GPT-5（基盤モデル）に関するニュース一覧

NVIDIAのGEAR研究所は2026年6月、AIコーディングエージェントがロボットの訓練を自律的に指揮する新たな枠組み「ENPIRE」を発表しました。カーネギーメロン大学とカリフォルニア大学バークレー校が共同開発したこの仕組みでは、エージェントが訓練手順を自ら考案し、ロボットに結束バンドの切断やマザーボードへのGPU装着といった精密な作業を習得させました。

ENPIREは、AIモデルにツール利用や記憶・制約・フィードバックの機能を与える「エージェントハーネス」と呼ばれるソフトウェアです。具体的には4つのモジュールで構成され、作業の自動リセットと検証、ロボットの行動指針となる方策の改良、複数の実機を並列で動かす評価、そしてログ解析や論文の取り込みによる失敗対応を担います。

訓練は人手を介さず反復します。エージェントは独自のアルゴリズムを考えて実機で試し、成功率を高めた変更だけを残すサイクルを自己主導で繰り返します。NVIDIAでAI担当ディレクターを務めるジム・ファン氏は「研究所の一部が夜通し自己改善し、朝に報告書を読むだけだ」とLinkedInに投稿しました。

検証には3社のエージェントが使われました。OpenAIのGPT-5.5を用いたCodex、AnthropicのOpus 4.7を用いたClaude Code、Moonshot AIのKimi K2.6を用いたKimi Codeです。チームを組んだエージェントが互いに異なる訓練手法を独立して編み出し、実験で比較しました。

ファン氏はすべてをオープンソース化する方針を示し、誰もが自宅で「自走するロボット研究所」を持てるようにすると述べました。技術的な詳細は6月16日に公開された研究論文にまとめられています。AIが自らハードウェアの訓練を回す時代が、研究現場で現実味を帯び始めています。

OpenAIは2026年6月17日、創薬向けの有機化学反応をAIが自律的に改善した成果を発表しました。同社のGPT-5.4と新興企業Molecule.oneの自律実験システム「Maria」を連携させ、炭素-窒素結合をつくるChan-Lamカップリングの収率を向上させたものです。約3カ月で1万80回の反応を実行し、人間の化学者が監督する準自律の研究ループを実証しました。

今回AIが取り組んだのは、第一級スルホンアミドとボロン酸を結びつける難しい反応でした。GPT-5.4は文献を読み込んだうえで、穏やかな酸化剤であるTEMPOを添加剤として使うという意外な仮説を自ら提案しました。化学者がこの提案を「驚きがあり興味深い」と評価し、4つの候補の一つとして実験に選びました。

最適化した条件では、ボロン酸の88%、スルホンアミドの83%で収率が改善しました。平均収率は16.6%から25.2%へ上がり、収率30%を超える反応の割合も15.6%から37.5%に増えています。さらにTEMPOは安価な類似品4-ヒドロキシTEMPOに置き換えても性能をほぼ維持できることがわかりました。

微小スケールの結果は、人間の化学者が手作業で行うベンチスケール実験でも再現されました。14組の基質ペアのうち11組で収率が上がり、8組では2倍以上の改善を確認しています。外部の化学者4人が査読し、結果は新規で共有に値すると評価しました。スルホンアミドは抗がん剤や抗菌薬に広く使われる重要な構造です。

なぜこの成果が重要なのでしょうか。創薬では合成が大きな律速段階となり、科学者は作れる分子しか試せないという制約を抱えています。歴史的に低収率だった反応を信頼できるものにすれば、探索できる分子の幅が広がります。1万回規模の実験は、少数例では見逃される効果や限界を見極めるうえでも役立ちました。

ただしOpenAIは、これがAIによる研究の完全自律を示すものではないと釘を刺しています。仮説の提案や設計はモデルが担いましたが、提案の選別や実験計画の修正、手作業での再現は人間が行いました。同社は毒物や化学兵器を扱わない正当な創薬課題に範囲を限定し、安全対策と専門家の監督を組み合わせる方針を強調しています。

中国のAIスタートアップZ.aiは6月16日、7530億パラメータの公開重みモデルGLM-5.2を即日リリースしました。長時間にわたる自律的なコーディングや開発作業に特化して設計され、Hugging FaceやZ.aiのAPI、20以上のサードパーティ開発環境で利用できます。月額12.6ドルからの料金体系と100万トークンの文脈長を備え、企業のAI活用を狙います。

最大の特徴はMITライセンスでの重み公開です。企業はモデルを自由にダウンロードし、改変・微調整したうえで自社インフラ上やローカルで運用できます。先週、トランプ政権がAnthropicのClaude Fable 5への外国人アクセスを禁じる輸出規制を発令し、同社がモデルを全面停止した経緯もあり、地理的な制約を回避できる選択肢として注目されます。

ベンチマークでも存在感を示します。長時間タスクを測るSWE-bench Proで62.1点を記録し、GPT-5.5の58.6点を明確に上回りました。MCP-AtlasやFrontierSWEではClaude Opus 4.8と接戦を演じ、設計タスクのDesign Arenaでは1位を獲得しています。一方でTerminal-Bench 2.1の生スコアでは上位2モデルにわずかに及びません。

技術面ではIndexShareと呼ぶ最適化を導入しました。4つのスパースアテンション層ごとに同一のインデクサーを再利用することで、100万トークン時のトークンあたり計算量を2.9倍削減します。さらに思考の強度を「Max」「High」で切り替えられ、Highでは性能をほぼ保ちつつ出力トークン量を半減できます。

コスト優位は鮮明です。API料金は入力100万トークンあたり1.4ドル、出力4.4ドルで、出力30ドルのGPT-5.5や25ドルのClaude Opus 4.8を大きく下回ります。開発者向けにはGLM Coding Planも用意し、Claude CodeやCline、Kilo Codeなど主要なコーディングツールに即日対応しました。Cline IDEは「オープン重みの復活」と評し、開発者コミュニティから歓迎されています。

米政府は6月12日、AI開発企業Anthropicに対し、最新AIモデル「Mythos 5」と「Fable 5」へのアクセスを「あらゆる外国籍者」に禁じる輸出規制指令を出し、同社は両モデルを停止しました。トランプ政権はFable 5の安全機構が解除されればMythos 5の能力に全面アクセスでき、国家安全保障上のリスクになると判断したと報じられています。

交渉は緊迫しました。関係者によると、政権は金曜午後に同社へ電話で連絡し、両モデルの停止を求める90分間の最後通告を突きつけたとされます。応じなければ商務省の権限で輸出規制を科すという内容で、CEOのダリオ・アモデイ氏は財務長官や商務長官らと直接協議しましたが、月曜の会談も合意に至らず終了しました。

指令の発端は、Fable 5の「脱獄(ジェイルブレイク)」を可能にする手法が政府に共有されたことだとみられます。Anthropicはこれを「限定的で普遍的でない」ものと説明し、同様の挙動は自社モデル固有ではなくOpenAIのGPT-5.5など他社モデルでも広く見られると反論しました。一部報道は、Amazonの研究者によるレッドチーム検証や、中国系組織のアクセス懸念が背景にあると指摘しています。

専門家の多くは、この対立が厳しい現実を覆い隠していると指摘します。サイバーセキュリティ研究者のブルース・シュナイアー氏は「単一モデルの問題ではなく、技術全体の潮流だ」と述べ、より小型で安価なオープンソースモデルも数カ月以内に同等の性能に追いつくと予測しました。Anthropic自身も発売当初から「6〜12〜24カ月後にこうした能力が広く利用可能になる世界に備えるべきだ」と訴えてきました。

業界からは強い反発が出ています。技術者やセキュリティ幹部らは日曜に規制撤回を求める公開書簡を発表し、Fable 5は脆弱性発見に長けるものの「唯一無二に優れているわけではない」と主張しました。書簡を主導したアレックス・スタモス氏は「我々は競争のさなかにあり、政策立案者はそれを理解していない」と批判し、米最先端モデルの優位はわずか数カ月にすぎないと警告しています。

影響は一社にとどまりません。OpenAIやGoogle、Microsoftも同種の製品を投入しており、Anthropicへの規制が認められれば競合他社も同じ制約を受けうるためです。専門家は、今回の措置が米AI企業全体に打撃を与え、海外企業との代替契約やオープンウェイトモデルの導入を加速させ、結果的に中国に優位を与えかねないと懸念を示しています。

米Stanford大の研究者が2026年6月、中央オーケストレーターを持たない新しいマルチエージェント基盤DeLM（分散型言語モデル）を論文で発表しました。複数のAIエージェントが主エージェントを介さず直接協調し、ソフトウェア開発のベンチマークで費用を約50%削減しながら精度を高めた点が注目されています。

従来のマルチエージェント構成では、主エージェントがタスクを分割して各サブエージェントに割り当て、結果を集約・要約してから次の指示を出します。研究者のMao氏とMirhoseini氏は、この方式ではサブタスクが増えるほど主エージェントが通信と統合のボトルネックになると指摘します。さらに有用な情報が希釈・省略・歪曲され、進捗が失われる恐れもあります。

DeLMはこの前提を覆し、並列エージェント・共有コンテキスト・タスクキューの三要素で構成されます。共有コンテキストは検証済みの知見や失敗、制約をまとめた「gist（要約）」の保管庫として機能し、後続のエージェントが直接読み取れます。各エージェントはキューから自律的にタスクを取得し、互いの進捗を非同期に参照しながら作業を進めます。

性能面では、実際のソフトウェア開発課題を評価するSWE-bench Verifiedで最強のベースラインより10.5%高い精度を示し、タスク当たりの費用を約50%削減しました。長文脈の多文書質問応答LongBench-v2でも、GPT-5.4やClaude Sonnet、Gemini Flash、DeepSeek-V4-Proを含む4系統のモデルで最高精度を記録しています。

高性能の理由の一つは失敗の共有です。通常の並列実行では誤った経路が各エージェント内に留まり、他のエージェントが同じ袋小路をたどって時間と費用を浪費します。DeLMでは失敗した仮説や検証済みの制約が共有状態に書き込まれ、後続のエージェントが制約として読み取り無駄な探索を避けられます。

また共有情報は「展開可能（unfoldable）」な設計で、既定では短い要約だけを見せ、必要に応じて詳細な根拠まで掘り下げられます。これにより文脈窓の圧迫を抑えつつ精度を保てます。企業の開発者にとってDeLMは、すべてのワークフローに中央制御が必要だという常識に再考を迫る成果と言えるのではないでしょうか。

OpenAIは6月16日、新モデルのリリース前に実際の挙動を予測する「Deployment Simulation（デプロイメントシミュレーション）」という手法を公開しました。過去の本番会話からモデルの応答部分を取り除き、リリース候補の新モデルで応答を再生成することで、ユーザーに届く前に現実的な文脈での挙動を検証する仕組みです。望ましくない挙動が新たに生じるか、どの程度の頻度で現れるかを事前に見積もれます。

従来の事前評価は、合成データや手作業で作成した敵対的プロンプトを使い、稀に起こる高深刻度の状況をストレステストすることに強みがありました。一方でこの手法は、実際の利用に近い分布を用いることで網羅性と選択バイアスの課題を回避します。トラフィックを多く再現するほどカバー範囲が広がるため、評価品質が人手ではなく計算資源に応じて拡張する点が特徴です。

OpenAIはGPT-5.4 Thinking向けに20種類の望ましくない挙動の発生頻度を事前登録し、予測精度を検証しました。予測の誤差の中央値は1.5倍にとどまり、従来のChallenging Promptsベースラインを上回りました。さらに、リリース前に「計算機ハッキング」と呼ばれる報酬ハッキングを唯一の新規ミスアライメントとして検出できたといいます。

もう一つの利点が、モデルがテストされていると気づくことによる挙動の歪みを減らせる点です。GPT-5.2は本番トラフィックを評価らしいと判定した割合が5.4%、シミュレーションでは5.1%とほぼ同水準でした。これに対しSWE-Benchなどの合成的な従来評価は、ほぼ100%が評価だと見抜かれていました。

この手法はツールを多用するエージェント設定にも拡張できます。OpenAIは社内のコーディングエージェントの12万件の軌跡を使い、ツール呼び出しを別のLLMで模擬することで、実データと見分けがつかない水準まで再現の忠実度を高めました。識別器による勝率は11.6%から偶然レベルに近い49.5%まで改善しています。

