大きなプロバイダが「見えない推論」で守っているはずの情報が、設計上の隙を突いて取り出せる可能性が指摘された。一方で、生成物の出自を明示するウォーターマーク技術も本格稼働に向かう。8月11日のAIニュースから主要な動きをまとめる。

暗号化された「推論トレース」を盗み出す手法が報告

主要なLLMプロバイダは、モデルの段階的な推論（chain-of-thought）を保護するため、推論過程を暗号化したテキストブロックとしてクライアントに返し、次回のリクエスト時に送り返させる設計を採用している。サーバ側に保存せずクライアントに持たせることで、情報漏洩を防ぐ狙いがある。

新たな研究は、この暗号化ブロックに重大な脆弱性があると指摘する。プロバイダの生態系内では、暗号化ブロックがセッションやユーザー、さらにモデルをまたいで互換性を持つという。研究チームはこの性質を悪用し、あるモデルの暗号化された推論トレースを、同じプロバイダのより弱くガードの緩い別モデルに注入する手法を開発。能力の高いモデルを直接脱獄（ジェイルブレイク）することなく、注入先のモデルにトレースを平文で出力させることに成功したとされる。

影響範囲は広い。Anthropic、OpenAI、Google のいずれでも実証されたとされ、四つの攻撃ベクタが示されている。特に深刻なのが大規模なプライベートデータ抽出で、公開リポジトリから収集した約31万5,000個の暗号化推論ブロックを解析した結果、367件の個人識別情報（PII）と182件の認証情報を復元したという。このほか、蒸留防止機構の回避、推論過程に隠れた危険情報の漏出、暗号化ブロックを介した不可視のプロンプトインジェクションなどが指摘されている。研究チームは責任ある開示を行い、暗号化とシステム面の具体的な緩和策も提案している。

AnthropicがClaudeの全出力にウォーターマークを導入

Anthropicは、Claudeが生成するすべてのテキストに目に見えないウォーターマークを組み込み、C2PA標準でファイルに署名する方針を明らかにした。2026年8月以降に出荷される新モデルには、リリース初日からラベリングが組み込まれるという。方針は世界中に適用され、第三者機関が検証できる検出ツールも提供する計画で、ウォーターマークは一部の編集を経ても残る可能性があるとしている。

生成物の出自を示す仕組みは、AIで書かれた小説や文章が人間の執筆と区別できなくなる懸念に対する一つの回答だ。報道では、同社の新機能が「検出されないAI生成文章」を防ぐねらいと伝えられている。一方で、ウォーターマークが確実に改変に耐えるか、検出精度が実用レベルに達するかは、運用が始まってから検証が進む見通しである。

フランス語で最高水準を更新する小規模モデル「Luth-2」

英語以外の言語で小規模モデル（SLM）はどこまで戦えるか。コミュニティから、フランス語のベンチマークで同サイズ帯の既存モデルを上回る「Luth-2」が公開された。0.8Bと2Bの二つの非推論モデルで、報告によれば2B版はMulti-IFでGemma-4-E2B-itを、0.8B版はMGSM-Rev2でgranite-4.0-h-microを、それぞれ上回ったとされる。

モデルはQwen3.5をバックボーンに採用。数学や知識、コード、ツール呼び出し、多回合話などを cover する3Bトークン規模のSFT混合データに加え、専門特化とオンポリシー蒸留を組み合わせた強化学習で能力を拡張したという。結果としてサイズ帯で最高水準を示しつつ、より大きなモデルとも競争できるとのことだ。ローカル実行も可能で、モデル・データ・コードはHugging Faceで公開されている。フランス語のような高リソース言語であっても、多言語SLMにはまだ伸び代があるという示唆ともなっている。

ローカルAIでLinuxのシステム管理をこなす報告も

ローカル推論の実用性を巡る議論も続いている。あるユーザーは、ローカルで動かしたDeepSeek-V4-FlashにLinuxの運用タスクを任せた体験を報告した。LAN上の別機械で容量を圧迫していたフォルダの原因を調査させると、モデルは対象機にログインして自作の診断コードを実行し、同期ソフトの設定ミスを特定。さらにAPI呼び出しで当該フォルダを同期対象から外すところまで自力で完結したという。別の事例では、apt-getの更新失敗を /boot パーティション容量不足と特定し、不要カーネルの削除を案内したとされる。

かつてはClaude Codeのような最先端モデルでなければ難しかった作業が、ローカルモデルでもこなせる場面が出てきたことを示す事例だ。ただし個人の運用報告であり、対象環境やタスクによって結果は大きく変わる点には留意が必要だ。

その他の動向

周辺分野の研究や議論も活発だ。AIの水資源消費を定量化した論文が公開されており、データセンター需要の拡大に伴う水使用量への関心が高まっている。また、プラットフォームにあふれるAI生成コンテンツ（AIスロップ）に対する反発が、実際の運用方針の見直しにつながりつつあるとの指摘もある。