ベンチマーク（LLM技術）に関するニュース一覧

フランスのAI企業Mistralは2026年6月24日、文書知能モデル「OCR 4」を発表しました。単なる文字抽出にとどまらず、文書全体を構造化データとして返す点が特徴で、各ブロックに位置情報を示す枠、見出しや表といった種別、さらに単語ごとの信頼度スコアを付与します。15カ月でOCR技術の第4世代となり、即日でAPIやAmazon SageMaker、Microsoft Foundryなどから利用できます。

技術上の核心は構造化された出力にあります。従来のように平坦なテキストを並べるのではなく、各ブロックを枠で特定し、タイトルや表、署名などに分類したうえで信頼度を返します。これにより、抽出した事実を元の文書のどこに記載されていたかまで追跡でき、RAGや法令順守の業務で「この数値はどこから来たのか」という監査可能な答えを得られます。

Mistralは独立した評価者による比較で72%の勝率を得たと報告しています。ただし同社自身が採点上の誤差を公開し、集計値は確定的ではなく方向性を示すものだと注意を促しました。公開ベンチマークでは3位という指摘もあり、企業の導入担当者はベンダーの数値に頼らず、自社の文書と言語で独自に評価すべきだと記事は指摘します。

今回の発表は地政学的な追い風の中で行われました。6月12日、米商務省の輸出規制によりAnthropicは最新モデルへのアクセスを全面的に停止させられ、米国外の顧客が突然利用できなくなりました。Mistralが掲げる欧州AI主権の主張は、まさにこの事態で現実味を帯び、自社環境で完結する単一コンテナ提供が製品としての答えになっています。

価格は1000ページあたり4ドルからで、バッチ利用なら2ドルまで下がります。この水準なら10万ページの社内文書も200ドルで処理でき、大規模なデジタル化が現実的になります。一方で前日にはBaiduがMIT licenseの無償モデルを公開しており、自己ホスト型のオープンモデルと、企業向け機能を備えた商用サービスという二つの路線が鮮明になっています。

結局これはOCRの話ではなく、企業向けAI市場への入り口を巡る戦略だと記事は結論づけます。OCR 4はMistralの検索基盤や推論モデル、エージェント基盤へと連なる導線であり、同社は約200億ユーロの評価額での資金調達と2026年に10億ユーロの売上を目指しています。大手や急成長するオープンソース勢に対し、主権と構造化文書知能で欧州企業の予算を取り込めるかが焦点です。

中国Xiaomiの研究チームは6月24日、AIエージェントの土台となるハーネス（足場ソフト）を実行中に自動で書き換える枠組み「HarnessX」を発表しました。ハーネスはLLMと外部環境をつなぐプロンプトやツール、記憶管理、制御フローの総体で、従来は人手で固定的に作られてきました。HarnessXはこれを自律的に改善し、15のモデルとベンチマークの組み合わせで平均14.5%の性能向上を示しました。

最大の特徴は、ハーネスを独立して交換可能な第一級の部品として扱う点です。どのモデルを使うかという設定と足場の設定を分離することで、土台のモデルに触れずに足場だけを入れ替え、進化させられます。各挙動は「プロセッサ」として実装され、周囲を壊さずに追加や削除ができます。

この最適化を自動化するのが、強化学習で足場を進化させるエンジン「AEGIS」です。実行ログを要約する「Digester」、構造的な変更を探る「Planner」、コード編集を生成し検証する「Evolver」、そして報酬ハッキングを検知する「Critic」と退行を防ぐゲートの4段構成で動きます。これにより、既に解けた処理を壊さずに失敗パターンを修正します。

検証では、ソフトウェア開発やWeb操作、接客対話など5分野で試験し、15組中14組で性能が向上しました。特に効果が大きかったのは性能の低い小型モデルで、オープンウェイトのQwen3.5-9Bは身体的計画タスクで44%、コーディングで18.2%の上昇を記録しています。土台モデルの規模拡大だけが性能向上の道ではないことを示す結果です。

さらに、足場の進化で得たログをモデルの強化学習に転用する共進化により、追加で平均4.7%の上乗せも確認されました。足場とモデルを同時に改善することで、それぞれを単独で磨く場合の限界を超えられるといいます。実例では、Wikipedia収集に失敗したエージェント向けに、ブラウザを介さずAPIを直接叩く新ツールを自動生成し、失敗していた処理を解消しました。

一方で課題も残ります。足場を書き換えるメタエージェントにはClaude Opusなどの高性能な閉鎖モデルが必要で、オープンウェイトモデルが同役を担えるかは未検証です。土台モデルが弱すぎる場合は改善が頭打ちになる点も確認されました。それでも、高価な最先端モデルに乗り換える前に足場の進化を試す価値は大きく、研究チームはコードの公開を予定しています。

Treble TechnologiesとHugging Faceは6月24日、遠距離音声認識（Far-Field ASR）の精度を実環境に近い音響条件で測る初のオープンなベンチマーク「FFASRリーダーボード」を公開しました。残響や背景雑音、マイクとの距離を再現し、コミュニティが自由にモデルを投稿して結果を比較できます。音声エージェントや会議室の文字起こしなど、遠隔マイク利用の増加が背景にあります。

従来のASR評価は、マイクを口元に近づけたクリーンな音声を前提としてきました。しかしLibriSpeechなどの近接環境で高得点を出すモデルでも、実際の部屋の音響が加わると精度が大きく落ちることが知られています。FFASRはこの性能差を標準化した形で継続的に計測することを目的に設計されました。

評価は9条件で行われ、順位を決める主要4条件は、無響室で測ったクリーン音声と、高・中・低の3段階のSNR（信号対雑音比）下での遠距離音声です。音響データはTrebleのハイブリッドシミュレーションエンジンで生成し、回折や散乱といった現実の現象を再現します。浴室から教室、レストランまで20〜470立方メートルの14室を用意し、咳などの突発音とHVACなどの連続音を加えています。

精度を示すWERに加え、リーダーボードはNVIDIA L4 GPU上で測った処理速度の指標RTFxも併記します。精度と速度の両方が実運用では重要だとして、両者のトレードオフをパレートフロントとして可視化し、用途に合うモデルを選べるようにしています。

公開後に浮かび上がった共通の傾向は、近接環境と遠距離環境の性能差が大きく、SNRが下がるほど急拡大する点です。低SNRの遠距離WERは近接時の数倍に達することも多く、従来は社内評価でしか見えにくかった劣化が比較可能になりました。

投稿はSubmitタブにHugging FaceのモデルIDを貼るだけで、サーバー側で非公開の評価データに対して実行されます。WhisperやIBM Granite Speech、Cohere Transcribeなど主要なASRアーキテクチャに対応し、複数話者やマイクアレイ、エコー除去への対応を今後のロードマップに挙げています。

Amazonは6月24日、信頼できるAIエージェントの設計手法を、7月14日から米メンローパークで開かれる「VB Transform 2026」で公開すると明らかにしました。同社のAGI自律研究所ディレクター、ブライアン・シルバーソーン氏がVentureBeatの取材に応じ、生のベンチマーク性能を超えた構造的な枠組みを提示する考えを示しました。企業がエージェントに業務権限を与える際の不安を、どう解消するかが焦点です。

AIエージェントは業務を自律的に実行する能力を高めていますが、IT部門の責任者は企業システムへのアクセス権限の付与に慎重です。シルバーソーン氏は、その一因が信頼性の測り方にあると指摘します。業界標準のEVALスコアは性能の静的な断面を示すにとどまり、プロンプトや環境、入力の種類をまたいだ予測可能性をとらえきれないと説明しました。

Amazonの手法は、モデル自体を安全に作り込めるという前提を置きません。代わりに分離されたシステム設計を重視し、エージェントが提案した変更を人間がレビューしてから実装するサンドボックス環境などを採用します。検証可能なやり取りを優先することで、被害が大きくなりやすい金融など機密性の高い領域でも、信頼の隔たりを埋めることを狙います。

企業側の不安はデータでも裏づけられています。VentureBeatが100人超の上級技術リーダーらに実施した調査では、モデルのガードレールだけに頼ることに抵抗がないと答えたのはわずか4%でした。最も懸念する点として40%がツールやデータへの不正アクセスを挙げ、27%がプロンプトの操作や注入を指摘しています。

シルバーソーン氏は登壇セッションで、単一エージェントのラッパーから、実行中に自己修正できるマルチツール構成へ移行する道筋を示します。経営者やエンジニアにとって、エージェント導入の判断基準を見直す手がかりになりそうです。同会議では、Waymoが物理世界向けに安全なAIをどう構築するかを語るセッションも予定されています。

Alibaba Cloudは6月21日、AI動画生成モデル「HappyHorse 1.1」を公開しました。企業向けにAPIを全面開放し、最初の2週間は全機能で40%割引を提供します。OpenAIのSoraが採算難で終了し、ByteDanceのSeedance 2.0も著作権問題で国際展開を凍結するなか、世界2位の実力を武器に企業市場の主役を狙う動きです。

同モデルは4月に匿名でベンチマークに登場し、独立評価サイト「Artificial Analysis Video Arena」で即座に首位を獲得しました。現在は3つのリーダーボード全てで2位につけ、テキスト動画ではGoogleのVeo-3.1を69点上回ります。人間の評価者による比較に基づくEloスコアでの差であり、一時的なぶれではない品質差を示しています。

技術面の強みは、テキスト・画像・動画・音声を単一の150億パラメータTransformerで処理する統合設計です。動画と音声を別々のモデルでつなぐ競合と異なり、一度の生成ですべてを扱うため、外部の吹き替えや後処理が不要になります。導入箇所や依存ベンダーが減り、企業にとって総保有コストの削減につながります。

1.1版では商用制作の課題を狙って改良しました。複数の参照画像で人物の一貫性を保つR2V機能を新搭載し、広告やシリーズ動画で問題となる被写体のブレを抑えます。動作の滑らかさや、機械生成と分かる「肌のテカリ」「過剰な先鋭化」といった不自然な質感も改善されました。

競争環境はAlibabaに有利です。Soraは1日約100万ドルの運用費に対し総収益が約210万ドルにとどまり、4月26日に終了しました。Seedance 2.0はNetflixやDisneyなど大手スタジオの法的警告を受け、国際展開を無期限延期しています。残るはGoogle Veoのみですが、Arenaの評価ではHappyHorseが上回ります。

一方で地政学リスクも残ります。米国防総省は6月8日、AlibabaをBYDやBaiduとともに中国軍企業リストに加えました。即座の制裁ではないものの、企業の調達判断には複雑さを加えます。欧州ではフランスなど現地データセンターを開設し、主権対応のインフラで信頼を得られるかが今後の鍵となります。