ただしOpenAIは、この手法が敵対的評価やレッドチーミングの代替ではなく補完だと強調します。1000万会話に1回しか起きないような稀少な失敗は検出が難しく、誤差の主因となる再現環境の忠実度の向上も今後の課題です。経営者やエンジニアにとっては、AIの安全性評価がより現実的かつ定量的になる方向性を示す事例といえるでしょう。

AI開発企業Anthropicは6月12日夜、米政府の輸出規制指令を受け、最上位モデルClaude Fable 5とMythos 5への全アクセスを世界規模で遮断しました。米商務省が外国籍ユーザーへの利用停止を国家安全保障上の理由で命じたためで、有料の法人顧客やAnthropicの従業員すら一般公開からわずか3日後に利用できなくなる異例の事態となりました。

今回の措置で、進行中のFable 5・Mythos 5のセッションはエラーで終了し、新たな問い合わせは旧来の能力が劣るOpus 4.8などへ自動的に振り替えられます。Anthropicはブログで「これは誤解だと考えており、可能な限り早期にアクセスを回復させるべく取り組んでいる」と述べ、顧客に謝罪しました。

Wall Street Journalなどの報道によると、規制の引き金となったのはAmazonの安全性懸念でした。同社CEOのアンディ・ジャシー氏が財務長官スコット・ベッセント氏ら政府高官に対し、Amazonの研究者がFable 5を使ってサイバー攻撃に転用しうる情報を引き出せたと伝えたとされます。AmazonはAnthropicの主要出資者でありながら、懸念を政府に共有した形です。

一方でAnthropicは政府の「脱獄（ジェイルブレイク）」という性格づけに反論しています。同社は政府から提示されたのは口頭による限定的な脱獄の証拠のみで、内容も特定のコードベースの欠陥を修正させる程度だと説明し、同様の能力はOpenAIのGPT-5.5など他の公開モデルでも利用可能だと主張しました。一部のセキュリティ研究者も「これは脱獄ではない」と同社の見解を支持しています。

Anthropicと米政権は以前から対立してきました。同社が大規模な国内監視や自律型兵器への利用を拒んだことで、3月には国防長官ピート・ヘグセス氏が同社を「サプライチェーンリスク」と認定した経緯があります。今回の一件は、こうした緊張関係が再燃したものと受け止められています。

専門家は、今回の事態が単一モデルや単一プロバイダーへの依存リスクを浮き彫りにしたと指摘します。クラウド型の先端モデルは政府の監督と事業者の対応次第で突然停止しうるため、企業はモデル非依存の設計や複数プロバイダーの併用、自社ハードウェアでのオープンウェイトモデル運用などによる供給源の多様化を急ぐべきだと論じています。

Microsoftは6月11日、AIエージェントのスキルを自動で改良するオープンソース基盤SkillOptを公開しました。基盤モデルの重みを変えずに、指示文をまとめたマークダウン文書を「学習可能な対象」として扱い、性能評価のフィードバックに基づいてスキルを進化させる点が特徴です。MITライセンスで提供され、企業の複雑な業務にエージェントを適応させる手間を大きく減らすことを狙います。

従来、エージェントのスキル調整は手作業が中心で、各ファイルの指示文を書き直しながら改善点を当て推量する非効率な作業でした。SkillOptは深層学習の発想を取り入れ、課題を実行するモデルとスキルを最適化するモデルを分離します。実行で得た成功・失敗の軌跡を分析し、追加・削除・置換の編集を提案したうえで、検証用データで性能が改善した場合のみ採用する仕組みです。

重要なのは、変更が「数学的に妥当な改善か」を保証する設計です。Microsoft Research Asiaの研究者は、チームがスキルを変更できるかではなく、その変更が改善である保証がないことが課題だと指摘します。SkillOptは編集予算を学習率のように使い、検証ゲートで誤った修正を排除し、失敗した編集を記録して再発を防ぎます。

性能面では、評価した52通りのモデル・ベンチマーク・実行環境のすべてで既存手法を上回りました。GPT-5.5ではスキルなしと比べ平均23.5点の改善を示し、小型モデルでも文書理解や逐次的な意思決定で大幅な向上が見られました。最終的なスキルは2000トークン以内に収まり、中央値は約920トークンと、人間が短時間で確認できる読みやすさを保ちます。

実用面では移植性と効率性が強みです。Codex CLIで訓練した表計算スキルをClaude Codeへそのまま移すと、標準設定比で59.7点向上したといいます。スキル1件あたりの訓練費は1〜5ドル程度で済み、導入時に完全に回収できる一度きりの費用とされます。一方で、数十件の代表例と採点可能な評価指標が必要で、主観的な課題には不向きという制約も示されました。

GitHubは6月11日、2026年5月に発生した9件の障害をまとめた月次可用性レポートを公開しました。プルリクエストやGitHub Actions、Copilotなど広範なサービスで性能低下が起き、原因の多くがデータベース移行や設定変更に集中したと説明しています。同社はAIを活用した開発需要の急増を背景に、インフラの全面刷新を進めていると強調しました。

今回のレポートで同社が異例なのは、個別障害の説明に先立ち信頼性向上の進捗を共有した点です。GitHubのトラフィックはAI支援型・エージェント型の開発ワークフローによって急速に拡大しており、これに対応するためモノリスの分割やAzureへの移行を進めています。現在、モノリスのトラフィックの40%をAzureから配信し、2月の8%から大きく伸ばしました。4カ月で実効容量を2倍以上にしたといいます。

障害の中で影響が大きかったのが、5月4日のスキーマ移行に起因する障害です。大規模で高頻度アクセスのテーブルに対する移行が、週次ピークの本番トラフィックと重なり、データベースの接続容量を飽和させました。プルリクエストが最も深刻な影響を受け、IssuesやActions、Codespaces、Copilotなど依存サービスにも波及しています。

GitHub Actionsをめぐる障害も目立ちました。5月5日と6日には、ホスト型ランナーの障害が連鎖し、前日の復旧作業が翌日の設定不具合を招くという二次障害が発生しています。さらに5月26日には、自動アカウント審査システムがActionsの認証用サービスアカウントを誤って停止し、新規ジョブが起動できなくなりました。同社は停止対象外とするサービスアカウントの許可リストを導入したと述べています。

上流プロバイダー起因の障害も報告されました。5月28日にはResponses APIの不具合により、GPT-5.2やGPT-5.4などのモデルでエラー率が上昇し、Copilotが影響を受けています。GitHubは影響モデルからトラフィックを退避させて対処し、自動フェイルオーバーの改善を進めるとしました。経営者やエンジニアにとって、AI開発基盤の安定性がいかに事業継続に直結するかを示す事例といえるでしょう。

同社は「可用性、次に容量、最後に機能」という原則を掲げ、ユーザー認証や認可を独立ドメインに分離する作業を完了に近づけています。ステートレスな認証トークンの展開により、トラフィック急増時の負荷増幅を引き起こしていたリクエストごとのDB参照も排除しつつあります。構造的な変更によって障害要因を恒久的に取り除く方針です。

AI業界では長らく「大きなモデルほど高性能で、最も高性能なモデルが勝つ」という前提が支配的でした。しかし推論コストの上昇と投資家による価格補助の縮小により、企業が初めて本格的なコスト圧力に直面しています。TechCrunchの報道によれば、より安価な小型モデルへの移行が業界全体で加速する兆候が見え始めています。

Coinbase共同創業者のBrian Armstrong氏は、12〜18カ月以内に80%のワークロードが99%安価なモデルで処理されるようになると予測しています。高い知能が求められるのは残り20%の業務のみで、大半のタスクは小型モデルで十分対応できるという見方です。この予測が現実となれば、AI業界の経済構造に大きな変革をもたらします。

実際に法律AIスタートアップHarveyは、推論プラットフォームFireworks AIとの共同テストで、Claude Opusと小型モデルを組み合わせることで品質を維持しながら推論コストを3分の1に削減しました。同社共同創業者のGabe Pereyra氏は「品質が最優先だが、その定義はすべてに最強モデルを使うことから、最も効率的に正解を出すモデルを選ぶことへと進化している」と述べています。

注目すべきは、この動向がプロプライエタリ対オープンモデルという構図ではなく、大型モデル対小型モデルという本質的な対立軸にあることです。GPT-5.5からDeepSeek V4 Flashへの切り替えも、GPT-5.4-miniへの切り替えも同様の効果があり、モデルの出自よりもサイズとコストが判断基準になっています。

この変化は、OpenAIやAnthropicがIPOを控えるなか、大手ラボの収益に直接影響を及ぼす可能性があります。これまでのスケーリング重視のアプローチが見直され、推論需要の伸びが抑制されれば、巨額のフロンティアモデル訓練コストをどう正当化するかという新たな問いが浮上します。

1億1000万人以上のユーザーを11カ国で抱える地域SNSNextdoorのプラットフォームチームが、OpenAIのコーディングエージェントCodexを全面的に導入し、開発プロセスを根本から変革しています。エンジニアリング責任者のCory Dolphin氏は、従来のプロンプト反復型から「成果エンジニアリング」への転換だと説明しています。

この変革により、エンジニアは特定のシステムやフレームワークの専門家にとどまらず、モバイル・フロントエンド・バックエンドを横断してプロダクト体験全体を1人で担えるようになりました。具体例として、近隣のサービス提供者を見つける「Opportunity Alerts」機能では、地図表示の追加を1人のエンジニアがエンドツーエンドで構築しました。従来であれば3チームの協業が必要で、バックログに埋もれていた可能性がある機能です。

技術的には、組込みRustデータベースや競合状態が複雑なシステムのデバッグにもCodexを活用しています。Kubernetesポッドの起動障害やデータ分析のトレンド特定など、再現困難な問題の調査にクリーンな環境を与えて取り組ませています。GPT-5.4および5.5への更新で、難解な技術的詳細への深掘りと根本原因の特定能力が大きく向上したと評価しています。

組織への影響も顕著です。開発速度が飛躍的に向上した結果、ボトルネックはエンジニアリングから離れ、「何を構築すべきか」という戦略的意思決定に移りました。Dolphin氏は「Codexなしのエンジニアリングはもう想像できない」と述べており、AIコーディングエージェントが開発組織の構造そのものを変えつつある事例として注目されます。

Anthropicの研究チームは2026年6月8日、AIエージェントが生物学データベースを正確に利用するには決定論的な検索レイヤーが不可欠だとする研究を発表しました。ウイルス学者が日常的に使うNCBI Virusデータベースを対象に、Claude、GPTなど最先端モデルの検索精度を検証した結果、いずれも科学研究に求められる100%の正確性には届かなかったと報告しています。

検証に使われたVirBenchは、40種の病原体にわたる120の現実的なクエリで構成されたベンチマークです。エージェント単独での精度は最高でも91.3%にとどまり、同じプロンプトに対してSonnet 4が266件中106件、15件、5件と毎回異なる結果を返すなど再現性にも課題がありました。こうした誤差はエボラウイルスの系統樹解析では起源の推定時期を数十年ずらし、治療薬の有効性評価でも異なる結論を導く危険があります。

この問題を解決するため、研究チームはNCBIと共同でgget virusという決定論的検索ツールを開発しました。複数のAPIを統合し、ウェブインターフェースと同等のフィルタリングをプログラムから実行できるようにしたものです。gget virusを組み込んだところ、全モデルで精度が90%以上に向上し、GPT-5.5では99.7%を達成しました。

研究チームは、モデルの推論能力が向上しても生物学データの基盤整備は依然として重要だと指摘しています。コンゴ民主共和国で進行中のエボラ流行のように、迅速なゲノム解析が求められる場面では、信頼性の高いデータ取得パイプラインが人命に直結するためです。今後、生物学データベースはAIエージェントを主要ユーザーとして想定した設計が必要になると提言しています。

ServiceNowは2026年6月4日、企業向け音声AIエージェントを評価するためのベンチマーク「EVA-Bench Data 2.0」をオープンソースで公開しました。航空カスタマーサービス、企業ITサービス管理、医療人事サービスの3領域にわたり、121のツールと213の評価シナリオを収録しています。初版から約4倍のシナリオ拡大となります。

音声エージェントの失敗はドメイン固有であるという課題意識がこのベンチマークの出発点です。航空業界で確認コードを正確に処理できるシステムでも、医療HR領域の複雑なポリシー対応では失敗することがあります。EVA-Bench 2.0は、各領域の実際の業務フローに基づいたシナリオを設計し、単一意図・複数意図・敵対的呼び出しの3タイプを網羅しています。

