10月10日3本目のAIニュースまとめ。前回はAnthropicによる社内評価のネット接続遮断、OpenAIのDecisions APIベータ公開などを伝えた。今回は、意思決定モデルを各社が一斉に投入してカテゴリが固まりつつある現状、16.9MBで動く音声認識モデル、Qwen3.8-27Bの「止まらない」問題へのコミュニティの回答、2,000体超のエージェント群れによるRustリライトなどを整理する。

TypeSafeのJev、ローンチ3週間で評価額75億ドルの報道──意思決定モデルは一斉に製品カテゴリへ

Latent Spaceのまとめによると、意思決定モデル「Jev」を開発するTypeSafeは「Series AI」を発表した。Sequoiaが流出させた資料では、ローンチ最初の週で1億ドルを超えるARR（年間経常収益）に達したとされ、ローンチから3週間での評価額は75億ドルに上るという。Hacker Newsでは懐疑的な声ややらせの疑いも上がるが、同誌は先前に配信したJev創業者へのインタビューは本物だったとしている。

注目はむしろ市場全体だ。「Jev APIのクローンは地球上の全員が作ったが、カテゴリを作れる企業は1社しか存在しない」というLatent Spaceの表現の通り、複数ベンダーが同じ日に「意思決定」モデルを投入した。テキストを生成する代わりに、条件が真である確率、リストからの選択、レベルに対するスコアといった型付きの答えを1回の推論で返す形式で、Jevが皆のベンチマーク基準になっている。

  • Microsoft「Microsoft-Decision-1」: LLMジャッジや科学的仮説のスクリーニング向け。初期評価者によれば、一貫性と複雑な意思決定ではまだ課題が残る
  • Perplexity「pplx-decider-v1.1-27b」: 1,071ケースのDecision Benchで94.5%の首位を主張し、1,000判断あたり0.017ドル
  • Cloudflare「clef」: 音声・動画・画像・テキストを扱うclef-omniを追加。clef-flashはJevより安価で、全体で約2倍高速。ウェットはHugging Faceで公開
  • Liquid「d1」: Vercel AI Gatewayに登場。classify・route・scoreが画像入力に対応

エコシステム側の整備も進む。vLLMのSemantic Router「Decision 2.0」は1つの入力への複数の質問を1パスで答え、選択肢ごとの確率を返す。UnslothはQwen3.5-4Bを8GB VRAMで意思決定モデル化する無料ノートブックを公開し、0.8B版では60ステップ・約10分で精度が37%から65%に上がったとの報告もある。LangChainは、タスクごとに「十分な最も安いモデル」へルーティングすることでOpen SWEのタスクあたりコスト中央値を64%削減したとしており、エージェントの多くのステップが生成ではなくYes/No判断であることを裏付ける。

16.9MBでCPU動作する音声認識「Whistle」──テキストモデルNeedleと同じバイナリで動く

Cactus ComputeがHugging Faceで公開したWhistleは、モデル全体が16.9MBの単一ファイルで、GPUも依存関係も不要な音声認識モデル。モバイル、ウェアラブル、ロボット、スマートホーム、車載、マイコンでの利用を想定する。

対応言語は英語・ドイツ語・フランス語・スペイン語・イタリア語・オランダ語・ポーランド語の7つで、言語は自動検出。無音に対してはでっち上げの文を返さず、空の書き起こしを返す設計だ。30秒までは1パス、それ以上は窓分割で処理し、ライブ音声ストリームは2パスで一致した語を確定していく。

機能は書き起こしにとどまらない。単語ごとの開始・終了・確率のタイムスタンプと、デコードせずに検索・照合へ使える80msフレーム単位の音声埋め込みを備える。ユーザーが実際に発話する人名や製品名を優先するキーワードバイアスもある。

配布形態がユニークで、同じチームのテキストモデルNeedleと同じ.cactコンテナ・同じ量子化・同じCPUエンジンで動き、Needleを動かしているバイナリがそのまま書き起こしも担当する。テスト音声が訓練・検証データに含まれないことを、音声チェックサムと話者IDの照合で検証した点も特徴だ。pip install cactus-needleで試せる。

Qwen3.8-27Bの「答えが出ても止まらない」をSFT+RLOOで克服──コミュニティ版「Coder390」

Qwen3.8-27Bには「もう答えが出ているのにWait/Actuallyと再導出を繰り返し、94Kトークン上限まで消費して空振りする」という癖があり、ローカルLLMコミュニティでは頭痛の種になってきた。Hugging Faceのトレンドに上がっているコミュニティ投稿「Qwen3.8-27B-Coder390-EfficientThink」は、この「止まらない」問題にポストトレーニングで挑んだものだ。

作成者によれば、SFT+SimPO済みの派生ベースに対し、複数周のSFTとRLOOを重ねた。RLOOデータは問題ごとに8軌跡をサンプリングし、全正解・全不正解のグループを除いた172グループ・1,376軌跡。報酬設計では、正解である限り長い推論にも正の報酬を与え、空回答に最重の-1.0を課す。モデル名に並ぶ「Opus5.5」「GPT6Astra」は模範解答の作成に、「Grok4.7」は学習実行のホストに使われたと説明される（単一投稿者による自己申告の評価のため、数値は留保して読みたい）。

