メインコンテンツまでスキップ

AI モデルとアシスタント

すべてのレベル

Claude は私たちの中核です — しかし同じスキルは他にも通用します。このセクションでは 視野を AI の世界全体へ広げます。主要なアシスタント、それらの違い、どれをいつ使うか、 そしてそれらすべてに転用できるテクニックです。

What you'll learn
  • 毎回分野を学び直すことなく、仕事に合ったモデルを選ぶ
  • テクニックを失わずにアシスタント間 — ChatGPT、Gemini、Grok、オープンモデル — を行き来する
  • 有能なモデルを自分のマシンで実行し、それがいつ割に合うかを知る
  • Claude をローカルモデルやエージェントフレームワークと組み合わせる

ここから始める​

このセクションで 1 ページだけ読むなら、このページを読んでください。以下はすべて そこからの枝分かれです。

  • モデルの選び方 — 特定のリリースより 長持ちする、耐久性のあるフレームワーク。

その後は、今やっていることに合うスレッドをたどってください。

現在のフラッグシップ​

両スタックの頂点にある 2026 年 9 月の 2 つのリリースを、並べて読みます。

別のアシスタントから来た人へ​

すでに 1 つのツールを知っていて、その習慣を引き継ぎたい人向け。

決める前に比較する​

モデルを自分で実行する​

ローカルモデルは、プライバシー、コスト管理、オフライン作業と引き換えに、 いくらかの能力を犠牲にします。これらのページは、その取引がいつ割に合うかを扱います。

Claude 以外のエージェント​

このセクションのすべて​

このインデックスが書かれた後に追加されたページを含む、完全なリスト。

Gemini 4 Argon: Claude ユーザーのためのフィールドガイド（2026年9月30日）

Google の Gemini 4 世代は Argon で幕を開け、見出しになった数字はひとつ——64K から引き上げられた 100万トークンの OUTPUT 上限です。コンテキストは 1M のまま。報道が取り違えている点: 独立系の Artificial Analysis インデックスは Argon を 53 と評価し、Claude Opus 5.5 の 58 より 5ポイント下です。そして 1タスクあたり 1.99 ドルという安さは効率ではなく料金表から来ています——1タスクで 62K の出力トークンを燃やし、GPT-6 Astra は 27K だからです。さらに: ハルシネーション率 15%（測定された中で最低）と、あなたがほぼ確実にまだ呼び出せない理由。

Claude Opus 5.5:フィールドガイド

Opus 5.5 は 2026 年 9 月 22 日に $4/$20 per MTok で出荷された — Opus 5 より 20% 安く、キャッシュ読み取りは $0.20（通常の 10% ではなく 5% のティア）。4 つの破壊的変更が素朴な移行を 400 エラーにし、もう 1 つは何も失敗させないまま応答の形を変え、タスクの途中で UI を沈黙させる。thinking はもはや一切無効化できず、強制 tool_choice は廃止、デフォルトの effort は high から medium に下がった — その一方で、各レベルは Opus 5 のときより多く思考するようになっている。

Claude Fable 5 と Mythos 5: フラッグシップフィールドガイド

Fable 5 は Anthropic 初の Mythos クラスのフラッグシップでしたが、現在はレガシーモデルで、Fable 5.1 に置き換えられています。API はインバンドで拒否し(HTTP 200, stop_reason: refusal)、adaptive thinking のみ、生の thinking は決して返しません。トップティアモデルを固定するなら、統合の書き方が変わります。Opus 4.8 との使い分け、フォールバックパターン、プロンプトの変化を解説。

Claude Sonnet 5.5:フィールドガイド

Sonnet 5.5 は 2026 年 9 月 28 日、Sonnet 5 とまったく同じ価格 — $2/$10 per MTok — で出荷された。それでも Anthropic は「タスクあたり最大 30% 安い」と主張する。節約はレートカードではなくトークン数にある。5 つの破壊的変更が Sonnet 5 のコードベースを 400 エラーにし、6 つ目は 200 を返しながら進捗 UI を沈黙させる。thinking はもはや無効化できず（ツール呼び出しの間に移動させることしかできない）、Terminal-Bench 4.0 では安いモデルが 70.6% で Opus 5.5 の 66.4% を上回る。