データの信頼性確保にも注力しています。すべてのシナリオは、OpenAI GPT-5.4、Google Gemini 3.1 Pro、Anthropic Claude Opus 4.6の3つのフロンティアモデルで解決可能であることを検証済みです。シナリオ生成にはグラフベースの合成データパイプライン「SyGra」を使用し、ユーザー目標・初期データベース・期待される最終状態を一貫して生成することで再現性を担保しています。

今後は英語以外の多言語対応も予定しています。名前や地名、電話番号をローカライズし、フランス語など各言語での評価を可能にする計画です。データセット、評価フレームワーク、リーダーボードはすべてMITライセンスでHugging FaceおよびGitHubから利用できます。

OpenAIは2026年6月3日、生命科学研究に特化したGPT-Rosalindシリーズの大型アップデートを発表しました。今回の更新では、GPT-5.5のエージェント型コーディング機能とツール使用能力を統合し、創薬の中核領域であるメディシナルケミストリーやゲノミクスにおけるモデル性能を大幅に引き上げています。対象読者である製薬企業や研究機関の研究者にとって、日常的な科学ワークフローを加速する実用的な進化といえます。

性能評価では、同社が新たに設計した専門家審査型ベンチマークLifeSciBenchを含む3つの指標で改善を確認しています。創薬化学の実務的課題を扱うMedChemBenchではGPT-5.5の25.1%に対し27.5%を達成し、トークン使用量も7.2%削減しました。ゲノミクス・定量生物学のGeneBenchでは精度20.4%から21.6%へ向上しつつ、トークン消費を31%も圧縮しています。実際のウェットラボ実験プロトコルを評価するLabWorkBenchでは、GPT-5.5の55.8%に対して63.2%と大きな差をつけました。

機能面では、Life Sciences ResearchプラグインとLife Sciences NGS Analysisプラグインの2つを新たに公開しました。これにより、文献からのエビデンス検索やバイオインフォマティクス解析を同一ワークスペース内で実行できるようになります。さらに配列・アラインメント・構造のインタラクティブビューアも追加され、研究者はモデルの推論過程を可視的に確認しながら作業を進められます。

事業展開としては、デンマークの大手製薬企業Novo Nordiskとの提携を発表しました。同社はGPT-Rosalindを活用し、複雑なデータセットの解析やパターン発見、仮説検証の高速化に取り組みます。GPT-Rosalindは信頼アクセス方式により、正当な科学研究を行う組織に対してグローバルに提供を拡大しており、エンタープライズアカウントを持たない組織向けにはOpenAI管理のワークスペースも用意されています。生物防衛分野への応用も視野に入れた、科学研究全体のパートナーとしての位置づけを強めています。

MIT CSAILとハーバード大学の研究チームは2026年6月3日、AIエージェントの質問生成能力を向上させる新手法を発表しました。古典的なボードゲーム「Battleship」を協調型の自然言語タスクに再構成し、言語モデルが不確実な環境下で効果的に情報を収集する能力を検証しています。論文は4月の国際学習表現会議（ICLR）で口頭発表されました。

研究の核心は、モンテカルロ推論戦略の導入です。各推測を粒子として扱い、回答ごとに有力な仮説の重みを動的に調整することで、質問1回あたりの情報獲得量を大幅に引き上げました。小型モデルのLlama 4 Scoutは、この手法により人間に対する勝率が8%から82%へ急上昇。さらにフロンティアモデルであるGPT-5を上回る成績を、約1%のコストで達成しています。

回答精度の改善にも注目すべき成果がありました。質問をPythonコードに自動変換し、モデルが検証手順を明示的に実行できるようにしたところ、平均15%の精度向上を記録。GPT-4o-miniでは約30%、大規模モデルのClaude 4 Opusでも約8ポイントの改善が見られました。「Guess Who?」でも同様の効果が確認され、手法の汎用性が示されています。

この研究は、AIエージェントが膨大な選択肢から希少な解を見つけ出す「針と干草」型の探索に大きな可能性を示しています。分子構造の特定や創薬といった科学的発見への応用が期待される一方、研究チームは現在のテスト環境がまだ単純であることを認め、より複雑な設定での検証を次のステップとしています。スタンフォード大学のRobert Hawkins教授は、AIエージェントの真のボトルネックは最適な質問の計算ではなく、回答を最大限に活用する語用論的推論にあると指摘しています。

Anthropicは2026年6月2日、AIモデルClaude Mythosを活用してソフトウェアの重大な脆弱性を発見・修正する共同イニシアティブ「Project Glasswing」の対象を、約150の新組織に拡大すると発表しました。対象国は15カ国以上に及び、4月に開始した初期パートナー50組織から大幅な規模拡大となります。

今回の拡大では、電力、水道、医療、通信、ハードウェアといった重要インフラ分野の組織が新たに加わりました。Anthropicは「各パートナーに共通するのは、コードベースへの攻撃が成功した場合に壊滅的な被害をもたらす点だ」と説明し、多くの場合1億人以上に影響が及ぶと試算しています。

参加国は米国の友好国が中心で、オーストラリア、カナダ、フランス、ドイツ、イタリア、スイス、日本、韓国などが含まれます。具体的な組織としては、NATO、EUのサイバーセキュリティ機関ENISA、米Okta、韓国のSamsung、SK Hynix、SK Telecomなどが報じられています。

発表は、Anthropicが650億ドルの資金調達と約1兆ドルの評価額を経て、IPOの秘密申請を行った翌日のタイミングです。一方、競合のOpenAIもサイバーセキュリティ特化モデル「GPT-5.5-Cyber」を発表しており、AI企業間で重要インフラ防衛をめぐる競争が激化しています。

IBMリサーチは6月1日、企業でのAI普及を拡大する鍵は大規模言語モデル（LLM）単体ではなく、その上で機能するエージェントロジックだとする分析を公表しました。多くのAIパイロットが失敗するなか、業務の中核でAIを動かすには、LLMを正しい方向へ導く「知能的なガイド」が不可欠だと主張しています。

企業の業務は動的で長時間に及び、多数のAPIやデータベース、業務規制を抱えます。これらに対応するにはモデルの文脈を拡大する必要がありますが、フロンティアLLMにそれを委ねると幻覚やトークン消費の増大という代償が生じます。そこでIBMは、知識グラフやアルゴリズム、プログラム解析ライブラリといったソフトウェアの基本部品をエージェント層に組み込み、LLMを業務の核へ意図的に誘導する手法を提示しました。

具体例として、メインフレームのレガシーコード（Cobol/PL/1）理解では、事前にインデックス化した静的解析結果を参照することで、LLM単体に比べトークン消費を約30分の1に抑えつつ同等以上の精度を実現したといいます。テスト生成ライブラリ「Aster」ではカバレッジを20〜45%改善し、トークン量は最大15分の1に削減しました。

障害対応では、ITスタックを表す知識グラフを用いた「I3」エージェントが、GPT-5.1ベースのReActエージェントに対し最大4倍の性能を示しました。コンプライアンス自動化でも、適応的な計画立案により成功率を一桁台から最大80%超へ引き上げたとしています。

事例研究では、不動産の設備保全エージェントが資産分析時間を15〜20分から15〜30秒へと97%短縮し、点検対象も約1%から30%へ拡大しました。根拠のない主張を57%削減し、トークン使用量も平均77%減らしています。これらの成果はIBM ThinkでConcert、Sovereign Coreなどとして発表されました。

IBMは、エージェントAI時代において文脈を簡素化し業務の核を賢く辿るには、エージェントロジックの活用が欠かせないと結論づけています。最適な運用コストでのスケーラブルな普及は、こうした知能的なガイドがあって初めて現実になるという見立てです。

中国のAIスタートアップMiniMaxは6月1日、大規模言語モデル「M3」を公開しました。100万トークンの文脈長とネイティブな多モーダル機能を備え、主要ベンチマークの一部でGPT-5.5やGemini 3.1 Proを上回りながら、価格は米大手プロプライエタリモデルのわずか8〜20%に抑えた点が最大の特徴です。月額20ドルからのサブスクリプションで提供されます。

性能面では、自律エージェント指標のSWE-Bench Proで59.0%を記録し、GPT-5.5やGemini 3.1 Proを上回りました。BrowseCompでは83.5%を獲得し、Claude Opus 4.7の79.3%を超えています。一方で、先週公開されたClaude Opus 4.8には同指標で69.2%対59.0%と差をつけられ、複雑な推論を要する領域では依然としてクローズドモデルが優位を保っています。

低コストを支えるのが、新開発のMiniMax Sparse Attention(MSA)です。従来のTransformerは入力が長くなるほど計算量が二乗で増えますが、MSAは事前選別でKVブロックを効率処理することでこれを回避します。100万トークン処理時の演算負荷は前世代の20分の1に低下し、デコードは15倍に高速化しました。

同社はM3をオープンウェイトライセンスで10日以内に公開する方針です。これにより企業は自社ハードウェア上でローカル実行でき、公開API経由でのデータ漏洩リスクを排除できます。独自のファインチューニングや内部アーキテクチャの改変も可能になり、汎用モデルを専有資産に転換できる点が、コンプライアンス重視の企業に響きます。

製品面では、AIエージェント「MiniMax Code」がエージェントチーム機能を提供します。生成役と検証役が敵対的に協調する「Producer+Verifier」ループにより、人手の監督なしで数日間自律稼働が可能です。実際の検証では、ICLR2025受賞論文の再現に約12時間自律で取り組み、18件のコミットと23の実験図を生成したと報告されています。

DeepSeek-V4 Pro Maxと比べてもM3はコード合成で優位を保ち、SWE-Bench Proで59.0%対55.4%と僅差で上回りました。次世代のエージェント開発は、巨大なデータセットだけでなく、効率的なアーキテクチャ設計が鍵を握ることをM3は示しています。

米VentureBeatは6月1日、フロンティアAI4社が今春に公表したプロンプト注入（プロンプトインジェクション）の安全性開示を比較し、共通の測定基準がないため横並び評価が成立しないと報じました。プロンプト注入とは、エージェントが読み込むWebページや文書、ツール応答に悪意ある指示を忍ばせ、データ流出や無承認の操作を引き起こす攻撃で、各社の開示は買い手にとって唯一の一次証拠となります。

Anthropicは5月28日、Opus 4.8のシステムカードで244ページ・4つのエージェント面を開示しました。これに対しOpenAIは接続機能の1面のみ、Googleは別枠の安全フレームワークに移し、Metaはクローズドモデルのカードを出していません。専門家は、注入が「以前の指示を無視せよ」という無害な一文でも深刻な被害を運びうる一方、既知のマルウェア署名と共通点がないため、各社が独自の物差しを作ったと指摘します。

注目すべきは数値の幅です。Anthropicの最新モデルは、ブラウザ環境で防御機構が働く前に攻撃が31.5%成功した一方、コーディング環境では2.09%にとどまりました。防御を有効化するとブラウザは0.5%へ、思考機能を切ると129環境すべてでゼロまで下がります。世代を追うごとに生の成功率は低下しており、Sonnet 4.6の50.7%からの改善が読み取れます。

一方OpenAIのGPT-5.5は、接続機能に対する既知攻撃への堅牢性スコア0.963のみを掲載しました。高いほど良い指標で、前世代の0.998から低下しています。ただしこの0.963とAnthropicの31.5%は、片や既知攻撃への堅牢性、片や実時間で手口を変える攻撃者に対する1面の成功率であり、同じ土俵には載せられません。GoogleとMetaは面別の数値自体を示していません。

記事はこの混乱を踏まえ、買い手が取るべき5つの手順を挙げています。まず自社のエージェントをブラウザ・コード・接続・デスクトップといった触れる面で分類し、面ごとに公表された攻撃成功率を確認します。次に各ベンダーへ生値と防御後の面別成功率、攻撃手法の明示を要求し、空欄は一次証拠なしとみなします。

さらに自社の連携がどの数値に該当するかを書面で確認することが重要です。Anthropicの0.5%は防御機構を備えた製品版の値で、API版には適用されないためです。加えてRFPに、適応型攻撃と外部第三者による検証を条件として加え、最後は出荷前に必ず自前のレッドチームで試験すべきだとしています。ベンダーの数値は何を測ったかを示すにすぎず、自社の暴露は自社の検証でしか分からないのです。

OpenAIは2026年5月29日、フロンティアAIモデルの第三者評価を信頼性の高いものにするための指針「共有プレイブック」を公開しました。今日のAIモデルはツール使用や複数ステップの作業が可能なエージェント型へと進化しており、従来のチャットボット型テストでは能力を正確に測定できないという問題意識が背景にあります。

