8月18日午後のAIニュースまとめ。昨日「Qwen 3.8の35Bが消える騒動」をお伝えしましたが、その続報としてQwen開発者が「35B-A3Bを待つな」と述べたと伝わるなど、Qwen周りがまた賑やかです。研究系では、廃棄寸前の中古GPU 128基でLLaMA-70Bを丸1年動かした実験や、マルチエージェントパイプラインで幻覚が「雪だるま式」に検出不能になっていく様子を形式化した論文など、実運用に効く知見が並びました。

Qwen開発者「35B-A3Bを待つな」 — 35B騒動に続き?

昨日の本ブログでお伝えした「Qwen 3.8の35Bが消える騒動」に続く報告です。RedditのLocalLLaMAに、Qwen開発者が35B-A3Bを待たないほうがよいと述べたとされるスクリーンショットが投稿されました。投稿者は「これは何を意味するのか。何か別のモデル（122B?）が来るのか、それとも何も来ないのか」と困惑を示しています。

発言の正確な文脈はスクリーンショット由来のため現時点では断定できませんが、昨日のHugging Faceからの消失騒動と合わせると、待望の35B系MoEが想定より遅れる、あるいは姿を変えてくる可能性を示唆する材料と読めそうです。

同じLocalLLaMAでは、もう一つQwen関連の興味深い考察も投稿されていました。Qwen3.8 27Bが比較的重いxhigh推論をデフォルト設定として出荷されているのは、外部ベンチマークサイトのArtificial Analysisがデフォルト設定で計測を行うため、モデルの最大能力を示す意図ではないか、というものです。投稿者は「主要ラボのモデルは複数の推論レベルでベンチマークされるが、オープンモデルはデフォルトで計測されるだけのことが多い。一発勝負なら最良の設定で出すのは当然の判断であり、benchmaxxing（ベンチマーク稼ぎ）とは違う」と擁護しています。

設定を変えれば軽く動かせる以上、実害は限定的とはいえ、オープンモデルの「デフォルト」が外部評価を意識して決められているとすれば、ベンチマークの読み方に一つの注意点が加わります。

中古V100 128基2.2万ドルでLLaMA-70Bを1年動かした「DumpsterCluster」

AIデータセンターでは、まだ十分に動くGPUが次々と退役し中古市場に流れています。arXivに投稿された「DumpsterCluster」は、そんな退役GPUに「第二の人生」を与えられるかを実験した研究です。著者らは中古部品のみで128基のGPUクラスタを物理的に構築し、丸1年間運用しました。

結果はなかなか示唆的です。現在の市場価格で、このDumpsterClusterは約2.2万ドル。比較対象の8基構成B200システムは約60万ドルで、初期投資の差は圧倒的です。パイプライン並列の最適化により、V100ベースのこのクラスタはLLaMA-70Bの推論スループットで実用水準に到達したといいます。

ただし落とし穴は電力です。旧世代GPUはトークンあたりの消費エネルギーが大幅に多く、総所有コストが有利になるのは電力が安い地域に限られます。さらにグリッド平均の炭素強度で計算すると、中古システムのトークンあたり総炭素排出は8Bモデルで約4倍、70Bモデルでは40倍超にもなるとのこと。つまり「中古GPUは環境にやさしい」とは単純に言えず、安価でクリーンな電力とセットで初めて持続可能になる、というのが論文の結論です。

ちょうどローカルLLM界隈ではGPU価格の高騰が続いています。LocalLLaMAには、中古GPU機材「Sparks」の価格も跳ね上がっているという報告が投稿されました。投稿者は8,300オーストラリアドルで発注済みだった品を、出品業者自身にキャンセルされ、9,000ドルで再出品されたといいます。相手はまともな業者で、新規格時に旧価格を守ると釈明されたものの「果たして」という心境だそうです。前回お伝えしたRTX Pro 6000の約25%値上げと合わせ、新品・中古を問わず計算資源の確保コストは上昇基調にあります。中古クラスタの経済性を検証した本研究は、そんな状況下で読むとより味わい深い内容です。