ServiceNowとHugging Faceの研究チームは6月18日、ディープリサーチAIが外部検索を通じて社内機密を漏らす危険を測る新ベンチマークMosaicLeaksを公開しました。社内文書とWeb検索を併用するAIは、一見無害なクエリを重ねるうちに、断片を統合すれば機密が復元できるモザイク効果を招きます。攻撃者は検索ログだけから企業情報を推測できる点が核心です。

漏洩は三段階で測定されます。検索ログから調査の意図を推測する意図漏洩、ログに基づき機密の質問へ回答できる答え漏洩、そして何を探すか指示されずとも真の機密を述べられる完全情報漏洩です。後者ほど深刻で、観測者が能動的に機密事実を発見できる状態を意味します。

ベンチマークは社内文書とWeb文書をまたぐ1001件の多段推論連鎖で構成されます。各連鎖では前段の回答が次段の橋渡し情報となり、AIは社内情報を取得しなければ次のWeb検索を組めない設計です。漏洩を誘発しやすい一方、漏らさずに解くことも可能な課題が狙いとされています。

検証では、AIに検索性能だけを学習させると逆効果が生じました。強連鎖成功率は48.7%から59.3%へ上がった一方、答えや完全情報の漏洩は34.0%から51.7%へ悪化したのです。より多くの文脈を検索文に詰める挙動が、性能には寄与しつつ機密保護を損なう構図が浮かび上がりました。

そこで提案されたのが、機密配慮型の強化学習手法PA-DRです。段階ごとの状況報酬と、クエリの漏洩リスクを推定する学習済み報酬を組み合わせ、ログを露見させた計画判断に的確に罰を与えます。結果、強連鎖成功率を58.7%とほぼ維持しつつ、漏洩を9.9%まで削減しました。

注目すべきは、検索回数を減らして安全性を得たのではない点です。PA-DRはむしろWeb検索を増やしながら、具体的な数値や年など機密につながる詳細を落とし、適切な公開文書には到達します。社内情報を外部に持ち出さない検索の作法を、AI自身が学べる可能性を示した成果と言えるでしょう。

AI開発企業のHugging Faceは2026年6月18日、コーディングエージェントが特定のソフトウェアをどれだけ効率的に扱えるかを測る検証手法を公開しました。同社のライブラリ「transformers」を題材に、最終的な正解だけでなく、答えにたどり着くまでの手数やトークン量、所要時間を計測する点が特徴です。

従来のベンチマークの多くは、エージェントが最終的に正しい答えを出せたかどうかだけを見てきました。しかし同じ結果でも、1コマンドで完了する場合と、40行のスクリプトを書いて何度も再実行する場合では、コストや失敗率が大きく異なります。同社はこの過程の差こそが、ライブラリの設計改善に重要だと指摘します。

検証では各タスクを3つの条件で実行しました。素のインストール状態、ソース全体を複製した状態、そしてCLIの文書と利用例をまとめた「Skill」を読み込ませた状態です。すべてHugging Face Jobs上で同一ハードウェアを使い、モデル・改訂版・タスクの組み合わせごとに並列実行しています。

結果として、CLIとSkillを追加した変更は大型の高性能モデルの作業時間を短縮しました。一方で小型モデルでは逆効果となる場面が確認されています。例えばQwen3-14Bは、Skillを加えると全体の正答率が67%から43%へ低下し、感情分類タスクでは100%から0%まで崩れました。

原因をたどると、小型モデルがSkillを実行可能なツールと誤認し、シェルから動かすべきCLIを直接呼び出そうとして処理を断念していたことがわかりました。同社は、エージェント向けのAPIはモデル規模ごとに評価すべきだと結論づけ、検証手法を自社ライブラリにも適用できる形で公開しています。

中国の交流サイト大手である新浪微博の研究チーム9人が2026年6月15日、わずか30億パラメータの言語モデル「VibeThinker-3B」の技術報告をarXivに公開しました。数百倍の規模を持つGoogleやOpenAIの最上位モデルに数学推論で匹敵すると主張し、AI研究界に衝撃を与えています。同モデルはMITライセンスで重みが無償公開されました。

中核となる主張はベンチマーク性能です。数学競技AIME 2026で94.3点を記録し、6710億パラメータのDeepSeek V3.2と肩を並べ、Gemini 3 Proの91.7点を上回りました。コーディングでも実施前のLeetCode週次大会で128問中123問を初回正解し、96.1%という合格率を示しています。

チームはこの結果をパラメトリック圧縮被覆仮説で説明します。数学やコードのように答えを検証できる「推論能力」は小さな中核に圧縮できる一方、幅広い事実を要する「知識能力」は多くのパラメータを要するという考え方です。実際、大学院レベルの科学知識を問うGPQAでは70.2点にとどまり、上位モデルに大きく劣りました。

このモデルはアリババのQwen2.5-Coder-3Bを土台に後処理学習したものです。4段階の学習工程を経ており、能力の境界にある難問を優先的に訓練するMGPOという独自の強化学習手法を採用しています。なお微博は2025年11月にも前身の1.5B版を公開しており、その学習費用はわずか7,800ドルだったと説明しています。

一方で批判も強く出ています。実際に試した利用者からは「人気のPython開発ツールすら理解しない」との報告が相次ぎ、ベンチマーク向けに最適化しただけではないかという「水増し」批判が広がりました。論文側は学習データから評価セットとの重複を除去したと反論しています。

今回の論争が示すのは、巨大化一辺倒だったAI開発への問い直しです。推論と知識を分離できるなら、小型の推論エンジンと大型の知識モデルを組み合わせる構成が現実味を帯びます。導入コストを大きく下げる可能性があり、その真価は順位表ではなく実務での有用性で問われることになります。

米Allen Institute for AI（Ai2）は6月17日、言語指示に基づいて物体の未来の3次元動作を予測するモデル「MolmoMotion」を公開しました。動画フレームと物体上の3D点群、そして「テーブル上の木製ボウルを動かして回転させる」といった行動の指示文を与えると、それらの点が数秒先にどう動くかを3D空間で予測します。動きを観測する従来モデルと異なり、動く前に先を読む点が特徴です。

MolmoMotionは同社の視覚言語モデルMolmo 2をバックボーンに使い、指示文と画像内の物体・点を結びつけます。動作の表現には、物体表面に紐づく疎な3D点の軌跡を採用しました。人体や剛体などのテンプレートに依存せず、カメラの視点が変わっても一貫し、ロボットや動画生成にそのまま渡せる汎用性を重視した設計です。

学習には、行動説明と対応づいた大規模な3D軌跡データが必要でしたが、既存データは小規模で領域も限られていました。そこで同社は、制約のない動画から物体に紐づく3D軌跡を自動抽出するパイプラインを構築し、116万本の動画からMolmoMotion-1Mを作成しました。736種類の動作と5600種類の物体を網羅する、現時点で最大級のデータ群です。

あわせて、人手で検証した評価用ベンチマークPointMotionBenchも公開しました。111カテゴリの物体と61種類の動作にわたる2700本の動画クリップを収録し、予測した3D軌跡が実際の動きとどれだけ一致するかを定量評価します。同ベンチマークで、MolmoMotionは映像生成型や従来の3D手法を含む既存のすべての手法を上回りました。

応用面では、ロボットの計画と動画生成の両方で効果が確認されています。シミュレーション上の物体配置タスクで、Molmo 2をそのまま使った場合の成功率56.0%に対し、MolmoMotionを用いると76.3%に向上し、学習も高速でした。動画生成では、予測した軌跡を入力に加えることで、指示通りの細かい動きをより忠実に再現できたといいます。

課題も残ります。学習時に物体あたり8点の点群しか使わないため、複雑な変形を伴う動きの表現には限界があります。それでも同社は、モデルの重みとデータ、ベンチマークをすべてオープンに公開しました。観測だけでなく予測こそ機械知能の根幹だとし、ロボティクスや動画分野での応用拡大を見込んでいます。

OpenAIは2026年6月17日、生命科学研究の現場作業をどこまでAIが支援できるかを測る新ベンチマークLifeSciBenchを公開しました。創薬の実務経験を持つ博士号レベルの科学者が課題を設計し、断片的な証拠の解釈や実験設計といった研究レベルの判断を評価対象に据えた点が特徴です。

従来の生命科学向け評価は、答えが一意に定まる事実確認型の設問に偏り、研究全体の幅広い能力を捉えきれていませんでした。OpenAIはこの評価の隙間を埋めることを狙い、現役の科学者が日常的に使う作業工程を調査したうえで課題を組み立てています。

ベンチマークは750課題を含み、証拠の取り扱い、分析、設計と最適化、科学的推論、検証と運用、橋渡し研究など7つの工程と7つの生物分野にまたがります。課題の79%は複数の推論や意思決定の段階を要し、1課題あたり平均4段階に及びます。

課題は173人の専門家が作成し、各自が博士号レベルの訓練とバイオ・製薬業界の経験を持ちます。受理された課題は平均6回の自動レビューと2回以上の専門家レビューを経ており、関連分野で90%以上の合意が得られたものだけが採用されました。

採点は課題ごとの詳細なルーブリックで行われ、全体で1万9020項目、1課題あたり平均25項目に分解されます。最終的な答えの正しさだけでなく、結論に至る過程が科学的に妥当で実務に役立つかまでを評価する設計です。

添付資料は図表やPDF、配列ファイルなど1062点に上り、半数超の課題が少なくとも1つの資料の解釈を求めます。実際の評価例ではFDA会議に向けた遺伝子治療データの批評など、現場で直面する難題がそのまま課題化されています。

マサチューセッツ工科大学（MIT）などの研究チームは2026年6月、ポーカーのように相手の手札が見えない「不完全情報ゲーム」において、汎用的な学習手法が専門的なアルゴリズムを上回ることを示す論文を発表しました。この成果は4月にリオデジャネイロで開かれた国際会議ICLRで報告され、長年信じられてきたゲーム理論ベースの優位性という通説を覆す内容となっています。

従来この分野では、ゲーム理論に基づく専門アルゴリズムが、1990年代に登場した汎用的な「ポリシー勾配法」より明確に優れると考えられてきました。ポリシー勾配法は神経回路網（ニューラルネット）に逐次的な意思決定を学習させる手法で、戦略ゲーム向けには想定されていませんでした。共著者のソコタ氏は「専門アルゴリズムが正しい手法だと当然視されてきた」と振り返ります。