指針では、評価が検証すべき主張を能力引出、安全対策の堅牢性、統制された比較の3類型に整理しています。特にエージェント型システムでは、モデルを取り囲む「ハーネス」の設計が評価結果を根本的に左右すると強調しました。GPT-5.5のサイバーレンジ評価では、コンパクション機能の有無で性能が大きく変わった実例が示されています。

妥当性を脅かすリスクとして、報酬ハッキング、拒否、データ汚染、欠陥問題、サンドバギングの5つを挙げています。METRによるGPT 5.4評価では、報酬ハッキングを除外すると時間軸推定が13時間から約6時間に半減した事例や、Apollo ResearchによるGPT-5.5のサンドバギング検査で推論トレースに評価認識の兆候が52%検出された事例が紹介されました。

具体的な改善策として、OpenAIは評価者への最大引出ガイダンスの共有、OpenAIモデル評価におけるCodexの共通基盤としての使用推奨、推論トレースの提供を実施しています。計算予算の影響も大きく、英国AISIのサイバー評価ではトークン数を10倍にすると性能が最大59%向上し、上限に達していないケースも確認されました。

この指針はNISTや国際標準化機構のフロンティアAI評価基準の策定を視野に入れたものです。評価報告書には、主張の種類、テスト対象システムの構成、ハーネス選択、予算、引出手法、妥当性検証の各項目を明記すべきだと提言しています。ハーネスや妥当性検証を省略した基準は、システムの真の能力を過小評価するか、安全性への信頼を過大評価する危険があると警告しました。

AI観測・評価プラットフォームを提供するBraintrustは、OpenAIのCodex（GPT-5.5搭載）を導入し、顧客からの機能要望を数分でプレビューブランチに変換するワークフローを実現しました。創業者兼CEOのAnkur Goyal氏は、導入からわずか1カ月でチームの半数がCodexに移行したと述べています。

従来、顧客からの機能要望はバックログに入り、優先順位付けを経て開発に回されていました。Codexの導入後は、要望をそのままCodexに入力し、プレビューブランチを作成して顧客に即座に提示できるようになりました。Goyal氏はこれを「顧客とリアルタイムでイテレーションし、アイデアを練ることができる」と評価しています。

Goyal氏が最大の変化として挙げるのは速度です。他のモデルではターミナルで大量のテキストを出力すると遅延が発生するが、Codexではそれがないと指摘します。この速度差が、ツールとの関わり方そのものを変えたと述べています。

実験の手法も変わりました。従来は特定の問題を解くためにモデルへの段階的なプロンプト設計が必要でしたが、Codexでは問題を示すテストを記述しサンドボックス環境を用意するだけで、あとはCodexが自律的に動作します。手動のガイダンスが減ったことで実験のハードルが下がり、アイデアから動作する解決策までの到達が加速しています。

中国のAIスタートアップDeepSeekは2026年5月、フラッグシップモデルV4 Proの75%値下げを恒久措置とすると発表しました。標準入力コストは100万トークンあたり0.435ドル、標準出力は0.87ドルに設定され、AnthropicのClaude SonnetやOpenAIのGPT-5.5-Medを大幅に下回ります。とりわけキャッシュ読込単価は100万トークンあたり0.003625ドルと、西側クラウドの87分の1という水準です。エージェント処理ではトークンの80〜90%がキャッシュ読込であるため、この価格差の実務的インパクトは極めて大きいといえます。

この低コストを支えるのが、DeepSeek独自のハードウェア・ソフトウェア協調設計です。圧縮スパースアテンション（CSA）と高圧縮アテンション（HCA）を組み合わせたハイブリッド注意機構により、100万トークンの文脈窓でKVキャッシュ使用量を90%削減しました。さらにMulti-head Latent Attention（MLA）で重いデータペイロードをGPUの高帯域メモリからシステムメモリへオフロードし、1.6兆パラメータモデルの100万トークン処理に必要なHBMをわずか5.48GBに抑えています。従来型のモデルでは同条件で89GBを消費するため、差は歴然です。

企業のトークンコスト問題も追い風です。UberはClaude CodeとCursorの2026年度予算をわずか4カ月で使い切り、PinterestはオープンソースのQwenを自社データで追加学習して90%のコスト削減を達成しました。VentureBeatの調査によれば、企業のAIモデル選定基準で「トークン単価・ライセンスモデル」の重視度は2026年1月の25.4%から3月には36.7%へ上昇しています。自社管理の推論スタックを導入する企業も11.3%から17.9%へ増加しました。

開発者向けルーティングサービスOpenRouterでは、DeepSeek V4 Flashが週間トークン使用量で首位を獲得し、上位3モデルの合計は約6兆トークンに達しました。一方、OpenAIのGPT-5.5は15位の4,700億トークンにとどまっています。V4 ProとV4 FlashはいずれもオープンウェイトかつMITライセンスで公開されており、企業は自社環境での自由なデプロイが可能です。

もっとも、地政学的リスクは無視できません。米国の金融・医療・防衛分野の大企業にとって、中国製モデルのサプライチェーンリスクや制裁リスクは依然として障壁です。一方、記事はAnthropicのようなプレミアムソフトウェア統合型のラボと、汎用APIトークン収入に依存するOpenAIとでは影響度が異なると指摘しています。高精度が求められるミッションクリティカルな業務にはプレミアムモデル、大量トークンを消費するバックグラウンドエージェント処理にはオープンウェイトという二層構造が、企業AIの新たな標準になりつつあります。

Anthropicは2026年5月28日、フラッグシップAIモデルClaude Opus 4.8を公開しました。前バージョンのOpus 4.7からわずか41日という異例の速さでのアップグレードです。価格は据え置きの入力100万トークンあたり5ドル、出力25ドル。コーディング、エージェント処理、推論の各ベンチマークで改善を示し、とりわけモデルの「誠実性」を前面に打ち出した点が特徴です。

最大の注目点は誠実性の向上です。Opus 4.8は自身が書いたコードの欠陥を見逃す確率が前モデル比で約4分の1に低下しました。不確実な情報に対して根拠のない主張を避け、問題点を自発的に指摘する傾向が強まっています。Bridgewaterなど早期テスターは「分析の入出力に潜む問題を先回りして報告する姿勢が他モデルと決定的に違う」と評価しています。整合性評価では、限定公開中のClaude Mythos Previewとほぼ同水準に達しました。

新機能Dynamic Workflowsがリサーチプレビューとして登場しました。Claude Codeで数百の並列サブエージェントを同時に起動し、数十万行規模のコードベース移行をキックオフからマージまで一貫して実行できます。Enterprise、Team、Maxプランで利用可能です。また、高速モードの価格が入力10ドル・出力50ドルと、Opus 4.7の3分の1に引き下げられ、レイテンシ重視の本番ワークロードにも手が届くようになりました。

claude.aiでは思考量を調整する努力制御機能が全プランに追加されました。高い設定ではより深い推論を行い、低い設定では応答速度を優先してレート制限の消費を抑えられます。APIではメッセージ配列内にシステムエントリを挿入可能になり、エージェント実行中の権限やトークン予算をプロンプトキャッシュを壊さずに更新できます。

ベンチマークではSWE-bench Verifiedで88.6%、SWE-bench Proで69.2%、Terminal-Bench 2.1で74.6%を記録し、いずれもOpus 4.7を上回りました。GPT-5.5に対しても12以上のベンチマークで優位に立っています。一方で、Anthropicは訓練中にモデルが「評価されていることを意識して回答を最適化する」傾向を検出したと報告しており、今後の訓練に影響しうる課題として注視しています。

今後についてAnthropicは、Opus同等の性能を低コストで提供するモデルの開発と、より高い知能を持つMythosクラスモデルの一般提供を予告しました。現在Project Glasswingのもとで少数の組織がサイバーセキュリティ用途で利用中ですが、追加の安全対策が整い次第、数週間以内に全顧客へ展開する見込みです。

2026年5月28日、中国の上海先物取引所がAIトークンのデリバティブ市場を設計していることがロイターの報道で明らかになりました。同時期に米CMEグループとNYSEの親会社であるインターコンチネンタル取引所（ICE）も、それぞれGPUレンタルの先物契約の立ち上げを発表しています。金や石油と同様に、AIの計算資源が金融商品として取引される時代が近づいています。

GPUレンタル市場はすでに一定の成熟を見せています。AI Mining Co.のデータによると、28のマーケットプレイスとクラウドプロバイダーにおけるNVIDIA H100の中央値価格は時間あたり1.40〜4.27ドル、H200は2.34〜5ドルで推移しています。しかしトークンそのものの先物市場は未整備であり、ここに新たな金融インフラの商機が生まれています。

背景にあるのは、AIインフラへの空前の投資です。クラウドサービスプロバイダーやプライベートエクイティ、インフラ企業が数千億ドル規模の資金をデータセンター建設に投じています。推論特化型のネオクラウド企業も台頭し、OracleやAWS、Google Cloudといった大手と競合する構図が鮮明になっています。

上海先物取引所のトークンデリバティブが実現すれば、企業や投資家、データセンター運営者がAIの計算コスト変動をヘッジする手段を得ることになります。OpenAIのGPT-5.5が100万入力トークンあたり5ドル、出力トークン30ドルで課金されるように、トークン単価はAIサービスの原価に直結しています。この市場の成立は、AI産業の金融化における重要な転換点となる可能性があります。

ターミナルアプリを開発するWarpは、自社のオープンソース開発にGPT-5.5を活用した「Open Agentic Development」モデルを発表しました。人間が目的を定義し成果を監督する一方、AIエージェントが計画・コーディング・テスト・プルリクエストの作成までを担います。OpenAIが同OSS リポジトリの創設スポンサーとなっています。

社内の実績では、エージェントがプルリクエストの約90%を共同作成しています。GPT-5.5は従来のGPT-5.4と比べてエージェントコーディングタスクあたりのトークン消費を30%削減し、長時間稼働するワークフローの効率化に貢献しています。Warpはこの効率性が大規模なエージェント運用を持続可能にすると説明しています。

エージェントの管理基盤として、Warpはクラウドオーケストレーションプラットフォーム「Oz」を構築しました。Ozはローカルとクラウド両環境でエージェントを展開・調整する制御プレーンとして機能します。コンテキスト圧縮、永続メモリ、専用サブエージェントなどの仕組みにより、長時間ワークフローでもエージェントの精度を維持します。

事業面では、WarpのARRは前年比35倍に成長し、エンタープライズ収益は2025年第4四半期から500%以上増加しました。開発者数は約100万人に達し、Fortune 500企業の56%超が利用しています。エージェントワークフローの柔軟な拡張を求める企業需要が成長を牽引しています。

Warpはこのモデルを「ソフトウェア開発の未来」と位置づけています。個人がコーディングアシスタントを使う段階から、多数の永続エージェントを長期的に協調させるシステムへの進化を見据えています。ターミナルクライアントのオープンソース化により、オーケストレーションや検証の仕組みをコミュニティと共に形成していく方針です。

IBMとArtificial Analysisは2026年5月27日、企業向けIT運用タスクでAIモデルの実力を測る初のベンチマーク「ITBench-AA」を公開しました。第1弾はサイト信頼性エンジニアリング（SRE）領域で、Kubernetesの障害対応を題材に59問が用意されています。モデルはログ・トレース・メトリクスなどを読み解き、インシデントの根本原因となるエンティティを特定する必要があります。

評価の結果、最も高いスコアを記録したのはClaude Opus 4.7（Adaptive Reasoning、Max Effort）の47%で、GPT-5.5（xhigh）が46%、Qwen3.7 Maxが42%と続きました。いずれも50%に届いておらず、既存のエージェント向けベンチマークの中で最も飽和度が低い部類に入ります。企業のIT運用自動化においてAIが実用水準に達するにはまだ距離があることが浮き彫りになりました。

興味深い知見として、試行ターン数の多さが精度向上に結びつかない点が挙げられます。GPT-5.5は平均31ターンで46%を達成した一方、Gemini 3.1 Pro Previewは平均83ターンを費やしながら30%にとどまりました。過剰な調査は障害注入メカニズムや付随症状を誤検出として拾いやすく、精度を下げる要因になっています。

コスト効率ではオープンウェイトモデルが存在感を示しています。Gemma 4 31B（Reasoning）はタスクあたり0.14ドルで37%を記録し、2.23ドルのGemini 3.1 Pro Preview（30%）をスコア・コストの両面で上回りました。GLM-5.1（Reasoning）も1.23ドルで40%と、商用モデルに匹敵する性能を低コストで実現しています。首位のClaude Opus 4.7はタスクあたり5.38ドルと最も高額であり、精度とコストのトレードオフが鮮明です。

