GPT-6 Astraの稼働報告が連休明けにまとまって届いた。パロディゲームの全クリア報告に、利用枠を使い切った有料ユーザーへの対応、ロボット制御ベンチマークの初報と、登場から数日で話題が一気に広がっている。ハードウェア側では「チップ不足がAIによる治療の進展を遅らせる」というArmトップへの談話が、ローカルLLM側ではStrix Halo向けllama.cpp代替forkの実測報告が、研究側ではLLM主導の進化計算で円充填の記録を10件更新したという論文や、会話で生成した成果物への修正伝播を測るベンチマークなど、実測に根ざした話題が目立った。本日のダイジェストでは6本のトピックを取り上げる。

GPT-6 Astra、「私はロボットではありません」を全クリ

先日は「Portalを自力クリア」という報告を取り上げたが、続報が届いている。ITmediaの報道によると、米OpenAIのITエンジニア、シャリフ・シャミーム氏が自身のXアカウントで、AIモデル「GPT-6 Astra」がゲーム「I'm Not a Robot」（私はロボットではありません）の全レベルをクリアしたと投稿したという。

「I'm Not a Robot」は、Webサイトなどで見かける「私はロボットではありません」チェックボックスを題材にしたパロディゲームとされる。Astraがどのような手順で各レベルをクリアしたのか、技術的な詳細は現時点では報道からは読み取れない。ただ、Portalの報告に続き、画面操作を伴うインタラクティブなタスクをこなしたという報告が続いている点は注目される。

利用面の動きも大きい。ITmediaによると、ChatGPTは有料ユーザーを対象に全リセットを実施した。GPT-6 AstraでBlenderによる3Dモデリングなどを楽しみ、レイバー・デーの連休（7日まで）に利用枠を使い切った人が、平日が始まる8日もAstraを引き続き使えるようにする対応という。新モデルの投入が利用枠の消費を加速させている実態がうかがえる。

さらに、Qiitaに投稿された速報記事が、GPT-6 Astraについて早くも初の実機ベンチマーク数値が公開されたと伝えている。既存モデル「Fable 5.1」との比較で、ロボット制御の成功率は95%で、出力トークン数と実行コストを大幅に削減しているという。ただし記事には一次情報へのリンクが含まれておらず、数値の裏付けには原典の確認待ちとしたい。

Armトップ、チップ不足がAIによる治療の進展を遅らせると指摘

英BBCの報道によると、半導体IP大手Armのトップは、チップ不足がAIによるがん治療の進展を遅らせていると述べたという。

報道本文の詳細は収集データには含まれていないため談話の正確な文脈は不明だが、AIの計算需要が供給能力を上回るなかで、医療など社会的価値の高い応用への影響が語られたとみられる。計算資源の制約が、モデル開発だけでなく応用分野の優先順位付けにも影を落とし始めている状況を示す談話と言えそうだ。

Strix Halo向けllama.cpp代替fork、デコード50トークン/秒超え

Reddit LocalLLaMAでは、AMDのAPU「Strix Halo」（gfx1150）でのLLM推論環境について、公式llama.cppの最適化が不十分だと指摘し、代替実装を紹介する投稿が注目を集めている。

投稿者によると、公式llama.cppはStrix Haloでハードウェア理論性能の50%程度しか出せておらず、シリコンを無駄にしているという。これに対し、Strix HaloとQwen 3.8 Flash Next（Q38FN）に特化した「halogen-flash-server」はデコード約50トークン/秒・プリフィル約1,200トークン/秒（理論性能の約90%）に達する。そのほか、llama.cppの実験forkはデコード約60トークン/秒・プリフィル約600トークン/秒（同約80%）、「strix-llama.cpp」はデコード約30トークン/秒・プリフィル約800トークン/秒（同約75%）とされる。

いずれも投稿者やコミュニティの計測ベースであり、環境によって数値は変わる点には注意が必要だ。ただ、ローカルLLMの実性能がソフトウェア実装の工夫で大きく変わるという示唆は、ローカル推論を運用するうえで有用な情報と言える。

LLMが導く進化計算で円充填の記録を10件更新、費用は28ドル

arXivに投稿された論文「LLM Guided Evolution for Circle Packing: Breaking 10 Packomania Records for $28」が、ユニークな成果を報告している。

タイトルが示す通り、LLMが導く進化計算によって、円充填問題の記録を集めたサイト「Packomania」の記録10件を、わずか28ドルの計算費用で更新したというものだ。円充填は「容器の中に大きさの異なる円をどう詰め込むか」という組合せ最適化問題で、Packomaniaは既知の最良解が記録されているサイトとして知られる。

収集データには論文のアブストラクトが含まれていないため手法の詳細は分からないが、LLMを探索のガイドに使うことで従来の進化計算では到達できなかった解を低コストで見つけられたとすれば、LLM活用の新しい方向性を示す成果と言えそうだ。

会話で作ったJSONの「ここ直して」を全体へ伝播できるか──RevPropBench

Hugging Face Daily Papersでは、会話ベースで生成した成果物の「修正の伝播」を測るベンチマーク「RevPropBench」を提案する論文が取り上げられている。

チャットでJSONアーティファクトを生成させる運用では、ユーザーが一部だけを変更指示したとき、その変更に依存する要素全体へ修正が正しく反映されるかが実用上の課題になる。RevPropBenchは、LLMベースの合成サンプリングと人手アノテーションで構築し、局所的な変更指定が依存要素へどれだけ正確に伝播するかを評価する。あわせて、この設定に適したコスト効率の良いテスト時コンピュートについても探求しているという。コードとデータセットも公開されている。

エージェントが長時間かけて成果物を作り込むほど、「後からの一部修正」のコストは無視できなくなる。生成だけでなく保守まで含めた評価を作るアプローチとして注目したい。

PostgreSQLアナライザにLLMを入れ、「真実の判定」はさせない

開発ブログでは、PostgreSQLアナライザにLLMを組み込んだあと、「真実を決める」役割をLLMから奪った経緯を綴った記事が公開された。

タイトル「We put an LLM in a PostgreSQL analyzer, then stopped letting it decide truth」が方針を要約している。収集データには本文が含まれていないため詳細は不明だが、クエリ分析のように正解が決まっている領域では、LLMの説明は参考にしつつ結論の検証は決定論的な処理に任せる──そういう設計に落ち着いたとみられる。幻覚のリスクを前提にLLMの役割を限定するこの判断は、エージェント実装一般に通じる教訓と言える。

まとめ

本日は、GPT-6 Astraの稼働報告が連休明けに集中した1日だった。ゲームクリアやベンチマークの報告には一次情報の検証余地が残るものの、モデルの実行能力と利用の熱量の両方が上がっているのは確かだ。一方で、Strix HaloのforkやRevPropBenchのように、実測と設計の工夫で成果を積み上げる動きも着実に広がっている。