GPT-5.5やKimi-K3でも60%取れない動画理解ベンチマーク「VideoGAIA」

マルチモーダルモデルの動画理解は、既存ベンチマークでは上位モデルがすでに約90%の精度を達成しており、飽和気味でした。arXivとHugging Face Daily Papersに同時に上がった「VideoGAIA」は、この状況を打開するための新しいベンチマークです。

特徴は、一問一答型ではなく「エージェント的」な設計にある点です。モデルは動画を繰り返し知覚し、外部ツールを呼び出し、補完情報を集め、複数ターンにわたってマルチモーダルな証拠を統合する必要があります。271のタスクはモデルと人間の共同設計で作られ、各設問は3名の人間専門家が独立に検証しています。

その結果、GPT-5.5やKimi-K3を含む評価対象のすべてのモデルが60%未満の正解率に留まりました。静的な動画QAからツールを使い倒す動画理解への移行を促す、タイムリーなベンチマークといえそうです。

マルチエージェントの幻覚は「雪だるま式」に検出不能になる

エージェントを複数直列につなぐパイプラインは、専門特化したエージェントを連携させる定番構成ですが、受け渡し時の検証を省くと深刻な問題が起きることを示した研究がarXivに投稿されました。「The Hallucination Snowball」です。

著者らの観察によると、最初の段階で混入した幻覚は、単に残存するのではなく「変質」していきます。生の数値ファクトが派生計算になり、物語的な文章になり、最後には編集済みの結論として溶け込む。各変換のたびに検出可能性はほぼ不可逆に低下します。論文はこれを4状態のマルコフ過程（生ファクト → 派生 → 物語 → 不可視）として形式化し、境界ごとの「脱出確率」を24.6%、48.3%、89.3%と実測しました。

金融分析の4エージェントパイプラインに346件の幻覚を自動注入した実験では、gpt-4oの検出率は第1段階の72.0%から最終段階では50.9%まで低下し、23.7%の幻覚は最終出力まで完全に無検出でした。テストした中で最も強いQwen3.5-397B-A17B（第1段階87.0%）ですら、最終段階の検出率は60〜65%程度に留まると推定されます。

重要なのは処方箋です。同じRAG検証ツールを使っても、最終出力だけでチェックするのはほとんど効かず（改善2.3ポイント）、パイプライン途中の境界に検証ゲートを置くと幻覚の生存率が58.4%から16.2%まで下がりました。「検証するかどうか」より「いつ検証するか」が重要で、投資すべきはまだ75.4%が捕まえられる最初の境界、というのが論文の主張です。エージェント運用の設計指針としてすぐ使える知見でしょう。

「AI Lock-In」はすでに進行中 — 依存そのものをリスクとみなす議論

最後にガバナンス寄りの話題。AI安全性研究は「技術的アラインメント」と「生成AIの社会的影響の規制」が二大柱でしたが、同じくらい重要なのに探索が遅れている次元がある、と主張するポジションペーパーがarXivに投稿されました。「AI Lock-In」、つまりAIシステムへの過度の依存そのものに潜むリスクです。

論文によれば、AIへの過剰な依存は人間のスキル低下（デスキリング）を招き、自立して機能する能力を損ない、AIが利用不能・侵害されたときのシステム的脆弱性を生みます。この現象は個人・社会・国家の各レベルですでに現れ始めており、AIサービスの停止や地政学的な紛争があれば劇的に増幅されうると警鐘を鳴らしています。個人の技能萎縮から国家規模のインフラ障害まで、複数のシナリオを使って発生とエスカレートしていく経路を具体的に描いた上で、各レベルでの緩和策と備えを提案しています。

依存関係が固定的——場合によっては不可逆的——になる前に対処しておくことが、個人の自律性と国家安全の両面で不可欠、というのが結論です。「AIが暴走するリスク」の議論に比べて「AIなしで動かなくなるリスク」の議論はまだ乏しく、考えるきっかけをくれる論文です。