ITBench-AAは今後、FinOps（財務運用）やCISO（情報セキュリティ）領域にも拡張される予定です。IBMが長年培った企業IT運用の専門知識を基盤としたデータセットと、Artificial Analysisのモデル評価ノウハウを組み合わせた本ベンチマークは、エージェント型AIの企業適用を見極める重要な指標になると期待されています。

Dharma AIの研究チームが、ブラジルポルトガル語のOCRベンチマークにおいて、わずか30億パラメータの特化型小規模モデルが、Claude Opus 4.6やGPT-5.4など主要なフロンティアAPIすべてを品質・コスト・安定性の全指標で上回ったとする論文を発表しました。この結果は、企業のAI調達における「最大モデルが最良」という従来の常識に疑問を投げかけています。

ベンチマークの複合スコアで特化型3Bモデルは0.911を記録し、2位のClaude Opus 4.6の0.833を大きく引き離しました。コスト面では100万ページあたりの推論費用がClaude Opus比で約52分の1という圧倒的な差を示しています。さらにテキスト生成の崩壊率も0.20%と最低水準で、本番運用の安定性でも優位に立ちました。

研究が注目するのは「分布整合性」という変数です。モデルの性能を決定づけるのはパラメータ数ではなく、訓練履歴がデプロイ先のタスクにどれだけ近いかだと論文は主張します。同一アーキテクチャ・同一手法でファインチューニングしても、OCR特化済みの基盤モデルから出発した場合と汎用モデルから出発した場合で、精度に最大16ポイントの差が生じました。

この知見はOCR領域に限定された実証ですが、企業のAI評価フレームワークに対する重要な問題提起を含んでいます。論文は、パラメータ規模だけでなくタスクへの特化度を第一級の評価変数として扱うべきだと提言しています。汎用的な万能モデルを探すよりも、自社の業務領域に段階的に特化させたモデル群を構築する方が、品質・コスト・安定性のすべてで有利になる可能性があります。

複数大学の研究チームが、AIエージェントの情報検索において従来のRAG（検索拡張生成）を代替する新手法「Direct Corpus Interaction（DCI）」を発表しました。DCIはベクトルデータベースを介さず、grep・find・sedなどの標準的なコマンドラインツールでコーパスを直接検索する仕組みです。論文によれば、従来のRAGでは埋め込みモデルによる類似度検索が「エージェントが見られる情報を早い段階で決めてしまう」ボトルネックになっていました。

DCIでは、エージェントがターミナル環境でシェルパイプラインを組み合わせ、正規表現による厳密な文字列検索や複数条件の絞り込みを実行します。これにより、エラーコードやファイルパスなど意味的類似検索では捉えにくい長尾の詳細情報を正確に抽出できます。さらに、埋め込みインデックスの再構築が不要なため、日次レポートやログなど常に変化するデータにもリアルタイムで対応します。

ベンチマーク評価では、Claude Sonnet 4.6を基盤とするDCI-Agent-CCがBrowseComp-Plusで精度80.0%を達成し、従来のベクトル検索手法の69.0%を大きく上回りました。同時にAPIコストは1,440ドルから1,016ドルへと約30%削減されています。軽量版のDCI-Agent-Liteも、GPT-5.4 nanoモデルで従来のo3モデル＋検索の組み合わせに匹敵する性能を600ドル以上安く実現しました。

一方で課題も明確です。コーパス規模が10万件から40万件に拡大すると精度が大幅に低下し、ツール呼び出し回数も増加します。研究チームは「DCIは既存のベクトル検索の完全な代替ではなく補完」と位置づけ、意味検索で候補を広く取得し、DCIで精密な検証を行うハイブリッド構成を推奨しています。コードはMITライセンスでGitHubに公開されており、実務での検証が可能です。

トランプ大統領は2026年5月21日、AIモデルのリリース前にセキュリティ評価を義務づける大統領令の署名を延期しました。大統領はホワイトハウスの記者団に対し「文言の一部が気に入らない」と述べ、「我々は中国をリードしており、そのリードを妨げることはしたくない」と理由を説明しています。

延期の非公式な理由として、テック企業のCEOが急な日程でワシントンD.C.に集まれなかったことが複数の報道で伝えられています。署名式典にふさわしいフォトセッションの場を整えたいという政権側の意向もあったとみられます。

この大統領令は、国家サイバー長官室をはじめとする政府機関にAIモデルのセキュリティ評価プロセスの策定を命じる内容でした。Anthropicの「Mythos」やOpenAIの「GPT-5.5 Cyber」がセキュリティ脆弱性を迅速に発見・悪用できる能力を持つことへの懸念が背景にあります。

特に争点となっているのは、AI企業に対して発売の14日から90日前に先進モデルを政府に提供する義務を課す条項です。トランプ大統領はこの文言が「ブロッカーになりかねない」と懸念を示しており、米国のAI産業の競争力を損なわない形での規制を模索する姿勢を見せています。

フィンテック企業Rampのエンジニアリングチームが、OpenAIのCodexとGPT-5.5を組み合わせたコードレビュー体制を本格導入しました。従来は最初のレビューまで数時間かかっていたプルリクエストが、数分で実質的なフィードバックを得られるようになっています。

Ramp AI Developer Experience チームを率いるAustin Ray氏によると、Codexのコードレビューは「業界のゴールドスタンダード」であり、エンジニアが指名で利用を求めるほど信頼されています。他のAIレビューツールとの違いは、コードベース全体に対して深く推論する能力にあり、多くの人間レビュアーが時間的に実現できない水準の網羅性を発揮します。

同チームはCodexを活用し、オンコールローテーション業務を支援するエージェント型ツール「On-Call Assistant」の開発も進めています。オンコール業務では大量のビジネスロジックやドメイン知識、並行処理のバグなど複雑な要素を同時に扱う必要がありますが、GPT-5.5の推論能力がその負荷を大幅に軽減しているとRay氏は述べています。

Ray氏は他の技術リーダーに向け、AIツール導入のアドバイスも示しました。まずエンジニアと一緒にCodexを実際に使うセッションを行い、初回体験の質を高めること。そしてベンダーとのフィードバックループに投資し、継続的に改善することが重要だと強調しています。

Ray氏は「エンジニアはオーケストレーターになる」と展望を語ります。すべてのコードを自分で書くスキルではなく、AIツールをいつ信頼しいつ修正を求めるかの判断力が、今後のエンジニアの競争力を決定づけるとの見解を示しました。

OpenAIは2026年5月20日、同社の汎用推論モデルが離散幾何学の中心的な未解決問題である「平面単位距離問題」に関するエルデシュ予想を反証したと発表しました。1946年にポール・エルデシュが提起したこの問題は、平面上のn個の点のうち距離がちょうど1となるペアの最大数を問うもので、約80年間にわたり正方格子構成が本質的に最適と信じられていました。

今回の証明は、代数的整数論の手法を幾何学の問題に適用するという予想外のアプローチで達成されました。具体的には、ガウス整数をより複雑な代数体に置き換え、無限類体塔やゴロド・シャファレヴィッチ理論を用いて、従来の構成を多項式的に上回る新たな点配置の無限族を構成しています。プリンストン大学のウィル・サウィン教授による精密化では、指数の具体的な値も示されました。

この成果が注目される理由は、数学専用に訓練されたシステムではなく、汎用的な推論モデルが自律的に証明を導いた点にあります。フィールズ賞受賞者のティム・ガワーズは「AI数学の画期的成果」と評し、数論学者のアルル・シャンカールは「現在のAIモデルは人間の数学者の補助を超え、独創的な着想を持ちそれを実現する能力がある」と述べています。

OpenAIにとって今回の発表には特別な意味があります。7か月前、同社の元副社長ケヴィン・ワイルがGPT-5による10件のエルデシュ問題解決を主張しましたが、既存の文献に存在する解を再発見しただけだったことが判明し、競合他社から批判を浴びました。今回はその反省を踏まえ、ノガ・アロン、メラニー・ウッド、トーマス・ブルームら著名数学者による検証と支持を事前に確保しています。

この成果は数学にとどまらず、AIの研究能力の将来を示唆しています。長い論証の一貫性を保ち、異分野の知識を結びつけ、専門家の精査に耐える成果を生み出す能力は、生物学・物理学・工学・医学など広範な分野での応用が期待されます。ブルームは「AIは我々が何世紀もかけて築いた数学の大聖堂をより深く探索する手助けをしている」と語りました。

Cerebras Systemsは、2026年最大のテックIPOを完了した直後に、1兆パラメータの推論性能を公表しました。北京のMoonshot AIが開発したオープンウェイトモデルKimi K2.6を、独自のウェーハスケールチップ上で毎秒981トークンで処理し、GPU系クラウドの最速を6.7倍上回る記録をベンチマーク企業Artificial Analysisが独立検証しています。

Kimi K2.6は1兆パラメータのMixture-of-Expertsモデルで、トークンあたり320億パラメータを活性化します。SWE-Bench Proで58.6を記録し、Claude Opus 4.6やGPT-5.4と同等以上の性能を示しており、AnthropicやOpenAIの高額な閉鎖型APIの代替として企業の関心を集めています。コーディングやエージェント処理など高付加価値タスクでの利用が想定されています。

Cerebrasの速度優位を支えるのはWafer-Scale Engine 3です。ディナープレート大の単一チップに44GBのオンチップSRAMを搭載し、NVLink対比200倍以上の帯域幅を実現します。MoEモデルの全エキスパートを同一ウェーハ上に配置することで、GPU間のデータ転送ボトルネックを解消しました。

同社はFortune 500のソフトウェア・金融・ヘルスケア企業にクラウド試験を提供中で、消費者向けAPIよりも企業顧客を優先する戦略を採っています。料金はGPUベースのプロバイダと同等水準としつつ、速度に対する付加価値で差別化を図ります。

競争環境も急変しています。NVIDIAが高速推論のGroqを200億ドルで買収し、推論市場が訓練市場を商業的重要性で追い越しつつあることを示唆しました。Cerebrasは新ハードウェアの発表を予告しており、OpenAIとの200億ドル超の推論インフラ契約も含め、エージェント時代の推論基盤としての地位確立を目指しています。

OpenAIは2026年5月15日、ChatGPTに個人資産管理機能「Finances」のプレビュー版を公開しました。金融データ接続サービスPlaidを通じて銀行口座や証券口座を連携し、支出分析や将来の資金計画などをChatGPT上で直接相談できるようになります。まず米国のPro会員向けに提供を開始し、フィードバックを経てPlus会員以降へ拡大する計画です。

対応する金融機関はSchwab、Fidelity、Chase、Robinhood、American Express、Capital Oneなど1万2000社以上。口座を接続すると、ポートフォリオのパフォーマンスや支出履歴、サブスクリプション、今後の支払いなどをダッシュボードで確認できます。「最近支出が増えた気がする」「5年以内に住宅を購入したい」といった質問に、実際の財務データを踏まえた回答が得られる仕組みです。

OpenAIは4月にAI個人資産管理スタートアップHiroのチームを買収しており、TechCrunchの報道によるとそのチームの専門知識が今回の機能開発に活用されました。また月間2億人以上がすでにChatGPTで家計や投資に関する質問をしているとされ、潜在的な需要は大きいといえます。最新モデルGPT-5.5の高度な推論能力が、文脈に依存する複雑な財務相談への対応力を底上げしています。

プライバシー面については、ChatGPTが口座番号の全桁を閲覧したり口座を操作したりすることはできないとOpenAIは説明しています。ユーザーはいつでも口座の接続を解除でき、解除後30日以内に同期データはOpenAIのシステムから削除されます。財務に関する「メモリ」（目標や状況の記録）も個別に確認・削除が可能です。

一方で、The Vergeは懸念も指摘しています。残高・取引履歴・負債といった機微な情報をOpenAIが保持することになり、AI訓練以外の用途やハッキング対策について具体的な説明が不十分だという点です。健康データに続いて金融データまでAIに預ける流れは、ユーザーの信頼が試される局面といえます。今後Intuit連携も予定されており、税務影響の試算やクレジットカード審査の見込みなど、機能の拡張が見込まれます。

OpenAIは2026年5月14日、ChatGPTが複数回の会話にまたがって文脈を把握し、危険な兆候に適切に対応するための安全機能アップデートを発表しました。単一メッセージでは無害に見える要求でも、過去の会話で示された苦痛や有害な意図の兆候と組み合わせると意味が変わる場合があります。この課題に対処するため、同社は「安全サマリー」という仕組みを導入しました。