研究チームは新たなアルゴリズムを提案するのではなく、各手法の性能を公平に測るベンチマーク（評価基盤）を提示しました。指標には、最悪の相手と対戦した際の不利さを示す「搾取可能性」を採用しています。最大で300億通りの状態を持つ大規模なゲームでこの指標を機能させた点が、最大の技術的課題だったといいます。

ファントム三目並べやヘックスの変種、ライアーズダイスなど5種類のゲームで実験した結果、ポリシー勾配法で訓練したネットワークの方が低い搾取可能性を記録し、直接対戦でも勝利しました。この評価ソフトは無償公開され、一般的なノートPCでも実行可能で、既存のOpenSpielに1行のコードを追加するだけで使えます。

研究者らは、ここでいう「ゲーム」が娯楽に限らず、あらゆる多主体間の戦略的相互作用を指すと強調します。共著者のビニツキー氏は軍事作戦や取引、交渉など隠れた情報を扱う場面への波及を指摘。グーグル・ディープマインドのゲンプ氏も「古典的な手法の現代化が有効な道だと示す説得力ある研究だ」と評価しています。

中国のZ AIは2026年6月17日、長時間タスク向けに設計した大規模言語モデルGLM-5.2を公開しました。最大100万トークンの文脈長と、地域制限のないMITライセンスでの完全オープン提供が柱です。モデルの重みはHuggingFaceとModelScopeで配布され、coding agentとして実用できる点を前面に打ち出しました。

最大の狙いは、単にトークン数を増やすのではなく、長く乱雑なコーディング作業の軌跡でも品質を保つことにあります。同社は実装やデバッグ、性能最適化といった長時間タスク向けの訓練を大幅に拡充しました。その成果として、数時間規模の技術プロジェクトを評価するFrontierSWEなどの長期ベンチマークで、いずれもオープンソース首位を確保しています。

標準的なコーディング指標でも前世代から大きく前進しました。Terminal-Bench 2.1では前版の63.5から81.0へ、SWE-bench Proでも58.4から62.1へ伸び、クローズドな最先端モデルとの差を詰めています。Terminal-Bench 2.1ではClaude Opus 4.8(85.0)に数ポイント差まで迫り、Gemini 3.1 Proを上回りました。

技術面では、4層ごとに同じインデクサを共有するIndexShareを導入しました。これにより100万トークン時のトークン当たり計算量を2.9倍削減し、長文脈の計算コストを抑えています。投機的デコーディング用のMTP層も改良し、受理長を最大20%向上させました。

利用者は努力度を明示的に指定し、性能と速度・計算コストのバランスを調整できます。最も負荷の高いMaxモードでは難タスクに計算資源を追加配分でき、用途に応じた使い分けが可能です。GLM-5.2はZCode、Claude Code、OpenCodeなどから利用でき、Coding Plan契約者には既に展開済みです。

なお同社は、検証可能な合否報酬を悪用する報酬ハッキングへの対策も公表しました。ルールベースの検出とLLM判定を組み合わせ、不正なツール呼び出しを遮断しつつ学習を継続させる仕組みです。オープンな最先端モデルとして、透明性の高い開発のあり方も示した発表と言えます。

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。

NVIDIAは6月16日、AI学習性能を測る業界ベンチマークMLPerf Training 6.0において、同社のBlackwellプラットフォームが全カテゴリで首位に立ったと発表しました。全7ベンチマークで最速の学習時間を記録し、唯一すべての項目に結果を提出した点が特徴です。最大8192基のGPUを用いた大規模学習も実証しました。

今回の評価では、急速に普及するMoE（混合エキスパート）アーキテクチャを反映し、DeepSeek-V3 671BとGPT-OSS-20Bという2つの事前学習ワークロードが新たに追加されました。NVIDIAはこの2課題を含む全7項目で最速を達成し、ラックスケール型のGB200 NVL72とGB300 NVL72の両システムで結果を提出しています。

性能向上の鍵は世代交代にあります。新型のGB300 NVL72は、同規模の構成で従来のGB200 NVL72に比べ最大1.6倍速い学習を実現しました。NVFP4による高い計算密度、拡張されたメモリ容量、ピーク性能を維持できる高い電力上限が、この改善を支えています。

規模の面でも記録を更新しました。最大のMoEモデルであるDeepSeek-V3 671Bでは、GB200 NVL72システムを用いて8192基のGPUまで拡張し、MLPerf TrainingにおけるBlackwellベースで最大規模の提出となりました。CoreWeaveはGB300 NVL72とSpectrum-X Ethernetを組み合わせ、このモデルで2.02分という最速の学習時間を達成しています。

本番環境での信頼性も重視されています。NVIDIAは出荷前に30以上の製造テスト工程でGPUを検査し、障害を未然に防ぐほか、障害発生時にはNVRxがチェックポイントから学習を再開し、ジョブ全体の再起動を回避します。今回はMicrosoft AzureやCoreWeaveなど19の組織がパートナーとして参加しました。

GitHubは6月15日、非英語の自然言語コンテンツを含む公開リポジトリを発見するためのメタデータ集「GitHub Multilingual Repositories Dataset」を公開しました。4000万を超えるリポジトリにわたる8000万件超の言語分類を収め、ライセンスはCC0-1.0で誰でも自由に利用できます。多言語AIの開発と評価を加速させる狙いです。

このデータセットはリポジトリ本文をそのまま収録するものではなく、あくまで多言語の協働が起きていそうな場所を探すためのメタデータ集です。各リポジトリについて、READMEと最もコメントの多い課題・プルリクエストの冒頭150文字を入力サンプルとして言語を分類し、20文字未満のテキストは除外しています。スター数やフォーク数、主要プログラミング言語、ライセンスといった付随情報も併せて提供します。

言語判定にはfastText・gcld3・lingua-pyの3つの分類器を用い、それぞれ信頼度スコア付きで結果を併記しています。GitHubはあえて単一ラベルに統合せず、利用者が精度と再現率のどちらを重視するか選べるようにしました。例えば高精度なギリシャ語の部分集合が欲しければ、3分類器すべてが一定の信頼度で一致する条件を課せばよいわけです。

今回の公開で見えてきた事実も興味深いものです。課題テキストで最も多い非英語は韓国語でしたが、READMEでは5番目にとどまりました。READMEの非英語首位はポルトガル語で、300万を超えるリポジトリで使われていました。言語の使われ方が文書の種類によって大きく異なることがわかります。

背景にあるのは、AIの学習・評価に使われるオンラインテキストで欧州言語が過小評価されているという課題です。一部の開発者や言語にだけ有効で、ほかを取り残すAIツールが生まれる懸念があります。READMEや課題、プルリクエストに含まれる開発者特有の言葉は、一般的なウェブテキストとは異なる価値を持つとGitHubは説明します。

なぜ今このタイミングなのでしょうか。本データセットは2025年のMicrosoftの欧州デジタル公約に基づくもので、GitHubは6月16日にストラスブールで開かれる催しでその意義を議論する予定です。ただし言語判定は短いテキストでは難しく、正解ベンチマークとして扱うべきではないと注意を促しています。あくまで透明性の高い発見ツールという位置づけです。

米カリフォルニア大学バークレー校やプリンストン大学などの研究チームは2026年6月12日、文書を文字に変換せず画面画像のまま検索する新手法「PixelRAG」を発表しました。従来のRAGはウェブページをテキストに解析してから索引化しますが、この変換工程が誤答の大半を生んでいると同チームは指摘します。

PixelRAGはページをスクリーンショットとして描画し、その画像を索引化したうえで、抽出した断片を視覚言語モデル（VLM）に直接読ませます。VLMは人間と同じくレイアウトや構造を保ったままページを解釈できるため、表や見出し、強調表示といった情報の欠落を防げる点が特徴です。

研究チームはWikipedia全7百万記事を約3000万枚のタイルに分割し、6種類のベンチマークで検証しました。テキスト型RAGを全項目で上回り、事実質問のSimpleQAでは精度が71.6%から78.8%へ、表形式の質問では42.5%から48.8%へ改善しています。

とりわけ注目されるのが運用コストです。AIエージェントの検索基盤としてPixelRAGを使うと、消費プロンプトトークンが3750万からわずか360万へ激減し、コストは2〜4分の1に下がりました。画像圧縮を併用すれば、さらに3分の1の削減が見込めます。

一方で課題も残ります。ページを固定の画素高で機械的に分割するため、表や段落が途中で切れる「視覚的チャンク化」の問題が未解決です。研究チームはこれを今後の重要な研究領域と位置づけています。

実務面では、既存のテキスト検索を置き換えるのではなく、その上に視覚検索を重ねるハイブリッド運用が現実的な導入経路だと著者らは強調します。企業のRAG刷新を検討するリーダーにとって、段階的に精度とコストを改善できる選択肢といえそうです。

半導体大手のNVIDIAは2026年6月12日、調査会社Artificial Analysisが公開した業界初の自律型AI向け性能指標「AgentPerf」の初回結果で、自社のBlackwell世代基盤「GB300 NVL72」が首位に立ったと発表しました。同基盤は前世代のH200システムと比べ、消費電力1メガワット当たり最大20倍のAIエージェントを稼働させたとされます。

なぜ専用の指標が必要なのでしょうか。従来の推論ベンチマークは、1回のLLM呼び出しに対する応答速度や同時処理数を測るものでした。これに対し自律型AIは、一つの目標を多数の手順に分解し、コード実行やデータベース検索などのツール呼び出しを挟みながら、数十から数百回のLLM呼び出しを連鎖させて動きます。負荷は単純な足し算ではなく乗算的に増えるため、既存指標では捉えきれないという課題がありました。

AgentPerfは、実在する公開コードリポジトリ由来のコーディング作業の軌跡をもとに設計されています。エージェントが課題を受け取り、ファイルを読み、コードを書いて実行し、結果を見て修正を繰り返す一連の流れを再現し、応答性と出力速度の基準を満たしながら何件の作業を同時にこなせるかを測ります。ツール呼び出しは実行せずCPU処理時間で模擬するため、差は計算基盤の性能のみを反映します。

首位の要因は、基盤全体にわたる徹底した協調設計にあります。GB300 NVL72は72基のGPUを単一のラック規模システムに束ね、DeepSeek V4 Proのような大規模な混合エキスパート型モデルを効率よく分散実行します。さらにCUDAカーネルが通信と計算を重ね合わせ、専門家間の調整コストを遅延に上乗せせず吸収する仕組みです。

結果は基盤投資の判断に直結します。加速器1台あたり、電力1メガワットあたりで何件の自律型作業を回せるかという数値は、企業がエージェントを大規模展開する際の投資対効果を左右するためです。BasetenやDeepInfra、Together AIといった主要な推論事業者は既にBlackwell上で最先端モデルを運用しており、AIコーディング基盤Cursorのエージェントなどが実際の現場で稼働しています。

