Artificial Analysisの新評価指数でDeepSeek V4.1 Flashが首位に立ち、「AIの神様」ヒントン氏が開発一時停止を歓迎する発言をしました。研究面では、ロボット基盤モデルの汎化を高める訓練手法や、エージェントの技能最適化コストを半減する手法、日常のCT画像から大腸がんを検出する医療AIなどが報告されています。本日気になったニュースを整理します。

DeepSeek V4.1 Flash、AAの新評価指数でAstraを上回る

モデル評価サイトArtificial Analysisは先週、「Intelligence Index v4.3」を公開しました。従来のτ³ベンチマークを置き換える新しい非公開評価が含まれており、RedditのLocalLLaMAコミュニティではこの新評価をめぐる動きが話題になっています。

投稿によると、GPT-6 Astraはこの新評価で大量のポイントを獲得しFableと肩を並べていましたが、DeepSeek V4.1 Flashがそれを上回って首位に立ったといいます。投稿者は「3日間で2回指数が変更され、AstraがFableより劣って見えないように調整された直後に、別のモデルが静かに1位を取った」とも指摘しています。

なぜ重要か。リーダーボードの順位が指数の改定のたびに変動する現状は、モデル比較の難しさをそのまま示しています。当サイトでも9/12にDeepSeek v4.1-Flashを取り上げましたが、評価側の基準変更とモデル側の進化が同時に進む中で、「何を基準に優劣を語るか」自体が流動的になっているといえそうです。

ヒントン氏、AI開発の一時停止を歓迎──減速論争の行方

「AIの神様」の呼び名で知られるGeoffrey Hinton氏が、オーストラリアABC放送のインタビューでAI開発の一時停止を歓迎する考えを示しました。

さかのぼれば、トランプ氏はAI企業への減速要請を「負の力」として退け、一方でAmodei氏をはじめとする業界側には開発減速に理解を示す声が広がっています。長年AIのリスクを警告してきたヒントン氏の今回の発言は、安全性を重視する立場からこの議論を後押しするものとみられます。

同じ時期、ローカルLLMコミュニティでは「Right to Intelligence」という啓発サイトが共有されました。AI安全規制をめぐる動きの中でオープンソースモデルが巻き添えになることを懸念し、ローカルでAIを実行する権利を守ろうという呼びかけです。安全性の向上と、手元でモデルを動かす自由を両立できるかは、今後の規制論争の焦点になりそうです。

ロボット基盤モデルの「視覚ショートカット」を断つ──Latent Interface Training

Hugging Face Daily Papersでは、ロボット基盤モデルの汎化問題に取り組んだ論文「Breaking the Vision-Action Shortcut」が話題です。

ロボット基盤モデルは学習分布内では高い性能を示すものの、視覚的な分布シフト（カメラ位置や照明の変化など）で性能が劣化しやすいことが知られています。原因の一つが「vision-action shortcut（視覚と行動の近道）」──学習データ内で偶然相関した、タスクと無関係な視覚手がかりに行動生成が依存してしまう現象です。

提案されたLatent Interface Training（LIT）は2段階構成です。第1段階では画像を使わず、言語・ロボット状態・デモンストレーション終端のSE(3)手先ポーズを条件に行動生成を学習します。第2段階で、視覚と意味表現を集約する潜在インターフェースを導入し、そのポーズを再構成するよう教師付きで訓練。視覚情報はこのインターフェースだけを通じて行動専門家に供給されます。

Pi0.5、MolmoAct2、FAST-WAM、ImageWAMという4つのアーキテクチャで検証したところ、分布シフト下のLIBERO-Plusで成功率が3.87〜10.70ポイント改善。実環境の評価でも、未知のカメラ構成・照明変化・妨害物の下で13.30〜16.70ポイントの改善が示されました。特定のアーキテクチャに依存しない手法である点も特徴です。

エージェントの技能最適化をバンディットで賢く──COBRA-Skills

LLMエージェントが独自の「スキル」を獲得して自己改善する取り組みが広がっていますが、候補スキルを繰り返し試す最適化には大量の計算コストがかかります。

「COBRA-Skills」は、このスキル最適化を逐次的な予算配分問題として扱います。ニューラル予測器で各スキルの有用性を推定し、LinearUCBによる探索と活用のバランスで「次にどのスキルを評価すべきか」を選択。再生成・ロールアウト突然変異・交叉といった進化演算と組み合わせて、スキル集団を改善していきます。

6つのエージェントベンチマーク×3つのターゲットモデルでの評価では、比較手法の中で最良の平均性能を達成しつつ、従来手法のSkillOpt比で最適化コストを約55〜58%削減。ベンチマークあたり50例の最適化例だけで済みます。興味深いのは、コスト削減の主因がターゲットエージェントの実行回数削減ではなく、軌跡分析とスキル書き直しのLLM呼び出しを繰り返さなくなった点です。CodexとClaude Codeの両ハーネスで一貫した効果があったとも報告されています。

日常のCT画像から大腸がんを検出する「Opportunistic AI」

医療分野では、本来の検査目的とは別の用途で既存の画像を活かす「Opportunistic AI」の実証が続いています。Radiology Businessが報じたところでは、ルーチン検査で撮影される非造影CTの画像から大腸がんを検出するAIが開発されました。

追加の被曝やコストを発生させず、既に撮影済みの画像からがん発見の機会を増やせる点が意義です。検診の機会が限られる患者にとって、日常診療の中で偶然のがん発見につながる可能性があります。

ノイズだらけの選好データを「捨てずに訂正」──PLC-DPO

選好最適化（DPO）の学習に使う選好データセットには、方向の誤りや曖昧なペアが含まれがちです。怪しいペアを単に除外するアプローチも一般的ですが、「PLC-DPO」はそれらを捨てずに訂正する方向を探ります。

各ペアに「正しい・反転・引き分け」という潜在状態を仮定し、キャリブレーション済みのポリシーと参照モデルのマージンから事後的な重みを推定。この重みに応じて、強化・反転・引き分け正則化の3種類の損失を合成します。DPOが既に計算している対数確率を再利用するため、補助モデルや追加の教師は不要です。

57のデータセット・モデル・ベンチマックの組み合わせでの評価では、DPOに対する平均勝率60.5%を達成しました。選好データの品質がボトルネックになりがちな現状で、実装コストの低い改善策として注目できます。

まとめ

評価指数の改定をめぐる議論と減速論争は、AIを取り巻く環境そのものが流動的であることを示しています。その一方で、汎化・コスト効率・データ品質といった地道な課題に取り組む研究は着実に積み重なっており、この両輪のバランスを見失わないことが重要になりそうです。