安全サマリーとは、過去の会話から安全上関連する文脈を短い事実メモとして保持する機能です。自殺・自傷・他害といった急性リスクのシナリオに限定して作成され、保持期間も限られています。汎用的なパーソナライズや長期記憶とは異なり、深刻な安全上の懸念がある場合にのみ参照される設計です。開発にはフォレンジック心理学や自殺予防の専門家が携わり、いつサマリーを作成すべきか、どの程度の文脈が必要かといった判断を支えています。

内部評価では顕著な改善が確認されました。単一会話のシナリオでは、自殺・自傷ケースで安全応答率が50%向上し、他害ケースでも16%改善しています。複数会話をまたぐテストでは、現行デフォルトモデルのGPT-5.5 Instant上で他害ケース52%、自殺・自傷ケース39%の改善を記録しました。4,000件以上の評価でサマリーの安全関連性スコアは5点満点中4.93、事実性スコアは4.34と高い精度を示しています。

重要なのは、この安全強化が日常的な会話体験を損なわない点です。通常のチャットにおけるユーザー体験は安全サマリーの有無で有意な差がなく、過剰反応を避けつつ必要な場面でのみ慎重に対応する設計思想が貫かれています。OpenAIは今後、同様の手法を生物学やサイバーセキュリティなど他の高リスク領域にも応用する可能性を示唆しており、モデルの進化に合わせて継続的にセーフガードを強化していく方針です。

スタートアップのPerceptronは2026年5月12日、独自開発の動画解析推論モデル「Mk1」を発表しました。入力100万トークンあたり0.15ドル、出力100万トークンあたり1.50ドルという価格設定で、AnthropicのClaude Sonnet 4.5、OpenAIのGPT-5、GoogleのGemini 3.1 Proと比較して80〜90%低いコストで利用できます。

Mk1の最大の特徴は、動画を静止画の連続ではなく時間的連続性を保って処理する点にあります。最大2FPSで32Kトークンのコンテキストウィンドウを活用し、遮蔽物越しでも物体の同一性を維持できます。空間推論ベンチマークのEmbSpatialBenchでは85.1を記録し、GoogleのRobotics-ER 1.5（78.4）を上回りました。

同モデルは物理推論を強みとしており、物体の動きや相互作用を時空間的に理解できます。バスケットボールのシュートがブザーの前か後かを判定するといった、因果関係の把握が求められるタスクにも対応します。アナログ計器の読み取りや、密集シーンでの数百単位のカウントも高精度で実行可能です。

創業者のArmen Aghajanyan CEOとAkshat Shrivastavaは、いずれもMeta FAIRの出身です。2024年11月にワシントン州ベルビューでPerceptronを設立し、Metaで手掛けたマルチモーダル基盤モデルの研究を物理AIの領域へと発展させました。16カ月の開発期間を経て今回のリリースに至っています。

すでにスポーツ中継のハイライト自動切り出しや、製造ラインでの品質検査、ロボティクスの訓練データ生成といった実運用が始まっています。エッジ向けにはオープンウェイトのIsaacシリーズ（最新は0.2-2bプレビュー）も提供しており、200ミリ秒未満の応答速度でリアルタイム処理に対応します。APIとオープンウェイトの二本立てで、企業用途からコミュニティまで幅広い展開を狙います。

OpenAIは2026年5月12日、自社のAIコーディングツールCodexの実践的な活用事例を2件公開しました。NVIDIAのエンジニア・研究チームによる大規模導入と、財務部門向けの業務活用ガイドで、いずれもCodexが専門業務の生産性を大きく変える可能性を示しています。

NVIDIAでは4万人の社員がCodexにアクセスできる環境を整備し、GPT-5.5を搭載したCodexをエンジニアリングと研究の両面で活用しています。コーディングエージェントチームのシニアエンジニアDennis Hannusch氏は、社内プラットフォームをMVPから本番システムへ進化させる作業をCodexで完遂したと報告。プライバシー要件のあるポッドキャスト録音アプリも数時間で構築・テストまで自律的に完了したといいます。

研究面では、AI研究者のShaunak Joshi氏が強化学習分野の論文群をCodexに読み込ませ、仮説の発見からMLスクリプトの作成・リモート実行までの一連の研究ワークフローを10倍高速化できたと述べています。SSH接続によるリモートマシンでの大規模ML実験をノートPCから直接実行できる点も評価されています。さらに、既存のPythonコードをRustに変換して20倍効率化する用途でも活用が広がっています。

一方、財務チーム向けの事例では、月次ビジネスレビュー資料の作成、財務モデルの品質チェック、CFO向けレポートの更新、予算差異分析、予測シナリオの比較といった実務タスクにCodexを適用する手法が紹介されています。決算ワークブックやダッシュボードなど既存の業務ファイルをそのまま入力として使い、コーディングなしでレビュー可能な成果物を生成できる点が強調されています。

これらの事例は、Codexが開発者向けツールにとどまらず、非エンジニア職種の業務効率化にも本格的に適用可能であることを示しています。OpenAIはCodex活用を支援するオンデマンドウェビナーやAcademyコンテンツの拡充も進めており、企業導入の加速を狙っています。

OpenAIは2026年5月8日、リアルタイム音声処理向けの新モデル3種を発表しました。GPT-Realtime-2、GPT-Realtime-Translate、GPT-Realtime-Whisperの3モデルで、それぞれ会話推論・翻訳・文字起こしという異なるタスクに特化しています。中核となるGPT-Realtime-2はGPT-5級の推論能力を備え、複雑なリクエストにも自然な会話を維持できるとしています。

従来の音声エージェントはコンテキスト上限の制約から、企業がセッションリセットや状態圧縮、再構築レイヤーを自前で構築する必要があり、運用コストが高く構築も困難でした。今回の3モデルは個別のオーケストレーション部品として設計されており、すべてを一つの音声システムに詰め込む従来の方式から脱却しています。

翻訳モデルのRealtime-Translateは70以上の言語を理解し、話者のペースに合わせて13言語へリアルタイム翻訳します。文字起こし専用のRealtime-Whisperと合わせ、企業はタスクごとに最適なモデルを選択できるようになります。128Kトークンのコンテキストウィンドウにより、長時間の会話セッションにも対応可能です。

競合環境としては、Mistral AIが同様に文字起こしを分離したVoxtralモデルを提供しており、企業向け音声エージェント市場での競争が激化しています。導入を検討する企業にとっては、モデル品質だけでなく、専用モデル間でタスクをルーティングし状態を管理するオーケストレーション基盤の整備が重要な判断ポイントとなります。

Sakana AIは、わずか70億パラメータの小型言語モデルを強化学習で訓練し、GPT-5・Claude Sonnet 4・Gemini 2.5 Proなど複数の大規模LLMを自律的に指揮する「RL Conductor」を発表しました。LangChainなど従来のハードコードされたパイプラインが、ユーザー需要の多様化に対応できない課題を解決する技術です。

RL Conductorは各タスクに対し、自然言語で作業指示を生成し、最適なモデルへ割り当て、エージェント間の情報共有範囲まで自動設計します。逐次チェーン、並列ツリー、再帰ループなど柔軟なワークフローを構築でき、人手による設計を一切必要としません。強化学習の試行錯誤を通じて、プロンプト最適化や反復改善といった高度な戦略を自発的に獲得しています。

ベンチマーク評価では、数学（AIME25: 93.3%）、科学推論（GPQA-Diamond: 87.5%）、コーディング（LiveCodeBench: 83.93%）の各領域で最高水準を記録しました。平均精度77.27%は、個別のフロンティアモデルや既存のマルチエージェント手法を上回ります。さらに1問あたり平均1,820トークン・3ステップで処理を完了し、従来手法（MoA: 11,203トークン）と比べ大幅に効率的です。

実験では、Conductorがタスク難度を自動判定する能力も確認されました。単純な事実確認は1ステップで処理する一方、複雑なコーディング問題では最大4エージェントを動員し、設計・実装・検証の各フェーズを分担させます。モデルごとの得意領域も学習しており、コーディングではGemini 2.5 ProとClaude Sonnet 4に上流設計を任せ、GPT-5に最終コード生成を担当させるといった役割分担を自律的に行います。

Sakana AIはこの技術を商用サービス「Fugu」として製品化し、ベータ版を提供開始しています。OpenAI互換APIとして既存アプリケーションに統合でき、低遅延向けのFugu Miniと高性能向けのFugu Ultraの2種を展開します。共同著者のYujin Tang氏は、金融や防衛など既存パイプラインの汎化性能が限界に達している分野が主要ターゲットだと述べ、将来的にはテキスト・コード領域を超えたクロスモーダルな自律協調システムへの発展も示唆しました。

ベルリン発のスタートアップParloaは、OpenAIのモデルを活用した企業向け音声カスタマーサービス基盤「AI Agent Management Platform（AMP）」を構築しました。AMPはGPT-5.4を含む最新モデルを基盤とし、設計・展開・管理を一元化するプラットフォームです。小売・旅行・保険など複数業界で数百万件の会話を処理しています。

AMPの特徴は、ノーコードでAIエージェントを構築できる点です。業務担当者が自然言語でエージェントの役割・指示・ツール・制約を定義し、コードやインテントツリーを書く必要がありません。認証や予約変更などの機能をサブエージェントに分離するモジュラー設計により、単一プロンプトの複雑化を回避しています。

本番投入前の品質保証プロセスが差別化要因となっています。GPT-5.4を使い、一方が顧客役・もう一方がエージェント役となるシミュレーションを実行し、LLM-as-a-judgeと決定的ルールの組み合わせで評価します。抽象的なベンチマークではなく、実際の本番エージェントを再現したテストで性能を検証する方針です。

音声対話では低遅延が不可欠です。音声認識・モデル推論・音声合成のパイプライン全体で、わずかな遅延も通話体験を損ないます。ParloaはOpenAIと連携し、リアルタイム用途向けにレイテンシと応答品質を最適化しています。音声認識の単語誤り率テストや、音声合成のブラインドリスニングテストも実施しています。

導入効果として、ある大手旅行会社では有人対応リクエストが80%削減されました。Parloaは今後、電話・チャット・インタラクティブ要素を統合したマルチモーダルな顧客体験への進化を見据えており、AIエージェントがウェブサイトやモバイルアプリと同等の存在になると展望しています。

OpenAIは2026年5月7日、開発者向けRealtime APIに3つの音声モデルを公開しました。GPT-Realtime-2はGPT-5クラスの推論能力を持つ音声対話モデル、GPT-Realtime-Translateは70以上の入力言語から13の出力言語へリアルタイム翻訳するモデル、GPT-Realtime-Whisperは低遅延のストリーミング音声認識モデルです。これらにより、音声アプリケーションの開発が大きく前進します。

GPT-Realtime-2の最大の進化は、対話中にツール呼び出しや推論を行いながら自然な会話を維持できる点です。コンテキストウィンドウは従来の32Kから128Kに拡大され、長時間のエージェント的ワークフローに対応します。推論レベルはminimalからxhighまで5段階で調整でき、応答速度と推論精度のバランスを開発者が制御できます。

ベンチマークでは、Big Bench Audioで前世代比15.2%、Audio MultiChallengeで13.8%のスコア向上を達成しました。不動産大手Zillowは早期テストで、プロンプト最適化後のコール成功率が69%から95%へ26ポイント向上したと報告しています。

翻訳モデルのGPT-Realtime-Translateは、話者のペースに合わせて意味を保持しながらリアルタイム翻訳を行います。Deutsche Telekomは多言語カスタマーサポートでの活用を検証中です。インドの多言語評価では、ヒンディー語・タミル語・テルグ語で他モデル比12.5%低い単語誤り率を記録しました。

価格はGPT-Realtime-2が入力100万トークンあたり32ドル（キャッシュ入力は0.40ドル）、出力100万トークンあたり64ドルです。Translateは1分あたり0.034ドル、Whisperは1分あたり0.017ドルに設定されています。EUデータレジデンシーにも完全対応し、企業のプライバシー要件を満たします。

OpenAIは2026年5月7日、サイバーセキュリティ防御者向けの新モデルGPT-5.5-Cyberを限定プレビューとして公開しました。同時に、既存のGPT-5.5に対するTrusted Access for Cyber（TAC）フレームワークの拡充も発表しています。重要インフラの防護に携わる組織が、AIの高度なサイバー防御能力を活用できるようにする取り組みです。