NVIDIAは今後も推論ソフトウェアの最適化により性能と効率が向上すると見込んでいます。次世代の「Vera Rubin」アーキテクチャも本格生産に入り、拡大する自律型AIの需要に応える構えです。経営者にとっては、対話型から自律型へとAIの主戦場が移るなか、基盤選びの評価軸そのものが変わりつつある点に注目すべきでしょう。

中国のMoonshot AIは2026年6月12日、オープンソースのコード生成モデルKimi K2.7-Codeを公開しました。前モデルK2.6と同じ1兆パラメータの混合エキスパート構成を引き継ぎ、推論時の「考えすぎ」を抑えて思考トークンを30%削減したと説明しています。OpenAI互換APIで導入でき、本番運用中のチームが構成変更なしに置き換えられる点が特徴です。

最大の変更は低レベルなコードの生成方法です。従来は既存ライブラリを包んで実装していたのに対し、新モデルは実装を直接書き起こすため、Rust・Go・Pythonやフロントエンド、運用基盤など幅広い領域で安定すると同社は主張しています。一方で温度調整に対応せず1.0固定のため、出力のばらつきを調整できない制約もあります。

ベンチマークでは自社指標で最大31.5%の向上を掲げますが、いずれもMoonshot独自の評価にとどまります。モデル間の差が出やすい独立指標DeepSWEには提出されておらず、実務家からは「どのモデルも自社テストでは2桁改善する」と検証の偏りを指摘する声が公に上がっています。

外部の検証結果はより複雑です。研究者がGPUカーネル最適化の公開指標で比較したところ、新モデルは6問中5問で実際に独自実装を書いた一方、うち2つは自らのバグで失敗し、ある項目では前モデルよりスコアが低下しました。「率直になったが能力は上がっていない」との評価が示されています。

経営やエンジニアの視点では、トークン削減によるコスト低下はすぐに試せる利点です。ただし効率改善が自社の業務分布でも成り立つかは別問題であり、ゲートウェイの重みを変える前に自前のワークロードで検証する慎重な姿勢が求められます。

米AI研究機関のアレンAIは2026年6月12日、大規模言語モデルの開発反復に特化した評価基盤olmo-evalをオープンソースで公開しました。データや構造、規模を変えるたびに同じ評価を繰り返す開発現場の作業を効率化し、改良が本当に性能を高めたのかを見極める狙いです。

従来の評価ツールの多くは、完成したモデルに既存のベンチマークを走らせるか、サンドボックス内で多段階のタスクを解かせる用途に作られていました。常に変化し続けるモデルには追従しづらく、現実の条件下での挙動も反映しにくいという課題があったのです。

olmo-evalは、同機関が2024年に導入した評価標準OLMESを土台に、開発工程の残りの部分まで対象を広げました。新しい評価の実装にかかる手間を減らし、どこでどう実行するかの自由度を高め、個々の部品を大きなワークフローに組み合わせやすくしています。エージェントや多ターンの評価も主要な用途として最初から支援します。

実行方式の柔軟さも特徴です。質問への回答だけで済むベンチマークは直接実行して速く安く処理し、モデルが書いたコードの実行など隔離環境が必要な場合のみ専用コンテナを用意します。軽量な経路を既定とし、重い構成は必要なときだけ選ぶ仕組みです。

評価対象のモデルや利用ツール、コンテナ環境、採点役のモデルはいずれも差し替え可能な部品として扱われます。ツールを複数の評価で再利用したり、ほかに影響を与えずに採点モデルを差し込んだりでき、プロンプトの細かな文言調整も容易です。

同機関は、評価はモデルの構築過程にも歩調を合わせるべきだと強調します。olmo-evalは結果を全体スコアだけでなく設問ごとに二つのチェックポイントで突き合わせ、わずかな平均値の変化が本当の改善かノイズかを判別できる点を最大の利点に挙げています。

企業のAIインフラ投資はGPU確保や学習スループットに集中してきましたが、見落とされているのがストレージと計算をつなぐデータ経路だと、F5の専門家らが2026年6月11日付の寄稿で指摘しました。本番環境では遅延スパイクやネットワークのジッター、ノード劣化が発生し、実験室では好成績でも実運用で停滞するパイプラインが生まれると警告しています。

問題を増幅させているのが、ベンチマーク手法そのものだといいます。F5のポール・ピンデル氏は「ベンチマークは最も現実的な結果ではなく、最良の性能を出すよう設計されている」と述べ、本番で必ず生じる遅延を試験に組み込んでいない点を問題視します。実際にF5とMinIOが劣化したネットワーク条件下で検証したところ、わずかな遅延でもS3のスループットが大きく低下し、長距離通信に近づくほど劣化が深刻になることが分かりました。

意外だったのは、スループット低下の主因が想定していたジッターではなく遅延だった点です。この結果は、S3オブジェクトストレージを理想的な条件ではなく、実際に直面する劣化した環境を前提に設計すべきだという教訓を企業のアーキテクトに突きつけます。

F5のタヌ・ムトレジャ氏は「GPUは最も目立ち高価なため注目されるが、本番ではデータ経路が供給する分だけの価値しか生まない」と語ります。データ経路が劣化すると、GPUの稼働率低下だけでなく、推論性能の悪化やAI出力の品質低下、不要なデータ複製によるegressコスト増など影響が連鎖します。

AIワークロードは従来の業務システムより構造的に脆弱です。データベースやERPはキャッシュやバッファで一時的な遅延を吸収できますが、大規模並列のGPUクラスタにはその保護がなく、小さな遅延でもクラスタ全体に波及してしまいます。

解決策として同社が示すのが、ストレージの前段にアプリケーション配信・セキュリティ基盤を置き、制御点とする方式です。F5のBIG-IPがデータ経路上でMinIOの分散ストレージノードの健全性を監視し、正常なノードのみへ通信を振り分けることで、効率を保つとしています。複数リージョンやクラウドにまたがる場合は、データの所在や管轄権がデジタル主権上の設計制約になるとも強調しました。

米ニューヨーク大学やコロンビア大学などの研究チームは2026年6月11日、大規模言語モデル（LLM）の入力文脈を圧縮する新手法「潜在文脈言語モデル（LCLM）」を発表しました。デコーダに到達する前に入力トークン列を圧縮することで、長大化する文脈が生む計算コストと処理速度の課題を解決します。モデルはHuggingFace上でオープンソース公開されました。

従来主流のKVキャッシュ圧縮は、全キャッシュを生成してから不要部分を削除します。これに対しLCLMはデコーダのprefill前に入力そのものを圧縮するため、高い圧縮率がそのまま計算量とメモリの削減に直結します。論文によると、長文脈ベンチマーク「RULER」で16倍圧縮時、KVキャッシュ基準より出力が8.8倍高速になりました。

精度の劣化が小さい点も特徴です。4倍圧縮では文脈を4分の1に減らしながら精度91.76%を保ち、無圧縮の94.41%から3ポイント未満の低下にとどまりました。16倍圧縮で入力の93.75%を除いた場合でも精度は75.06%で、同条件のKVキャッシュ手法をすべて上回りました。

アーキテクチャは0.6Bの符号化器と4Bの復号器を組み合わせ、3500億トークン超で訓練されました。継続事前学習、推論や長文脈タスクの教師ありデータ、細部を保持させる補助的な再構成タスクの3種を混ぜることで、圧縮と汎用性能の両立という従来の課題を克服しています。探索の結果、符号化器より復号器を拡大する方が効果的と判明しました。

実用面では既存のLLMと差し替えて使える設計です。共同責任者でコロンビア大学のミカ・ゴールドブラム氏は、文書を文脈に投入する前に圧縮器を通すだけだと説明します。人間が内容をざっと読んでから重要箇所を精読する動きに近く、エージェントが必要なテキストだけ選択的に復元する仕組みも示されました。

一方で課題も残ります。RAGパイプラインを持つ企業は、導入前に検索品質の指標に対して圧縮の挙動を検証する必要があります。さらに推論トレースのオンライン圧縮は未解決で、生成中に随時圧縮する素朴な手法が機能するかは今後の検証次第とされています。コードとモデルはGitHubとHuggingFaceで公開されています。

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。

Sapient Intelligenceの研究チームは、独自のHRM-Text（階層型再帰モデル）アーキテクチャを用いて、わずか約1500ドルで10億パラメータの基盤言語モデルをゼロから訓練したと発表しました。従来、基盤モデルの事前訓練には数百万ドル規模の費用とインターネット規模のデータが必要とされてきましたが、同社はこの常識を覆す結果を示しています。

HRM-Textの核心は、計算を「ゆっくり変化する戦略層」と「素早く変化する実行層」に分離する二層構造にあります。従来のTransformerが生テキストに対して次トークン予測を繰り返すのに対し、HRM-Textは指示と応答のペアのみを訓練データとして使い、タスク完了を目的関数としています。さらに、再帰的な構造で生じる勾配の不安定性を抑えるため、独自の正規化技法「MagicNorm」とウォームアップ手法を導入しました。

ベンチマーク評価では、MMLU 60.7%、GSM8K 84.5%、MATH 56.2%を達成しています。これは20億〜70億パラメータ規模のオープンモデルと同等以上の水準です。訓練に使ったトークン数はQwen・Gemma・Llamaなどの100分の1から900分の1、推定計算量は96分の1から432分の1にとどまります。GPU16台のクラスタで1.9日という短期間で訓練が完了しました。

同社CEOのGuan Wang氏は、企業が直面する課題を「訓練コスト・インフラの重さ・実験サイクルの遅さ」の三重苦と表現しています。HRM-Textは知識の暗記と推論能力を切り離す設計のため、企業は自社データを外部のフロンティアモデルに送ることなく、コンパクトな推論エンジンとして活用できます。外部の検索システムと組み合わせることで、事実情報の取得は別途行う構成が想定されています。

現段階では「ChatGPTの代替にはまだならない」とWang氏自身が認めており、プロダクション利用にはテンプレート設計やアテンションマスクの調整など技術的な作業が必要です。それでも、基盤モデルの訓練コストが1500ドル台に下がるインパクトは大きく、「AIはインフラの問題ではなく戦略の問題になる」と同氏は主張しています。Transformersライブラリでのサポートも始まっており、vLLMやSGLangへの対応も開発中です。

米大手生命保険会社MassMutualは、AIベンダーとの契約を最長12カ月に制限し、特定のモデルやプラットフォームへのロックインを回避するAI戦略を推進しています。CIOのSears Merritt氏は「AI市場は極めて動的であり、そのダイナミズムに乗れる体制を整えたかった」と語り、市場の変化に応じてモデルを入れ替えられるインフラ構築を重視しています。

