8月21日夕のAIニュースまとめ。今回は、GPT-5.6 Solの浸透でOpenAIの収益が急伸しているという報道、GPT-Image-2の透明背景生成対応、Qwen3.8-27BをRTX 5090で最速動作させるNVFP4量子化、617.5時間の人体モーションデータセット「HiPHI」、日本語長尺動画の理解を測るベンチマーク「NARU」、そして日本語圏のエージェント実践の話題を取り上げる。

GPT-5.6 SolがOpenAIの収益を急伸──法人API支出でAnthropicを初めて上回る

OpenAIの収益動向について、GPT-5.6 Solの投入が効いているとみられる数字が報じられた。The Decoderの報道によると、7月上旬のGPT-5.6 Solローンチ以降、今四半期の収益は35%増、法人（エンタープライズ）収益は50%超の成長としている。

注目は支出データのほうだ。企業の支出を把握するRampのデータでは、法人のAPI支出においてOpenAIがAnthropicを初めて上回ったという。先週は「Anthropicが四半期収益でOpenAIを初めて上回った」という構図が伝えられていただけに、企業の実投入では再び流れがOpenAIへ傾いている可能性がある。単一の支出データである点は割り引いて見る必要があるが、モデル投入と収益の連動が短期間で観測されている点は興味深い。

GPT-Image-2に透明背景生成──アルファチャンネルを「生成時に」焼き込む

OpenAIは画像生成モデルGPT-Image-2について、背景なし（透過背景）の画像生成サポートをAPIでプレビュー公開した。ポイントは、透明情報のアルファチャンネルを後から切り抜くのではなく、画像生成の段階で焼き込んでいる点だ。OpenAIの主張では、従来の背景除去処理よりも高品質という。利用側の手間も小さく、1つのパラメータで有効化できる。

ロゴやアイコン、EC向けの素材制作など透過画像を前提とするワークフローでは、切り抜き加工のステップを減らせる。プレビュー段階のため今後仕様が変わる可能性はあるが、実用上の影響が大きい機能追加といえる。

Qwen3.8-27Bに「最速」のNVFP4量子化──RTX 5090でprefill 6250トークン/秒

ローカルLLM界隈では、Qwen3.8-27Bの新しい4ビット量子化が話題になっている。公開されたのはBlackwell世代のGPUに最適化したprefill特化のNVFP4量子化で、同じメモリ使用量のQ4量子化より50%高速、他のNVFP4実装と比べても4〜7%高速とされる。

RTX 5090（32GB）でのベンチマークでは、prefill速度（pp2048）が6250トークン/秒に達し、比較対象のunsloth版NVFP4（6010）、Q4_0（4130）、Q6_K（3210）を上回った。量子化したMTP（マルチトークン予測）のドラフトヘッドも同梱されており、推奨設定を使うとさらに15%高速化できるという。

NVFP4はBlackwell世代のネイティブな低精度フォーマットで、先日も旧世代GPUでのNVFP4実行の試みを取り上げたばかり。対応GPUの保有層にとっては、実用量子化の選択肢がさらに増えた形だ。

HiPHI──617.5時間の高精度モーションキャプチャデータセット、Unitree G1で実機デプロイ

ヒューマノイド学習向けの大型データセット「HiPHI」がHugging Faceで公開され、トレンド入りしている。光学式モーションキャプチャで収集された総計617.5時間・約2億モーションフレームのデータで、90Hz・55関節の標準化BVH形式、132人の演者が収録されている。

特徴は物体との相互作用（HOI）の充実だ。全体の39.8%にあたる245.7時間が物体相互作用のモーションで、人間の動きに同期した物体の軌道データと対応するOBJメッシュが用意されている。動作には22のFrameと214のFrame-LUラベルが付き、検索や部分利用もしやすそうだ。

学習面では、データ量を3時間から300時間へ増やすと複数の評価ベンチでMPJPE（関節位置誤差）が一貫して低下したという。また、HiPHIで学習したポリシーはUnitree G1に実機デプロイされ、歩行・姿勢変化・全身運動・物体相互作用の各挙動で動作が確認されたとしている。シミュレーションだけでなく実機で使えるデータ設計である点が、ヒューマノイド研究の実務家には刺さるはずだ。

NARU──日本語長尺動画の「物語の変遷」と「文化的含意」を測る1,481問

Hugging FaceのDaily Papersで注目を集めているのが、日本語の長尺動画理解に特化したベンチマーク「NARU」だ。155本・総計146.8時間の日本語動画を素材に、物語の展開追跡と文化的な含意の解釈を問う1,481問で構成される。単発のイベント検索ではなく、時間軸に沿って変化する物語と、明示されない社会的意味の読み取りを同時に評価する設計が特徴で、4つの物語次元と5つの文化次元を扱う。

構築には階層的なメモリベースのアノテーションパイプラインを用い、映像からイベント・物語・文化の注釈を構造化したうえで、ショートカット回答を除去する工程を反復したという。68人のネイティブ話者が2段階の検証に関与している。

8つのモデル構成で評価した結果、長距離にわたる物語の統合と、文化的文脈に根ざした推論の両面で大きな限界が確認されたという。日本語という高コンテキストな媒体での長尺動画理解は、現時点ではどのモデルも得意としていない、という示唆になりそうだ。

日本語圏──AGENTS.mdは「書き方」で効く、エージェントに必要なのは「止まり方」

国内の技術記事からは、AIエージェントの運用に向けた実践的な論考が並んだ。

Qiitaでは、複数のAIエージェントが参照する共通フォーマット「AGENTS.md」の設計ガイドが公開された。Codex・Cursor・Copilotなどツールをまたいで参照される規約ファイルだが、ただ置くだけでは効かず、書き方で成果が変わるという視点で、エージェントに効く規約の設計指針が整理されている。

同じくQiitaでは「AIエージェントに必要なのは『もっと自律すること』ではなく『いつ止まるかを知ること』」という記事が注目を集めている。人間に確認せず長く動けるほど高性能に見えるデモ文化への疑問を呈し、本当に問われるのは停止のタイミングだと指摘する。エージェントの安全性の議論と重なるテーマだ。

さらに、QAエンジニアがClaude CodeとPlaywrightを組み合わせ、テストからチケット管理までをAIに任せた実践記も公開されている。当たり前だった仕事が変わる体験の記録として、これからエージェントを業務に入れる側の参考になりそうだ。