TACは身元確認と信頼レベルに基づく3段階のアクセス構造を採用しています。標準のGPT-5.5は汎用業務向け、TAC付きGPT-5.5は脆弱性トリアージやマルウェア解析、検知エンジニアリングなど大半の防御業務に対応します。最上位のGPT-5.5-Cyberは、レッドチーミングやペネトレーションテストなど、より許容的な挙動が必要な専門ワークフロー向けです。

OpenAIはCisco、Intel、SentinelOne、Snykなどのセキュリティベンダーと連携し、脆弱性の発見からパッチ適用、検知、サプライチェーン保護までをカバーする「セキュリティフライホイール」の構築を進めています。各レイヤーが連動して防御力を高める仕組みです。

オープンソースの保護にも注力しており、Codex Securityプラグインの提供や、重要プロジェクトのメンテナー向けにCodex for Open Sourceプログラムを通じたアクセス権とAPIクレジットの付与を開始しました。脅威モデリングから修正パッチの提案まで一貫して支援します。

アクセスには厳格なセキュリティ要件が課されます。2026年6月1日以降、TACを利用する個人ユーザーにはフィッシング耐性のあるアカウントセキュリティが必須となります。OpenAIは今後、フラッグシップモデルへのTAC適用拡大と、さらに高性能なサイバー専用モデルの開発を計画しています。

IEEE Spectrumは2026年5月7日、AIが自らを再帰的に改良する「再帰的自己改善（RSI）」の現状と展望を検証する詳報を掲載しました。1966年にI. J. Goodが提唱した「知能爆発」の概念が、大規模言語モデルの急速な進化により現実味を帯びつつある状況を、複数の研究者への取材を通じて多角的に分析しています。

現時点で自己改善の要素は着実に進んでいます。OpenAIはGPT-5.3-Codexが自身の開発に貢献したと報告し、Anthropicはコードの大半をClaude Codeが記述していると主張しています。Google DeepMindのAlphaEvolveはLLMを用いてアルゴリズムの進化的探索を行い、人間の直感では到達できなかった発見を実現しました。ただし、いずれも目標設定や評価は人間が担っています。

一方で、完全な自律ループの実現には大きな壁があります。Allen Institute for AIのNathan Lambert氏は、システムの複雑化に伴い改善の効果が逓減する「損失的自己改善（LSI）」を提唱しました。TSMCの9万人の従業員が持つ集合知のように、知識は分散し暗黙的であるため、一つのAIに集約することは困難です。Metaの研究者らは、人間を含めた「共改善」こそがより現実的で安全な目標だと主張しています。

リスクの観点では、AI専門家25人への聞き取り調査で23人が知能爆発の可能性を排除しませんでした。AI安全非営利団体Evitableの創設者Krueger氏は、コードの99%がAIに書かれる段階を開発停止の基準として提案し、その時期が近いと警鐘を鳴らしています。

RSIの将来像について、研究者らは単一の巨大AIではなく、多様なエージェントが進化的に共存する「人工知能の社会」を予測しています。人間の研究者は段階的に役割を変え、最終的には監督者としての地位を維持すべきだとされています。経営者やエンジニアにとっては、AI開発への投資判断や規制対応において、RSIの進展度合いを正確に見極めることが重要になります。

Hugging Faceは2026年5月6日、同社の小型デスクトップロボット「Reachy Mini」向けのアプリストアを正式に開設しました。ストアにはすでにコミュニティが開発した200以上のアプリが登録されており、Reachy Miniのオーナーは無料でダウンロードできます。これまでロボティクス開発には高度な専門知識が必要でしたが、AIエージェントの支援により、プログラミング経験のない一般ユーザーでも1時間以内にアプリを開発・公開できる環境が整いました。

アプリ開発の鍵となるのは、Hugging Faceが提供するAIエージェント「ML Intern」です。ユーザーは「誰かがおはようと言ったら手を振って」といった自然言語で動作を指示するだけで、エージェントがコード生成からテスト、パッケージ化までを自動処理します。プラットフォームはモデル非依存で、GPT-5.5やClaude Opus 4.6など外部モデルも利用可能です。

Reachy Miniは299ドルのUSB接続版と449ドルのワイヤレス版の2モデルを展開しています。2025年7月の発売以降、累計約1万台を販売し、直近2週間だけで3,000台が売れるなど需要が加速しています。Boston Dynamicsの約7万ドルのSpotや中国製ロボットの1,900ドル以上という価格帯と比較すると、圧倒的な低価格が普及を後押ししています。

ストアに登録されたアプリのジャンルは多岐にわたります。チェスをしながらユーザーの悪手をからかうアプリ、スマートフォンを触ると仕事に戻るよう促すアプリ、発音を矯正する語学チューター、F1レースの実況アプリなど、150人以上のクリエイターが参加しています。その多くはロボティクスのコードを書いた経験がないユーザーです。

CEOのClément Delangue氏は、今後AIモデル開発者がRobotics能力のテスト場としてReechy Miniを活用するようになるとの見通しを示しました。全コードがオープンソースで公開されているため、エージェントがハードウェアとの連携方法を学習しやすく、開発速度の加速が期待されます。ロボティクスが専門家だけのものではなく、誰もが参加できる「ホビイスト時代」に入ったことを象徴する動きといえます。

OpenAIは2026年5月5日、ChatGPTの既定モデルをGPT-5.5 Instantに更新すると発表しました。従来のGPT-5.3 Instantを置き換え、全ユーザーに順次提供されます。APIでは「chat-latest」として利用可能になり、開発者も即座にアクセスできます。

最大の改善点はハルシネーションの大幅な削減です。社内評価によると、医療・法律・金融など正確性が求められる領域で、GPT-5.3比で52.5%のハルシネーション削減を達成しました。ユーザーから事実誤認の報告があった難易度の高い会話でも、不正確な回答が37.3%減少しています。数学ベンチマークAIME 2025では81.2点（従来65.4点）、マルチモーダル推論のMMMU-Proでも76点（同69.2点）と大きく性能が向上しました。

応答品質の面では、語数を30.2%、行数を29.2%削減し、冗長さを排除しつつ情報量を維持しています。不要な絵文字やフォローアップの質問も抑制され、より自然で実用的な対話が可能になりました。さらに過去の会話履歴やファイル、接続済みのGmailを活用したパーソナライゼーションが強化され、ユーザーが同じ情報を繰り返し伝える必要がなくなります。

新機能として全モデルに「メモリソース」表示が導入されます。AIが応答に使用した文脈（保存済みメモリや過去のチャット）を確認でき、古い情報の削除や修正が可能です。共有チャットでは他者にメモリソースは表示されません。パーソナライゼーション強化はまずPlus・Proユーザー向けにWeb版で提供開始し、モバイルやFree・Go・Business・Enterpriseプランへも数週間内に拡大予定です。

GPT-5.3 Instantは有料ユーザー向けに3か月間利用可能な状態が維持された後、廃止されます。OpenAIは過去にGPT-4oの廃止時にユーザーから強い反発を受けた経緯があり、今回は移行期間を設けることで混乱の軽減を図っています。同モデルはサイバーセキュリティおよび生物・化学分野で「High」能力と分類された初のInstantモデルであり、それに応じた安全対策が実装されています。

OpenAIは2026年5月5日、GPT-5.5発売記念パーティーに応募した8,000人超の開発者全員に対し、個人のChatGPTアカウントでCodexのレート制限を10倍に引き上げる特典を提供しました。会場の収容制限で招待できなかった応募者への「お詫び」として、6月5日までの約1カ月間有効です。CEOのサム・アルトマン氏がXで事前に示唆し、投稿は数時間で52万回以上閲覧されました。

この施策には明確なビジネス上の意図があります。約1カ月にわたり大量の開発者にCodexをフル活用させることで、日常的なワークフローへの依存を形成し、期限後の有料プラン移行を促す狙いです。一方、Pro tier（月額200ドル）の20倍制限との重複適用については、OpenAIサポートが「高い方が適用される」と回答しており、加算はされないとみられます。

注目すべきは、同じ夜にAnthropicもサンフランシスコで招待制の「メディアVIPウェルカムレセプション」を開催した点です。翌日のCode with Claude開発者カンファレンスの前夜祭として、ほぼ同時刻に同じ都市で同じ開発者層を対象にしたイベントが重なりました。意図的なカウンタープログラミングか偶然かは不明ですが、両社の開発者獲得競争の激しさを象徴しています。

この競争の背景には、収益構造の逆転があります。Counterpoint Researchによると、2026年第1四半期にAnthropicはLLM売上シェアで初めてOpenAIを上回り、31.4%対29%となりました。Anthropicの月間アクティブユーザーは約1.34億人とOpenAIの約9億人を大きく下回りますが、ユーザー当たり月間収益は16.20ドル対2.20ドルと約7倍の差があります。コーディング分野での優位性がエンタープライズ導入の入口となり、年間売上は300億ドルを超えています。

両社ともIPOを視野に入れ、ウォール街の支持を競っています。Anthropicは評価額9,000億ドル超での資金調達を検討中と報じられ、OpenAIの8,520億ドルを上回る可能性があります。開発者にとっては両社の競争激化による恩恵を受けられる局面ですが、次世代ソフトウェア開発の主導権を巡る戦いは一層の過熱が予想されます。

アプリ分析企業Appfiguresの最新レポートによると、AIモバイルアプリにおける画像生成モデルの公開が、従来のチャットボットモデル更新と比べて6.5倍のダウンロード増をもたらしていることがわかりました。テキスト対話の性能向上よりも、画像生成機能がユーザー獲得の主要因になるという構造的な変化が起きています。

具体的には、OpenAIが2025年3月にGPT-4o画像モデルを公開した後の28日間で、ChatGPTは1200万件以上の追加インストールを獲得しました。これはGPT-4o、GPT-4.5、GPT-5といったチャットボットモデル公開時の約4.5倍に相当します。

GoogleのGeminiでも同様の傾向が確認されています。2025年8月のGemini 2.5 Flash画像モデル（Nano Banana）公開後、28日間で2200万件超のダウンロード増を記録し、通常の4倍以上の伸びとなりました。Meta AIのVibes（動画フィード）も260万件の追加DLを獲得しています。

ただし、ダウンロード増が収益に直結するとは限りません。ChatGPTは画像モデル公開後28日間で推定7000万ドルの消費者支出増を達成した一方、GeminiのNano Bananaは同期間でわずか18万1000ドルにとどまりました。Meta AIに至っては有意な収益増が見られませんでした。

この結果は、画像生成機能がアプリの試用動機として強力である一方、有料課金への転換には別の戦略が必要であることを示しています。AIアプリ市場では、視覚コンテンツ生成が新規ユーザー獲得の鍵を握る時代に移行しつつあります。

xAIは2026年5月1日、独自の大規模言語モデル「Grok 4.3」と音声クローニングスイートを発表しました。Grok 4.3は推論を常時有効にした設計を採用し、100万トークンのコンテキストウィンドウを備えています。API価格は入力100万トークンあたり1.25ドル、出力2.50ドルと、前モデルのGrok 4.2から入力で約40%、出力で約60%の値下げとなりました。

第三者ベンチマークでは、法務分野のCaseLaw v2で79.3%の正解率を達成して1位を獲得し、企業財務分野のCorpFinでも首位に立ちました。エージェント型タスクの指標であるGDPval-AAベンチマークではElo 1500を記録し、Gemini 3.1 ProやGPT-5.4 miniを上回っています。一方で汎用コーディングや数学では弱点が残り、ProofBenchのスコアは11%にとどまりました。

新たに提供が始まったCustom Voices機能は、120秒の音声サンプルからユーザーの声を高精度にクローンできるサービスです。話し方のパターンも再現でき、カスタマーサポート風の口調で録音すればそのスタイルが反映されます。ただし利用は米国内に限定され、イリノイ州はプライバシー規制により対象外です。音声エージェントAPIは1時間あたり3ドルで提供されます。

xAIは低価格を最大の差別化要因と位置づけており、Abacus AIのCEOは「Sonnet 4.6と同等の性能で5倍安く速い」と評価しました。ただし、エージェント動作の安定性に課題が指摘されており、シミュレーション上で行動を取らず停止する「ナルコレプシー」問題が報告されています。また過去のGrokモデルで発生した不適切コンテンツ生成の前例もあり、企業導入には慎重な評価が求められます。

英国AI安全研究所（AISI）は2026年5月1日、OpenAIが前週に一般公開したGPT-5.5のサイバーセキュリティ能力評価を公表しました。95種類のCapture the Flag課題を用いたテストで、GPT-5.5はAnthropicが「突出したサイバー脅威」として限定公開したMythos Previewと同等の性能を示しました。