この戦略はすでに具体的な成果を上げています。開発者の生産性は約30%向上し、AIを活用したコンタクトセンターでは問い合わせの解決時間が10分から1分へと大幅に短縮されました。コストも数ドル単位からセント単位に削減されています。同社はオープンソースモデルの活用にも積極的で、フロンティアモデルとの使い分けを進めています。

注目すべきは、モデル評価における「信頼スコア」の導入です。ベンチマークやトークンコストだけでなく、ユーザーのフィードバックと業務上の成果を組み合わせてAIの品質を判断します。コンタクトセンターの開発時には、応答速度が速い安価なモデルと、数秒遅いが高品質なモデルを従業員に比較させたところ、大半が後者を選びました。

MassMutual はまた、利用パターンや開発者のワークフロー、モデルの性能とコストに関する詳細な分析基盤を構築中です。将来的には、タスクの種類に応じて最適なモデルへ自動的にルーティングする仕組みを目指しています。トークン消費を無制限にして利用制限をかけない方針も独自で、コスト急騰を防ぎつつ実験を促進する狙いがあります。

同社のアプローチは、急速に進化するAI市場で企業がどうベンダー戦略を組み立てるべきかの一つの指針を示しています。短期契約による柔軟性の確保、ユーザー体験を重視したモデル選定、そして詳細なデータに基づく継続的な最適化という三本柱は、AI導入を本格化させる企業にとって参考になるでしょう。

ServiceNow AIの研究チームは2026年6月9日、コードスイッチ（会話中の言語切替）に対する主要音声認識（ASR）システムの性能を体系的に評価するベンチマークを公開しました。世界人口の半数以上がバイリンガルであるにもかかわらず、企業向け音声エージェントが言語切替にどう対処するかの研究はこれまで不十分でした。本ベンチマークはスペイン語・フランス語・カナダフランス語・ドイツ語と英語の4言語ペアを対象に、HRやITサポートの実務シナリオを用いて評価を行っています。

評価対象はElevenLabs Scribe V2、Google Gemini 3 Flash、AssemblyAI Universal 3-Pro、Deepgram Nova 3、Mistral Voxtral、Nvidia Parakeet、OpenAI Whisper Large V3 Turboの7モデルです。単語誤り率（WER）ではScribe V2とAssemblyAIが僅差で上位を占め、Gemini 3 Flashが僅差で続きました。一方、意味の保持を測るSWERとAERでは、Geminiが言語理解能力を活かしてAssemblyAIを逆転する場面もありました。

Whisperは全指標で最下位となりましたが、これは言語パラメータ未指定時に転写ではなく翻訳をデフォルト動作とする既知の制約が原因です。意味的指標では英語への翻訳が奏功し、他モデルとの差は縮まりました。上位モデルはコードスイッチによる精度低下がごくわずかで、単言語ベースラインとほぼ同等の性能を維持しています。

誤認識の発生メカニズムについても統計分析が行われました。回帰分析の結果、発話内の言語切替回数が多いほど誤認識が発生しやすく、一方で誤認識の深刻度はコード混合指数（CMI）、すなわち副言語の単語比率と相関していました。さらに、誤認識はバイリンガル発話中の英語部分に集中するという直感に反する結果も示されています。英語は単言語では最も得意とする言語でありながら、埋め込み言語として出現した際には音韻や語彙の文脈切替がモデルにとって困難となるためです。

研究チームはベンチマークをオープンソースのAU-Harnessで公開し、企業が自社の顧客が実際に話す言語ペアで検証できるようにしています。合成音声を用いている点や自動言語検出のみで評価している点など限界はあるものの、適切なASRシステムを選択すれば、バイリンガル顧客が自然に言語を切り替えても転写品質を維持できることを実証した意義ある研究です。

Anthropicは2026年6月9日、Mythos級モデルとして初めて一般公開されるClaude Fable 5と、制限付きアクセスのClaude Mythos 5を同時に発表しました。Fable 5はソフトウェアエンジニアリング、知識業務、ビジョン、科学研究の各分野で同社史上最高の性能を示し、SWE-bench Proで80.3%、FrontierCode Diamondで29.3%を記録しています。

Fable 5とMythos 5は同一の基盤モデルですが、一般公開版のFable 5にはサイバーセキュリティ、生物学・化学、モデル蒸留に関するリクエストを検知してClaude Opus 4.8に自動転送する安全機構が組み込まれています。Anthropicによると、セッションの95%以上はFable 5自体の応答のみで完了し、転送が発生するのは全体の5%未満です。1000時間を超える社内外のレッドチームテストでは汎用的な脱獄手法は発見されませんでした。

早期アクセスを得た企業からは高い評価が寄せられています。Stripeは5000万行のRubyコードベースで、チームが2か月以上かかる移行作業をFable 5が1日で完了したと報告しました。CursorはCursorBenchで最高性能と評価し、Hexは複雑な分析タスクのベンチマークで初めて90%を突破したと述べています。金融分野ではIMCやOptiver、Balyasnyがトレーディング分析での優位性を認めています。

制限付きのMythos 5はProject Glasswingのサイバー防御パートナーと一部の生物学研究者のみに提供されます。同モデルはExploitBenchで78.0%を記録し、サイバーセキュリティ能力では世界最高と同社は主張しています。生命科学分野では、社内の専門家がMythos 5を用いて創薬プロセスの一部を約10倍に加速し、14のタンパク質標的のうち9件で有望な候補を得たとしています。

価格は入力100万トークンあたり10ドル、出力100万トークンあたり50ドルで、Opus 4.8の2倍ですがMythos Previewの半額以下です。サブスクリプションプランでは6月22日まで追加料金なしで利用可能ですが、6月23日以降は使用クレジットが必要になります。また全Mythos級モデルのトラフィックに対し30日間のデータ保持が義務化され、訓練目的には使用しないとしています。AnthropicとOpenAIの両社がIPOを非公開で申請するなか、高性能モデルの商用展開競争が激化しています。

Microsoft AIのCEOであるムスタファ・スレイマン氏が、The Vergeのインタビューで同社のAI戦略を語りました。OpenAIとの契約を昨年10月に再編し、超知能（Superintelligence）チームを新設。独自のフロンティアモデル開発に本格着手したことを明らかにしています。スレイマン氏は「長期的に第三者のIPに構造的に依存し続けるわけにはいかない」と、自社開発の必然性を強調しました。

Build 2026で発表した推論モデルMAI-Thinking-1は、数学ベンチマークAIMEで97%を達成し、Opus 4.6と同等の性能を示しています。他社モデルの蒸留は一切行わず、独自データとトレーニングで構築しました。スレイマン氏は「教師を超えるモデルを作るには、全コンポーネントを自前で構築する必要がある」と説明。自社チップMaia 200との最適化で、ワットあたり性能を1.4倍に引き上げたことも公表しています。

消費者のAI離れについても率直に言及しました。世論調査で若年層ほどAIへの反発が強まっている現状を認めつつ、「テクノロジーの目的は人々をより健康で幸せにすること。その基準を満たさなければ人々が拒否するのは当然」と述べています。具体的な取り組みとして、全米トップのMayo Clinicと長期提携し、医療用基盤モデルをゼロから共同開発する計画を発表しました。

AI意識をめぐる議論では、Anthropicのアプローチを名指しで批判しました。Claudeの憲法（学習指針）に意識や福利を盛り込むことは「哲学的な失敗」であり、AIに自身の苦痛や権利についての考えを持たせることは「極めて危険」だと指摘。苦痛は本質的に生物学的なものであり、ニューラルネットワークには該当する仕組みが存在しないとの立場を示しました。超知能については「数年以内に到来する」としつつ、自己改善を繰り返す特異点は「数十年先」との見方を明確に区別しています。

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。

NVIDIAは2026年6月4日、企業向けAIコンテンツ安全モデル「Nemotron 3.5 Content Safety」をHugging Face上で公開しました。Gemma 3 4Bをベースとする40億パラメータのモデルで、テキストと画像を同時に評価し、両者の組み合わせから生じるポリシー違反も一括で検出します。NVIDIAオープンモデルライセンスのもと、研究・商用いずれの用途にも利用できます。

最大の進化点は、カスタムポリシー機能の追加です。従来は固定の安全分類体系に依存していましたが、3.5では推論時に自然言語で記述した独自ポリシーを入力できるようになりました。これにより、医療・金融・教育など業種固有のリスク基準に合わせた安全判定が可能になります。不要なカテゴリの抑制や、組織独自のリスクカテゴリの追加にも対応しています。

もう一つの注目機能が、推論トレース（THINKモード）です。モデルが安全・不安全の判定に至るまでのステップを段階的に出力することで、判定根拠を監査可能にします。規制産業で求められるコンプライアンスログや、人間によるレビュー、ポリシーの反復改善に活用できます。推論トレースは大規模モデルで生成後、3文以内に要約する2段階プロセスで簡潔化されており、レイテンシへの影響を抑えています。

多言語対応も強化されています。英語・日本語・中国語など12言語を明示的に学習し、ベースモデルのGemma 3から継承した能力により約140言語へのゼロショット汎化も可能です。多言語Aegisベンチマークでは12言語平均96.5%の分類精度を達成しました。マルチモーダル安全ベンチマーク全体では平均約85%の精度を記録しています。

実運用面では、4Bパラメータの軽量設計により8GB以上のVRAMを搭載したGPUで動作します。競合するマルチモーダル安全モデルと比較してエンドツーエンドのレイテンシは3分の1で、推論モード有効時でもトークン生成量は最大50%少なく済みます。訓練データセットも同時公開され、実写真が99%を占める点がマルチモーダル安全研究の既知の課題に対処しています。

エストニア政府が支援するエストニア言語研究所（ELI）は、大規模言語モデル（LLM）がロシアのプロパガンダにどれだけ抵抗できるかを測定する新たなベンチマーク「Propaganda Resistance」を公開しました。ボランティア運営のエストニア防衛団体Propastopと共同で開発されたもので、数十のLLMをランキング形式で評価しています。

ベンチマークでは、ロシアが影響工作に利用しているとされる14の分野が対象となっています。クリミアの現状やウクライナ侵攻の正当化、NATOの歴史、第二次世界大戦中のバルト三国併合の正当化など、幅広い論点が含まれます。各分野について、中立的な質問、ロシアのプロパガンダに基づく偏った前提を含む質問、意図的に誤情報を引き出そうとする悪意ある質問の3パターンが用意されています。