結果の主張は示唆的だ。同一プロトコルで、94K上限への到達はGPQAで4→1、LiveCodeBenchで13→3に減り、GPQA 178/198・MMLU 450/500・LCB 90/100（static FP8）と3スイートすべて元のモデルを下回らないという。BF16・FP8・NVFP4・INT8・INT4・GGUFまで多数の量子化版が同時公開され、DFlash2ドラフト併用でリクエストあたり約180 tok/sとされる。推論の「質」ではなく「停止」そのものを学習させるという発想は、長考モデル全般に応用が利く考え方だろう。

2,000体超のエージェント群れがコーディングCLIを2週間でRustに書き換え

PrimeIntellectの報告によると、同社はコーディングエージェント「Prime Agent」を2週間かけてRustで書き直した。その過程で2,000体を超えるエージェントの群れが1万個以上のサンドボックスを使い、GLM-5.3のトークンを2,000億以上消費したという。結果は、利用可能な入力に至るまでの速度が約13倍、起動メモリ83%削減。

同時に公開されたエッセイは「コンテキスト長の限界は、いずれ群れ（スワーム）に行き着く」と主張する。単一の巨大コンテキストで頑張るより、限定されたコンテキストを持つ多数のエージェントへ分割する方がスケールする、という文脈だ。昨日伝えたClaudeの最大1,000エージェントによる動的ワークフローとも重なる方向で、エージェント編成の主流が「1体の賢さ」から「群れの設計」へ移りつつあるように見える。

エージェント・チームは割に合うか──独立検証は「コスト1.8〜5.1倍、効果は限定的」

一方で、複数エージェント編成の費用対効果を独立に測った検証も出た。評価会社Vals AIは、GPT-6 SolとClaude Opus 5.5をコーディングベンチ「Vibe Code Bench」で、単体とチーム編成の両方で実行した。

結果は冷静だ。チーム編成はコストが1.8〜5.1倍かかり、有意な改善が見られたのはGPT-6 Solのmedium effortのみ（+7.3ポイント）。Solはアーキテクチャの境界に沿って並列に委任したのに対し、Opusは逐次的な波状実行で、最大effort時には1アプリあたり約6.8サブエージェント・約1,140回のサブエージェントツール呼び出しに達したが、有意な利得はなかったという。

「とにかくエージェントを並べれば良い」わけではなく、委任の切り方（並列か逐次か）とタスクの相性が効くことを示すデータと言える。前段のRustリライトの成功例と合わせると、群れが効くのは「切り分け可能な明確な目標があるとき」という仮説も立ちそうだ。

30回連続画像編集で分かった各モデルの癖──局所編集できるのはIdeogram 4.5とFLUX 3

Artificial Analysisは、画像編集モデルに30回連続で編集を指示し、どこまで一貫性を保てるかを検証した。

  • Ideogram 4.5とFLUX 3は局所編集型で、小さな編集では画像の95%以上を変えない
  • GPT Image 2.5 Sunburstは毎ターンフレームの大部分を再レンダリングし、約20%しか元のまま残らないため、編集を重ねるごとに絵が漂う
  • Nano Banana 2.1は編集を重ねるごとに徐々に暗くなる

マルチターン編集は、商品画像の差し替えや絵本のような連続作業で需要が大きい。「編集のたびに全体が描き変わる」モデルは実用に耐えないことを可視化した点に価値がある。

そのほかの動き

  • 中国StepFunの次期モデル「Step 5」プレビューの詳細が出た。総パラメータ600B・アクティブ27BのスパースMoEで、100万トークンコンテキストと画像対応。Hermes Index 33.89はGPT-6 Luna並みとされる。オープンウェットは10月15日公開予定（前回、OpenRouterに出現との報道があった続き）。
  • Claude Opus 5.5のfast modeの提供が始まった。ただし従量課金で、サブスクリプションには含まれない。
  • OpenAIはコーディングエージェントCodexの新機能「Composer」をPro限定ベータで提供開始。次のメッセージを予測して提案する。
  • Gemini 4 Argonはコーディングベンチ「DeepSWE v1.1」で77.9%（Opus 5.5の74.2%を上回る）と報じられた。650組織超のFairwind Program防衛関係者に先行提供中。
  • Roboflowが48モデルを対象にしたOCRベンチマークを公開し、テキストの位置検出ではGPT-6 Astraが首位。Datalabは90言語・16Kテストからなる「OmniParseBench」を公開した。
  • WSJによると、Oracle、Broadcom、SpaceXがAIチップ購入資金として大型の債券調達を模索している。
  • Hugging Faceの学習ライブラリTRL v1.15でfused LM headがデフォルト有効化。Gemma 3 1BではGRPOのシーケンス長上限が28Kから114Kへ、8K時のピークメモリが52〜82%削減される。
  • DevinはDevin自身がツリー状にDevinを再帰生成できるようになり、処理時間が合計ではなく最遅ブランチ追従になった。

国内では──AIを20並列で回すとエンジニアの仕事はPMに近づく

Zennの実践記録が興味深い。AIによる判定を行う業務システムの研究開発で、インフラからバックエンド、フロント、AI研究までほぼ全部をエージェントに書かせたところ、2か月で延べ約370万行・5,699コミットに達した。「AIを10〜20並列で回すと、エンジニアの仕事がPMの仕事に近づいていく」というのが、そこから得た教訓だという。

同じくZennでは、Claude Codeのサブエージェントにtools・disallowedTools・denyの権限設定が実際に効くのか、11個の検証用サブエージェントを2回動かして確かめた記録や、判定コードをAIと書いたならテストの期待値はPHP本体に答えさせるという発想のテスト設計記事も公開された。いずれも、AIに任せる部分と人間が握る部分の境界を実験で確かめる姿勢が共通している。