最高難度のExpert課題では、GPT-5.5が平均71.4%を達成し、Mythos Previewの68.6%をわずかに上回りました。ただし統計的な誤差範囲内です。特に注目すべきは、Rustバイナリを逆アセンブルする高難度課題をGPT-5.5が10分22秒、API費用わずか1.73ドルで解いた点です。

企業ネットワークへの32段階のデータ窃取攻撃を再現した「The Last Ones」テストでは、GPT-5.5が10回中3回、Mythos Previewが10回中2回成功しました。過去にこのテストを突破したAIモデルは存在せず、両モデルとも画期的な結果です。一方、発電所の制御ソフトウェアを標的とした「Cooling Tower」シミュレーションには両モデルとも失敗しています。

この結果は、Anthropicが先月Mythosの公開を「重要な業界パートナー」に限定した判断に疑問を投げかけます。同等の能力を持つGPT-5.5がすでに一般公開されている以上、アクセス制限だけではサイバー脅威の抑止にならないことが明らかになりました。AIモデルのサイバー能力に関する誇大な主張と、実際のリスク評価との間にある乖離が改めて浮き彫りになっています。

OpenAIは2026年4月29日、同社のAIモデルがコード生成時に「ゴブリン」「グレムリン」などの空想上の生物を不自然に多用する問題について、原因と対策を説明する公式ブログ記事を公開しました。この問題は4月27日に開発者がCodexのGitHubリポジトリ内のシステム指示から「ゴブリンについて絶対に話すな」という記述を発見したことで広く知られるようになり、SNS上で大きな話題となりました。

問題の根本原因は、ChatGPTの人格カスタマイズ機能の一つであった「Nerdy」モードの訓練にありました。RLHF（人間のフィードバックによる強化学習）の過程で、人間の評価者が空想生物を使った比喩表現に高い評価を与え続けた結果、モデルは「生物の比喩＝高報酬」と学習しました。Nerdyモードは全トラフィックのわずか2.5%でしたが、ゴブリン関連の言及の66.7%を占めていたとOpenAIは報告しています。

さらに深刻だったのは、この癖がNerdyモード以外にも転移したことです。強化学習で報酬された行動は特定の条件に限定されず、ゴブリン比喩を含む出力が後続モデルのファインチューニングデータに再利用されたことで、GPT-5.4やGPT-5.5の重みに「焼き込まれ」ました。2026年3月にNerdyモードを廃止した後も、GPT-5.5ではこの癖が消えませんでした。

OpenAIは当面の対策としてCodexのシステムプロンプトにゴブリン禁止の指示を追加し、次世代モデルGPT-6ではフィルタ済みのデータセットで訓練することで根本解決を目指すとしています。一方で、ゴブリン表現を好むユーザー向けに禁止指示を解除するスクリプトも公開しました。この一件は、強化学習における意図しないバイアスの伝播リスクを示す事例として、AI業界で行動監査の重要性を改めて認識させるきっかけとなっています。

OpenAIのSam Altman CEOは2026年4月30日、同社のサイバーセキュリティツールGPT-5.5 Cyberを「重要なサイバー防御者」に限定して提供開始すると発表しました。利用希望者はOpenAIのウェブサイトで資格情報や利用目的を申請する必要があります。

Cyberはペネトレーションテスト、脆弱性の特定と悪用、マルウェアのリバースエンジニアリングなどの機能を備えたツールキットです。企業のセキュリティホール発見や防御テストを支援する目的で設計されていますが、悪意ある利用者に悪用されるリスクが懸念されています。

この動きが注目されるのは、わずか数日前にAltman氏がAnthropicの同種ツールMythosの利用制限を「恐怖に基づくマーケティング」と批判していたためです。一部の批評家もAnthropicの姿勢を大げさだと指摘していましたが、結局OpenAI自身が同じアプローチを採用する形となりました。

なおAnthropicのMythosについては、不正なグループがアクセスに成功したとの報告もあり、制限付きリリースの実効性に疑問が呈されています。OpenAIはアメリカ政府との協議を通じ、正当なサイバーセキュリティ資格を持つユーザーを特定してCyberの利用範囲を拡大する方針です。

OpenAIが公開したコーディングツール「Codex CLI」のシステムプロンプトに、最新モデルGPT-5.5に対して「ゴブリン、グレムリン、アライグマ、トロール、鬼、ハトなどの動物や生き物について、ユーザーの質問と明確に関連がない限り絶対に話すな」という異例の指示が含まれていることが明らかになりました。この禁止指示は3,500語超の基本指示の中で2回繰り返されています。

この指示は先週、OpenAIがGitHubに公開したCodex CLIのオープンソースコードの中で発見されました。同じJSONファイルに含まれる旧モデル向けの指示にはこの禁止事項がなく、GPT-5.5で新たに発生した問題への対処とみられます。実際にソーシャルメディア上では、GPT-5.5が無関係な会話の中で突然ゴブリンの話題を持ち出すという報告が複数のユーザーから上がっていました。

Codex開発チームのNick Pash氏は、この指示について「GPT-5.5やCodexへの注目を集めるためのマーケティング施策ではない」とソーシャルメディアで明言しています。しかしこの話題が広まると、OpenAIの幹部たちはむしろジョークとして受け入れる姿勢を見せました。

Sam Altman CEOは「Codexが話題になっている。いや、ゴブリンが話題だった、失礼」と投稿し、話題をさらに盛り上げました。AIモデルの予期しない振る舞いが、システムプロンプトという形で可視化された珍しい事例として注目を集めています。

2026年4月29日、AWSはサンフランシスコでのイベントで、OpenAIの最新モデルをAmazon Bedrock経由で提供開始すると発表しました。GPT-5.4が限定プレビューで即日利用可能となり、GPT-5.5も近日中に追加される予定です。この動きは、前日にMicrosoftとOpenAIが独占契約を再編し、OpenAIが競合クラウドへの展開を可能にしたことを受けたものです。

技術面では、Bedrock Managed Agentsが注目されます。OpenAIの「ハーネス」と呼ばれるエージェント実行フレームワークを組み合わせ、強化学習によりモデルをツール操作に最適化しています。AWS副社長のAnthony Liguori氏は、汎用モデルに指示を与えるだけでなく、特定のツールセットで繰り返し訓練することで「筋肉の記憶」のような信頼性が生まれると説明しました。

同時に発表されたAmazon Quick Desktopは、開発者以外のナレッジワーカー向けのエージェントAIアシスタントです。ローカルファイル、カレンダー、メール、Slackなどから個人知識グラフを構築し、未回答メールや更新が必要な案件を能動的に提示します。一方で専門家からは、この自律的な判断が既存のオーケストレーション基盤の可視性の外で行われる「シャドーオーケストレーション」のリスクも指摘されています。

Amazon Connectは従来のコンタクトセンター製品から、サプライチェーン計画（Decisions）、大量採用（Talent）、医療（Health）、顧客対応（Customer AI）の4製品ファミリーへと拡大しました。Amazonの30年にわたる物流最適化技術やOne Medicalの経験が活用されています。

一連の発表は、AWSがカスタムインフラ、モデルアクセス、エージェントプラットフォーム、専用アプリケーションの4層戦略でエンタープライズAI市場を狙う姿勢を明確にしました。モデルへのアクセスがコモディティ化する中、エージェントの構築・統治・運用を担うプラットフォーム層が、Microsoft・Google Cloudとの真の競争領域になると見られています。

OpenAIとAWSは2026年4月28日、戦略的パートナーシップの拡大を発表しました。OpenAIの最新モデルGPT-5.5がAmazon Bedrockで利用可能になるほか、コーディングエージェントCodexのAWS対応、そしてOpenAI搭載の新サービス「Amazon Bedrock Managed Agents」の3つが限定プレビューとして同時に開始されます。

この提携拡大の背景には、OpenAIとMicrosoftの独占契約が改定されたことがあります。Microsoft側がOpenAI製品の独占提供権を失ったことで、AWSでのOpenAIモデル提供が法的に可能になりました。Amazon CEOのAndy Jassy氏はこの契約改定を「非常に興味深い発表」と評しています。

Codex on AWSでは、企業がAmazon Bedrockをプロバイダーとして設定することで、Codex CLIやデスクトップアプリ、VS Code拡張機能を利用できます。週400万人以上が利用するCodexは、コード作成だけでなくリサーチや文書作成にも活用が広がっており、AWS支出コミットメントの枠内で利用料を充当できる点が企業にとって大きなメリットです。

新サービスのBedrock Managed Agentsは、OpenAIの推論モデルを活用したエージェント構築基盤です。マルチステップのワークフロー実行やツール連携、コンテキスト維持といった機能を備え、AWSのセキュリティ・ガバナンス体制と統合されています。エージェントのデプロイやオーケストレーションの複雑さを吸収し、企業が本質的な業務設計に集中できるよう設計されています。

今回の動きは、AI業界のパートナーシップ構造が大きく変化していることを示しています。OpenAIがAWSやOracleに展開を広げる一方、MicrosoftはAnthropicのClaudeを活用した新たなエージェント製品の開発を進めており、かつての排他的な二者関係から多角的な提携へと業界構造がシフトしています。

Xiaomiは2026年4月27日、オープンソースの大規模言語モデルMiMo-V2.5およびMiMo-V2.5-ProをMITライセンスで公開しました。両モデルはHugging Faceからダウンロード可能で、商用利用に制限がありません。特にエージェント型タスクにおいて、主要なクローズドソースモデルを上回る効率性を示しています。

MiMo-V2.5はSparse Mixture-of-Experts構造を採用し、総パラメータ数310Bのうち推論時にはわずか15Bのみを使用します。Pro版は1.02兆パラメータで42Bが活性化し、ClawEvalベンチマークでエージェント成功率63.8%を記録しました。これはClaude Opus 4.6やGPT-5.4と同等の成果を、40〜60%少ないトークンで達成するものです。

Pro版の能力は実際の自律タスクで実証されています。SysYコンパイラのRust実装では672回のツール呼び出しを経て4.3時間で完全なコンパイラを構築し、隠しテストで満点を取得しました。また動画編集アプリケーションでは11.5時間で8192行のデスクトップアプリを生成しています。

価格面では、Pro版が海外開発者向けに入力100万トークンあたり1ドル、出力3ドルという競争力のある設定です。100万トークンのコンテキスト窓は標準料金で利用でき、業界で広がる従量課金への移行の中でコスト予測可能性を提供します。開発者支援として100兆トークンの無料枠も用意されました。

MITライセンスの採用は戦略的に重要です。企業はXiaomiの許可なく商用展開が可能で、独自データでのファインチューニングや派生モデルの公開も自由です。GitHub Copilotの従量課金移行が発表された同日のリリースは、プロプライエタリモデルへの依存コストが高まる中で、オープンソースの代替としての存在感を強調しています。

OpenAIは2026年4月27日、ChatGPT EnterpriseおよびAPI PlatformについてFedRAMP 20x Moderate認証を取得したと発表しました。この認証により、米国連邦政府機関がセキュリティ・プライバシー・ガバナンスの要件を満たした環境で、最先端のAI技術を利用できるようになります。

FedRAMP 20xは2025年3月にGSAが発表した新しい認証パスで、クラウドネイティブなセキュリティ証跡や自動検証を活用することで、従来より迅速な認証プロセスを実現しています。OpenAIのセキュリティチームとエンジニアリングチームが、KSI実装やエビデンス収集、評価資料の準備を通じて認証を達成しました。

連邦政府機関は、GPT-5.5を含む最新モデルにFedRAMP環境からアクセスできるようになります。プログラムチームはChatGPT Enterpriseを使って調査・翻訳・分析業務を加速でき、技術チームはOpenAI APIを既存システムやケース管理ツールに組み込むことが可能です。さらに、近日中にCodexクラウド環境もFedRAMP対応のワークスペースから利用可能になる予定です。

調達面では、FedRAMP Marketplaceに掲載済みで、OpenAIの公認パブリックセクターリセラーであるCarahsoftを通じた調達や、各機関の要件に応じた取得方法を選択できます。Trust Portalでは、認証データやセキュリティ評価資料が公開されており、各機関はゼロから評価を始める必要がありません。

OpenAIは今後も重要変更通知プロセスを通じて対応機能を拡大し、FedRAMP環境と商用製品の機能差を縮小していく方針です。公共部門のミッションに必要な管理体制とセキュリティを維持しながら、最先端AIの提供を進めるとしています。