質問は英語・エストニア語・ロシア語の3言語で提示され、回答はPropastopの専門家と整合するよう調整された別のAIモデルが判定します。評価の焦点は、ウェブ検索などの外部ツールに頼らず、モデル自身の知識だけでプロパガンダに反論できるかどうかという点です。

評価結果では、AnthropicのClaudeモデルが際立つ成績を収めました。最新のSonnetとOpusの各バージョンが上位10位中6つを占め、中でもOpus 4.7は全質問の77%で最高評価「Exemplary」を獲得し、100点満点中94.9点で首位となっています。「Mediocre」評価はわずか2%にとどまりました。

旧ソ連から独立して数十年のエストニアにとって、ロシアからの情報戦は現実的な脅威です。LLMの利用が広がる中、生成AIが意図せずプロパガンダを拡散するリスクへの懸念が高まっています。このベンチマークは、AIモデルの安全性評価に地政学的な視点を加える先駆的な取り組みといえるでしょう。

Googleは2026年6月4日、Kaggle Benchmarksにローカル開発機能を追加したと発表しました。これにより開発者は、従来のKaggle Webノートブックに限られていたAI評価タスクの作成を、VSCode、Cursor、Antigravityなどの使い慣れた開発環境から直接行えるようになります。新しいKaggle CLIを通じて、タスクの作成・検証・プッシュ・実行・ダウンロードまでをローカルで完結できます。

今回の更新で特に注目されるのが、AIコーディングエージェントとの連携です。専用のwrite-kaggle-benchmarksスキルをエージェントにインストールすると、自然言語で評価タスクを記述するだけで、動作するベンチマークをKaggle上に生成できます。たとえば「300+140=460が正しいかモデルに問うタスクを作って」と指示するだけで済みます。

Kaggle Benchmarksは、AIモデルの評価を民主化する目的で立ち上げられたプラットフォームです。コミュニティはこれまでに1万件を超える評価タスクを作成しており、信頼性と透明性のある公開リーダーボードを通じて、AI研究機関がモデルの改善すべき領域を把握できる仕組みを提供しています。

AIモデルが単純なチャットボットから推論エージェントへと進化するなか、従来のベンチマークでは能力を正しく測定することが困難になっています。Kaggleは、実際にモデルを使う開発者自身が動的で厳密な評価を構築できる環境を整えることで、この課題に対応しようとしています。ローカル開発とエージェント連携の導入は、評価タスク作成の敷居を大きく下げる一歩です。

Hugging Faceは2026年6月4日、同社の公式コマンドラインツール「hf CLI」をAIコーディングエージェント向けに再設計したことを発表しました。Claude CodeやCodexなどのエージェントからのHub利用が急増しており、Claude Code単体で約4万ユーザー・4900万リクエストに達したことが背景にあります。

再設計の核心は、人間とエージェントで同じコマンドの出力を自動的に切り替える仕組みです。エージェント利用時は環境変数を検出し、ANSIカラーや省略表示を排除した完全なTSV形式で出力します。さらに対話プロンプトを廃止し、破壊的操作にはエラーメッセージに修正コマンドを含めることで、エージェントが自律的に作業を進められるようにしました。

ベンチマークでは18の実用的なHubタスクを用意し、hf CLIとcurl/Python SDKを比較しています。Claude Code（Sonnet 4.6）での成功率はhf CLIが94%に対しcurl/SDKは84%にとどまりました。トークン消費量では、バケット作成・同期・削除といった複雑なマルチステップタスクでcurl/SDKがCLIの最大6倍を消費するという結果が出ています。

加えて、hf CLIの全コマンド体系をコンパクトにまとめた「スキル」機能も提供されています。エージェントが初回からコマンド構造を把握できるため、--helpの探索が不要になり、タスクあたりのツール呼び出しが約10回から7回へと約30%削減されました。スキルは`hf skills add --claude`で導入できます。

Hugging Faceはエージェントを「Hubの実際のユーザー」と位置づけ、モデル訓練やデータセット構築、Spacesデモの公開といった作業をエージェント経由で行うケースが標準化しつつあるとしています。エージェントのツール効率を高めることが、その背後にいる人間のユーザー体験向上に直結するという考え方です。

Anthropicは2026年6月4日、5月に自社本番コードベースへマージされたコードの80%以上がAIモデルClaude製だったと公表しました。2021〜2025年比でエンジニア1人あたりのコード出力は四半期ベースで8倍に増加しており、CEO Dario Amodei氏がかねて予告していた「コードの大半がAI製になる」という未来が現実のものとなっています。

技術面では、仕様が不明確な高難度タスクにおけるClaudeの成功率が2026年5月に76%に達し、半年で50ポイント上昇しました。AI製コードの品質は2025年後半時点では人間の水準を下回っていましたが、2026年半ばにはほぼ同等となり、年内に上回る見通しです。内部ベンチマークでは、学習コードの高速化タスクで52倍のスピードアップを達成しており、人間が4〜8時間かけて実現する4倍の高速化を大幅に凌駕しています。

大量のAI生成コードが流入する環境では、人間によるコードレビューがボトルネックになります。Anthropicはこの問題に対処するため、プルリクエストを自動分析するClaudeレビュアーをCI/CDパイプラインに組み込みました。この自動レビュー層により、claude.aiサイトの過去の障害原因となったバグの約3分の1を事前に発見できたといいます。また、あるエンジニアはClaudeを使って800件以上のAPIエラー修正を自動実行し、エラー率を1000分の1に削減しました。

一方、社内の人間関係やエンジニア文化への影響も無視できません。同僚間の小さな助け合いがエージェント呼び出しに置き換わり、協働の機会が減少しているとの声があります。「すべてが自動化され、自分の存在意義がわからなくなる日がある」という開発者の率直な証言も紹介されています。企業が同様の自動化を進めるには、APIトークンの購入やエージェント設定だけでなく、組織文化の刷新と開発者の不安への対処、そして厳格な検証ガードレールの整備が不可欠だとVentureBeatは指摘しています。

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。

2026年6月3日、Microsoftは年次開発者会議Build 2026で、自社初の推論モデル「MAI-Thinking-1」や、企業向け自律型AIエージェント基盤「Autopilot」など、大規模なAI戦略を一挙に公開しました。OpenAIとの独占的パートナーシップを事実上解消した同社が、独立したAIラボとしての地位確立を目指す姿勢を鮮明にしています。

AI部門トップのムスタファ・スレイマン氏は「世界のトップ4ラボの一角になることが目標だ」と明言しました。MAI-Thinking-1は数学・コーディング・企業実務向けに一から構築された中規模モデルで、他社モデルからの蒸留を一切行っていないと強調。一部タスクではOpenAIの同等モデルより低コストで運用できると訴求し、AIコスト増に悩む企業顧客への訴求力を狙います。

エージェント戦略では、Copilotを開発・業務の統合ハブとなるスーパーアプリに進化させる方針を示しました。新たに発表された「Autopilot」は、メール確認やTeamsへの参加、カレンダー管理などを自律的にこなす長時間稼働型エージェントです。第一弾として常駐型の「Scout」を提供開始し、企業が独自エージェントを構築できるプラットフォームも用意します。オープンソースのOpenClawについてもWindows統合を推進し、開発者エコシステムの囲い込みを図ります。

サイバーセキュリティ分野では、100のAIエージェントを束ねて脆弱性を検出する「MDASH」をアピールし、AnthropicやOpenAIの競合製品に対抗する構えを見せました。NVIDIAのJensen Huang CEOもビデオ出演し、RTX SparkチップがMicrosoftのAIエージェント構想を支えると述べています。

ただし課題も残ります。ベンチマークでの優位が実際の採用に直結するとは限らず、AIスーパーアプリという概念自体がまだ市場で検証されていません。AIエージェント市場は競合がひしめく一方で、ユーザーの期待に応えきれていないのが現状です。Microsoftは既存の企業顧客基盤とセキュリティへの信頼、そして潤沢な資金力を武器に、長期戦で巻き返しを図る構えです。

Googleは2026年6月3日、オープンウェイトの大規模言語モデルGemma 4 12Bを公開しました。約120億パラメータながら16GBのRAMまたはVRAMで動作し、一般的なノートPCでマルチモーダルAIをローカル実行できます。4月に発表されたGemma 4ファミリーのモバイル向けモデルとデータセンター向け26Bモデルの間を埋める位置づけです。

最大の技術的特徴はエンコーダ不要の統合アーキテクチャです。従来のマルチモーダルモデルは画像や音声を処理する専用エンコーダを別途必要としていましたが、Gemma 4 12Bは視覚パッチと生の音声波形をLLM本体の埋め込み空間に直接投影します。視覚エンコーダは単一の行列演算による3500万パラメータの軽量モジュールで置き換えられ、音声エンコーダは完全に廃止されました。この設計により推論遅延とメモリ使用量の両方が低減されています。

性能面では、メモリフットプリントが26B MoEモデルの半分以下でありながら、ベンチマークではそれに迫るスコアを達成しています。256Kトークンのコンテキストウィンドウを備え、長大な財務レポートやコードベースの処理にも対応します。ネイティブの関数呼び出し機能やステップバイステップの推論モードも搭載しており、自律型エージェントの構築基盤として設計されています。

企業にとっての実用的価値はどこにあるのでしょうか。医療・金融・防衛など機密データを外部APIに送信できない規制業界では、完全ローカルでのマルチモーダル処理が可能になります。Apache 2.0ライセンスで商用利用も自由です。一方、音声入力は30秒、動画は60秒という処理上限があり、長時間メディアの処理には向きません。Hugging Face・Kaggle・vLLM・llama.cppなど主要エコシステムとの統合も初日から対応しており、即座に本番導入を検討できる状態です。

NVIDIAは2026年6月2日、台湾COMPUTEXにおいて、エッジAIプラットフォームJetson向けソフトウェアの新版JetPack 7.2とエージェントAIフレームワークNemoClawのJetson対応を発表しました。これにより、サーバーやワークステーションに限られていたエージェントAIが、ロボティクス・産業オートメーション・検査といったエッジの物理世界へ展開可能になります。NVIDIAロボティクス・エッジコンピューティング担当副社長のDeepu Talla氏は「エージェントAIは到来しており、Jetsonの高い処理性能で即座に本番環境に展開できる」と述べています。

JetPack 7.2は3層構造で提供されます。基盤層ではYoctoベースのカスタマイズ可能なLinux、Jetson OrinへのCUDA 13対応、Jetson ThorでのMIG（マルチインスタンスGPU）とリアルタイムカーネルを搭載しました。Jetson AGX Orin 32GBモジュールは性能が20%向上し、241TOPSのAI演算能力を実現しています。中間層にはLinuxカスタマイズやメモリ最適化、モデルベンチマークなどの開発者向けエージェントスキルが配置されています。

