントの可能性を示す一方で、長期間の実行における信頼性や安全性の課題も浮かび上がる。100日間という期間は、LLMベースのエージェントが持続的な実世界タスクをどこまでこなせるかの一つの基準となりそうだ。