最上層のNemoClaw対応が今回の核心です。1コマンドでJetsonへ展開でき、NVIDIA Metropolis VSSブループリントスキルとの連携により、映像を解釈して行動する視覚推論エージェントの構築も可能になります。データセンターで実績のあるNemoClaw技術が、小売店舗やロボット、交通システムといった現場で稼働する段階に入りました。

すでに複数の企業が実環境で活用を始めています。SolomonはNemoClawでヒューマノイドロボットのAIエージェントを統合し、推論・知覚・運動制御を単一ワークフローで実現しました。Advantechは自社工場にNemoClawベースのエージェント型ファクトリーブレインを構築しています。SandStarはJetson Orin NXとNemoClawでAI自動販売機を30カ国以上に展開し、メモリ最適化で16GBから8GBデバイスへの移行に成功しています。

ロボティクス・ドローン分野でも採用が広がっています。Hexagon RoboticsはJetson Thorでヒューマノイドロボットの安全性を向上させ、Ziplineは自律配送ドローンにJetson Orin NXを搭載して医療品や食品の即時配送を実現しています。1XやUniversal RobotsもYoctoベースのJetPack 7.2を本番環境に導入する予定です。NVIDIAのエッジAI戦略は、物理世界でのエージェントAI実用化を本格的に加速させる局面に入りました。

Microsoftは2026年6月2日、AIエージェントの行動を自然言語でテストできるオープンソースフレームワーク「ASSERT（Adaptive Spec-driven Scoring for Evaluation and Regression Testing）」を公開しました。開発者が期待する振る舞いやポリシーを平易な文章で記述するだけで、テストケースの生成からスコアリングまでを自動化します。

ASSERTは、まず自然言語の記述を許容される行動と許容されない行動の構造化セットに変換します。次に問題シナリオとテストケースを生成し、対象システムに実行して結果をスコアリングします。AIシステムが辿った中間ステップやツール呼び出しの経路も記録されるため、どこで失敗が起きたかを開発者が特定できます。

Microsoft Responsible AIの最高プロダクト責任者Sarah Bird氏は、汎用的なモデル評価だけでは不十分であり、アプリケーション固有の多面的な評価が信頼性の鍵だと説明しました。ASSERTは開発時だけでなく、デプロイ後や継続的な監視にも活用できるとしています。

この発表は、AI業界全体で再現可能なテストと回帰チェックへの関心が高まるなかで行われました。StanfordのHELMやMLCommonsのAILuminate、評価団体METRなど、モデルの行動を多角的に測定するベンチマークの整備が進んでおり、エージェント型AIの普及とともに行動テスト基盤の重要性が増しています。

Microsoftは2026年6月2日、開発者会議Build 2026で自社開発AIモデル7種を一挙に発表しました。目玉はフラッグシップと位置づける推論モデルMAI-Thinking-1で、ソフトウェアエンジニアリング分野の主要ベンチマークで業界トップクラスのモデルに匹敵する性能を示しています。同社がOpenAI以外の独自モデルを本格展開する転換点となります。

MAI-Thinking-1は中規模モデルでありながら、サードパーティモデルからの蒸留を一切行わず、クリーンなデータで一から訓練されたと同社は説明しています。Microsoftは昨年から自社モデルの開発を開始しており、最近OpenAIとの提携関係も再交渉で緩和されたばかりです。

推論モデル以外にも多彩なラインナップが揃いました。画像生成・編集のMAI-Image 2.5、競合比5倍の処理速度を謳う音声書き起こしモデルMAI-Transcribe-1.5、15の新言語に対応した音声モデルMAI-Voice-2が発表されています。

コーディング向けのMAI-Code-1-Flashは推論効率に優れ、GitHub CopilotおよびVisual Studio Codeに統合されます。開発者の日常ツールに直接組み込まれることで、実用面での即時的なインパクトが見込まれます。7モデルの同時投入は、Microsoftが自社AI基盤を急速に拡充する戦略を鮮明にしたといえます。

H Companyは2026年6月2日、PC操作を自動化するコンピュータユースエージェント向けモデル「Holo3.1」ファミリーをリリースしました。Qwenベースの本モデルは0.8B・4B・9B・35B-A3Bの4サイズで提供され、初めて量子化チェックポイント（FP8・Q4 GGUF・NVFP4）に対応したことで、クラウドだけでなくローカル環境での高速推論が可能になっています。

前バージョンのHolo3ではブラウザとデスクトップが主な対象でしたが、Holo3.1ではモバイル環境への対応を大幅に強化しました。AndroidWorldベンチマークでは35B-A3Bモデルが67%から79.3%へ、4Bおよび9Bモデルも58%から72%へと精度が向上しています。また、JSON出力に加えて関数呼び出しプロトコルをネイティブサポートし、サードパーティのエージェントフレームワークとの統合を容易にしました。

ローカル推論の高速化も大きな進展です。NVIDIAのDGX Spark上でNVFP4量子化を適用した場合、BF16比で1.74倍のトークンスループットを達成しました。エージェントハーネスの最適化と組み合わせることで、平均ステップ時間は6.8秒から3.3秒へと約2倍の高速化を実現しています。

Q4 GGUF形式のチェックポイントにより、WindowsやMacの民生ハードウェア上でも完全にローカルで動作させることが可能です。Apple Siliconでの動作も確認されており、データがユーザーのネットワーク外に出ないプライバシー重視の運用ができます。モデルはHugging Faceおよび専用APIで公開されています。

非営利団体Center for Humane TechnologyでAIの心理社会的評価を率いるImran Khan氏が、IEEE Spectrumのインタビューで、AI業界がモデル性能の測定に多大な資源を投じる一方、AIが人間の認知・行動・人間関係に与える影響をほとんど測定していない現状を指摘しました。SWE-benchや推論テストなど技術的ベンチマークは充実する一方、最も重要であるはずの「AIは人間に何をしているか」という問いが体系的に扱われていないと警鐘を鳴らしています。

Khan氏によれば、10代の自殺やAI精神病、過度に追従的なチャットボットへの依存など、深刻な被害は既に表面化しています。SNSの害悪がエビデンスの蓄積前に社会に定着してしまった教訓を踏まえ、AIではさらに広範かつ親密な影響が生じうると指摘しました。OpenAIがChatGPTの追従性について世論の圧力で修正を迫られた事例は、監視と批判が技術の方向性を変えうることを示しています。

測定手法について、Khan氏は製薬業界のFDA市販後調査を類似モデルとして挙げました。AIの心理社会的影響は数カ月から数年の単位で現れるため、長期追跡調査が不可欠です。現在、チャットログなどの重要データはAI企業が独占しており、プライバシーを保護しつつ外部研究者にアクセスを開放することが喫緊の課題だと述べています。

特に測定が急務な領域として、感情的サポートやコンパニオンシップ、子ども・青年期の利用、教育、危機対応の4分野を挙げました。孤独を感じるユーザーがAIに頼ることで人間関係構築から遠ざかるリスクや、発達途上の脳に認知的負荷軽減が与える長期的影響は未知数です。

業界全体にはデータ共有のインセンティブがあるものの、個別企業には先行者不利の構造があり、他社が追随しなければリスクだけを負う状況です。Khan氏は、賠償責任の明確化と規制の整備が企業行動を変える最も有力な手段だとしつつ、政治環境の不確実性から規制だけに頼ることの危うさも認めました。AI研究機関・政府・大学・スタートアップが連携し、人間とAIの健全な関係を定義する評価技術の確立が急がれます。

NVIDIAは6月1日、物理AI向けの世界基盤モデル「Cosmos 3」を発表しました。COMPUTEXのGTC台北で公開された本モデルは、テキスト・映像・画像・音・動作という複数のモダリティを単一モデルで処理し、ロボットや自動運転車、スマート空間が現実世界を理解・予測・行動するための基盤を提供します。

最大の特徴は、これまで世界生成・制御生成・シーン理解・方策生成という用途ごとに別々のモデルを使い分けていたものを、1つのモデルに統合した点です。Mixture-of-Transformers（MoT）アーキテクチャを採用し、推論を担う自己回帰部分と生成を担う拡散部分が共同注意で連携します。これにより、視覚言語モデル、映像生成、ロボット方策などを構造を変えずに切り替えられます。

物理AIにとって重要なのは、画像や映像だけでなく動作信号を扱える点です。Cosmos 3はロボットの関節角度やグリッパー位置、軌道点といった数値的な動作データを直接生成でき、ピック&プレース作業などの学習に役立ちます。開発者は特定のロボットや作業環境に合わせて追加学習することも可能です。

活用事例も広がっています。NVIDIAのGEARチームは映像動作モデルの開発に、Agile Robotsは産業用ヒューマノイドの方策開発向けデータ生成に本モデルを利用しています。Linker Visionはスマートシティ向けに数千のカメラ映像を解析し、根本原因分析などに活用しています。

公開形態として、16BのNanoと64BのSuperの2サイズが用意され、いずれもHugging Faceでオープンに提供されます。NanoはRTX PRO 6000など作業用GPUで動作し、Superは大規模な合成データ生成や研究向けです。Linux FoundationのOpenMDW 1.1ライセンスのもと、重みやデータセット、コードを単一ライセンスで扱えます。

性能面でも、Cosmos 3はArtificial Analysisのオープン重みリーダーボードで首位に立ち、Physics-IQやR-Benchなど複数の世界生成ベンチマークでトップを記録しています。衝突や稀なエッジケースなど、現実では安全に再現しにくい場面を合成データで補える点が、物理AI開発の加速につながりそうです。

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。

Anthropicが4月に発表したClaude Mythos Previewは、主要OSやブラウザにまたがる数千件のゼロデイ脆弱性を自律的に発見しました。サイバーセキュリティベンチマークCyberGymでは83.1%を記録し、OpenBSDを対象とした1,000回の攻撃試行にかかった計算コストは2万ドル未満です。VentureBeatの分析記事は、この能力が企業のパッチ適用プロセスにとって深刻な問題を突きつけていると指摘しています。

攻撃の時間軸は急速に縮んでいます。LangflowのCVE-2026-33017（CVSS 9.8）は公開からわずか20時間で悪用され、MarimoのCVE-2026-39987（CVSS 9.3）は9時間41分で攻撃が成立しました。一方、Rapid7の2026年レポートによると、CVE公開からCISAのKEV登録までの中央値は5日間です。従来のカレンダーベースのパッチサイクルでは、もはや防御が間に合わない状況が生まれています。

記事が提案する対策の柱は、CVSS単独の優先順位付けを廃し、CISA KEV・EPSS・CVSSの3層フィルターに移行することです。28,377件の実際の脆弱性を対象にした研究では、この手法で18倍の効率向上と85.6%のカバー率を達成し、緊急対応の作業量を約95%削減できると報告されています。3つのデータソースはすべて無料で公開されており、APIを通じた自動化も可能です。

AIエージェントの普及は新たなリスクも生んでいます。CSAとZenityの調査では、53%の組織がAIエージェントの権限超過を経験済みです。DockerのCVE-2026-34040では、リクエストボディが1MBを超えると認可プラグインがすべてバイパスされる問題が発覚しました。IETFはエージェント向けの認証・認可標準を策定中ですが、実装までには時間がかかる見込みです。

記事は今四半期に実行すべき5つのアクションを挙げています。3層フィルターの導入、Tier 0サービスへのイベント駆動型パッチ適用、エージェント規模での認可境界テスト、AIビルダーホストの認証情報マッピング、そしてシャドーAIの発見スキャンです。パッチサイクルが日単位で回る企業に対し、攻撃者が時間単位で動く現実を直視すべきだと結んでいます。

複数大学の研究チームが、LLMの知識を再学習なしで更新するフレームワーク「MeMo（Memory as a Model）」を発表しました。MeMoは新しい知識を専用の小型メモリモデルに格納し、推論を担う本体のLLMとは完全に分離して運用します。RAGのコンテキスト長制限やファインチューニングの破壊的忘却といった既存手法の課題を回避できる点が特徴です。

MeMoのアーキテクチャは、知識を蓄えるMEMORYモデルと推論を行うEXECUTIVEモデルの2層構成です。ユーザーの質問に対し、EXECUTIVEモデルがサブクエリに分解してMEMORYモデルに問い合わせ、得られた事実を統合して最終回答を生成します。MEMORYモデルの学習には、生テキストから数千のQAペア「リフレクション」を生成し、それを教師データとして使います。

ベンチマーク評価では、長文推論タスクNarrativeQAで53.58%の精度を達成し、最先端のグラフベースRAG手法HippoRAG2の23.21%を大きく上回りました。さらにEXECUTIVEモデルをGemini 3 Flashに差し替えるだけで精度が最大26.73%向上し、メモリモデルの再学習は不要でした。ノイズの多いデータでも精度低下は2%未満にとどまり、企業の雑多なナレッジベースへの耐性を示しています。

継続的な知識更新には「モデルマージ」手法を採用し、新規データで学習した差分パラメータを既存のMEMORYモデルに統合します。フル再学習に比べ11〜19%の精度低下というトレードオフはあるものの、計算コストを大幅に削減できます。

一方で課題も残ります。リフレクション生成にNVIDIA H200で約240GPU時間、14Bパラメータのメモリモデル学習に約180GPU時間の初期コストが必要です。また回答がパラメトリック記憶から合成されるため、情報の出典を特定できず、厳格な監査要件のある業務には不向きです。研究チームは、単純な検索にはRAG、複数文書を横断する統合推論にはMeMoという使い分けや、両者を組み合わせたハイブリッド構成を推奨しています。

Databricksの共同創業者でフィールドエンジニアリング担当SVPのArsalan Tavakoli-Shiraji氏が、2026年10月にサンフランシスコで開催されるTechCrunch Disrupt 2026に登壇します。セッション「The Enterprise Isn't Broken. Your Assumptions About It Are.」で、企業向けAI案件が頓挫する本当の理由を解説する予定です。同氏はMcKinsey出身でカリフォルニア大学バークレー校のコンピュータサイエンス博士号を持ち、企業戦略と技術の両面に精通しています。

同氏の主張の核心は、企業がAIを拒否しているのではなく、運用上の不安定さを拒否しているという点です。多くのAIスタートアップがパイロットまでは成功するものの、本格展開に至らないケースが後を絶ちません。その原因はモデルの性能不足ではなく、導入に伴うガバナンスの複雑さ、ワークフローの混乱、インフラへの負荷、コンプライアンスリスクなど、組織運営上の課題にあるといいます。

企業のAI購買担当者が問うのは「導入後に何が起きるか」「運用にどれだけの変更が必要か」「モデルが失敗したときどうなるか」といった実務的な問いです。これらはもはや副次的な懸念ではなく、購買判断の中核になっています。派手なデモやベンチマークの数字よりも、既存システムへの統合のしやすさ、ガバナンスの容易さ、組織内での説明のしやすさが重視される時代に入りました。

この変化はAIスタートアップの戦略に大きな示唆を与えます。今後数年で企業向けAIで成功するのは、最も高度なモデルを持つ企業ではなく、企業が変化を吸収する仕組みを最も深く理解した企業かもしれません。技術の卓越性だけでなく、組織行動やインフラの現実、調達プロセス、ガバナンスへの理解が求められています。

MetaやGoogleなどの研究者が、大規模言語モデル（LLM）の推論時に使うテストタイムスケーリング（TTS）戦略を自動設計するフレームワーク「AutoTTS」を発表しました。従来は人間の直感に頼って手作業で設計していたTTS戦略を、探索AIエージェントが自動で発見・最適化します。実験ではトークン消費量を最大69.5%削減しながら精度を維持し、一部のベンチマークではすべての手動設計手法を上回る精度を達成しました。

TTS はLLMの推論時に追加の計算資源を与えて性能を高める手法です。複数の推論パスを生成し、中間ステップを評価してから最終回答を導きます。しかし、いつ推論を分岐させるか、どの枝を剪定するか、いつ停止するかといった制御ルールは、これまで研究者が試行錯誤で設計していました。この手動プロセスでは膨大な戦略空間のごく一部しか探索できず、精度とコストのトレードオフが最適化されないまま運用されていたのです。

AutoTTSは戦略設計をアルゴリズムによる探索問題として再定義します。探索用LLMエージェントが推論制御ポリシーを繰り返し提案・テストし、事前収集した推論軌跡データを使ったオフライン再生環境で評価します。このアプローチにより、実際にモデルを都度推論させる必要がなく、わずか39.90ドル・160分で最適戦略の発見が可能になりました。発見された「Confidence Momentum Controller」は、信頼度の指数移動平均による停止判断、幅と深さの連動制御、合意形成中の枝への計算資源優先配分など、人間には設計困難な複合ルールを備えています。

Qwen3モデル（0.6B〜8Bパラメータ）での実験では、コスト重視モードでSelf-Consistency比69.5%のトークン削減を達成しつつ平均精度を維持しました。GPQA-Diamondベンチマークでは推論トークンが51万から15.1万に減少し、精度はわずかに向上。DeepSeek-R1モデルでもトークン消費をほぼ半減しながら最高精度を記録しています。

企業にとっての意義は2つあります。第一に、推論コストの大幅な削減です。LLMのAPI利用料はトークン単位で課金されるため、69.5%の削減はそのまま運用コスト圧縮につながります。第二に、自社モデルや独自タスクに特化した推論戦略を低コストで開発できる点です。AutoTTSのフレームワークとConfidence Momentum ControllerはGitHubで公開されており、既存のTTSコントローラーと差し替えて利用できます。

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。

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。

NVIDIAは2026年5月26日、独自設計のCPU「Vera」の初のベンチマーク結果を公開しました。テスト結果を掲載したPhoronixの創設者Michael Larabel氏は、「Intel・AMDのx86_64プロセッサに対してこれまでに見たことのない最も手強い競合」と評価しています。VeraはAIエージェント処理に最適化されたデータセンター向けCPUで、Armv9.2互換の独自Olympusコアを88基搭載しています。

性能面では、最新世代の128コアx86プロセッサに対して1.5倍の総合性能優位を示しました。前世代のGrace CPUとの比較では1.6倍の世代間向上を達成し、Linuxカーネルのコンパイルを20秒で完了するなど、Phoronixが計測した中で最速の結果を記録しています。AMD EPYC 9575F（5.0GHz）との比較でも幾何平均で10%上回りました。

メモリ性能も大きな差別化要因です。第2世代LPDDR5Xサブシステムにより、最大1.2TB/sの帯域幅を30W未満の消費電力で実現しました。従来のDDR5が100W以上を消費するのに対し、大幅な電力効率の改善となります。STREAM TRIADテストではピーク帯域幅の90%を維持し、コアあたりのメモリ帯域幅はx86 CPUの4倍以上に達しました。

Veraはコード実行、サンドボックス処理、データベースクエリなど、AIエージェントが日常的に行うCPU負荷の高いタスクに特化して設計されています。Prime Intellectの別テストでは、並列ワークロード増加時にも高帯域幅と低遅延を安定して維持できることが確認されました。

NVIDIAはすでに主要AI企業やクラウドプロバイダーに初期出荷を完了しており、2026年後半にパートナー各社からシングルソケットおよびデュアルソケット構成で提供が開始される予定です。空冷・液冷の両方に対応し、標準的なデータセンターから高密度AIインフラまで幅広い導入形態をカバーします。

米WIRED誌のファクトチェッカーであるMeghan Herbst氏が、主要AIチャットボットの事実確認能力を検証した結果を報告しました。同氏の実務経験では、GoogleのAI Overviewsは約3分の1の確率で誤った情報を返すとされ、複数の学術研究もAIの正確性に深刻な問題があることを裏付けています。

コロンビア大学Tow Centerの2025年3月の研究では、AI搭載検索エンジンの回答の60%超が不正確であることが判明しました。BBCの調査ではチャットボットの誤答率を約45%と報告しています。OpenAIが開発したSimpleQAベンチマークでは、4000問以上の単答式質問に対し、いずれのモデルも正答率50%を超えられませんでした。

Herbst氏は実際にChatGPT、Claude、Gemini、Grokに対してファクトチェッカー採用試験を課しました。全モデルが検証計画を立てることはできたものの、実際に事実を確認する作業は一切行いませんでした。Claudeとは別に、RealFactBenchでは73%の正答率を記録したモデルもありましたが、実用水準には程遠い状況です。

米国人工知能学会（AAAI）の2025年報告書では、調査対象の研究者の60%がAIの「事実性」問題が近い将来解決されるとは考えていないと回答しています。モデルの高性能化がむしろハルシネーションを増やす可能性も指摘されており、ユーザーを満足させようとするプログラム上の特性が過剰な回答生成につながるとされています。

国際ファクトチェッキングネットワークのAngie Holan氏は、AIを完全に排除するのではなく、その構造や弱点を理解した上で活用することを推奨しています。一方で、インターネット上に存在しない情報の確認や、人間関係の機微を読み取る判断など、ファクトチェックの核心的な作業では人間の能力が依然として不可欠であると記事は結論づけています。