Claude Haiku 5.5: 10 万トークンの価格の崖

Haiku 5.5 は 2026 年 10 月 7 日に 100 万トークンあたり $0.10/$0.50 で登場し — 90% の値下げです — プロンプトの長さで価格が決まる唯一の現行 Claude モデルです。10 万トークンを 1 トークンでも超えると、リクエスト全体が 5 倍に再価格設定されます。しきい値は新しいトークナイザーで測られるため、テキストの量としては想定より約 23% 早く訪れ、見出しの 90% は、崖の手前では実質約 87%、崖を超えると約 35% になります。

GPT-6.1 Sol:Claude ユーザーのためのフィールドガイド

OpenAI は 2026 年 9 月 29 日の DevDay で GPT-6.1 Sol を出荷した。レートカードは Claude Sonnet 5.5 とまったく同じ $2/$10 で、キャッシュ入力価格は Sonnet の半分。launch のうたい文句は「5 分の 1 の価格で Astra に近い知能」。それが自分にとって本当かを決めるのは細部だ:1.05M のウィンドウ内にある 922K の入力上限、272K トークンでの厳しいコストの崖、2 つある API の片方でしか動かないツール呼び出し、そして Sonnet 5.5 が依然 8.7 ポイント勝っているベンチマーク行。

GPT-5.6 2026年8月アップデート:エフォート・スライダー、無料版のThinkボタン、そして272Kの価格クリフ

2026年8月6日、OpenAIはGPT-5.6のミッドサイクル・アップデートを出荷した。多くの記事は『Solが賢くなった』の一言で片付けたが、本当の話はもっと具体的だ。リクエストの単価を左右する6段階のエフォート制御、無料ユーザー向けのThinkボタン、コール全体を再課金する272Kトークンの価格クリフ、そしてSolでのみ動く新しいFastモード。それぞれがClaudeユーザーに何を意味するか。

Apple Foundation Models 3 と Claude ユーザーのためのオンデバイス LLM スタック

Apple の第3世代 Foundation Models(AFM 3)が WWDC 2026 で登場。3B のオンデバイス密モデル、iPhone で動作する 20B のスパース MoE、そして独自の LLM プロバイダ(Claude を含む)を持ち込める Swift ネイティブなフレームワークが揃った。実際に出荷されたもの、目立たない仕組み、そして Claude アプリを出荷する開発者にとってオンデバイスの物語がどう変わるかを解説する。

Claude ユーザーのための Gemini 3.7 Flash:半額のコーディングエージェント用ワークホース(2026 年 8 月)

2026 年 8 月 13 日、3.6 Flash の 3 週間後に、Google は導入価格半額で DeepSWE が 16 ポイント上昇した Gemini 3.7 Flash を出荷した。多くの記事が飛ばす落とし穴:期限付きの導入価格、エージェントループには効くがチャットには効かない 3 倍のスループット優位、そして Claude Sonnet 5 に依然として及ばない領域。

Claude ユーザーのための Gemini 3.8 Flash：DeepSWE で Opus 5 と並んだワークホース（2026年9月）

2026年9月2日、3.7 Flash から3週間後、Google は Gemini 3.8 Flash を同じ $0.75 / $3.75 の導入価格で出荷した：DeepSWE 73.7（+8.4）、Terminal-bench 2.1 89.4、HLE-Verified 54.9、さらに新設の Fairwind Program の審査下にある Cyber バリアント。見出しが省くこと：タスクあたり約30%多いトークンを出力して「より懸命に働く」こと、3.7 と同じモデル ID 移行ルールが引き続き適用されること、そして Terminal-bench 4.0 では Claude Opus 5 が33ポイント先行し続けていること。

Muse Code + Muse Spark 1.2: Meta のターミナル・コーディングエージェント

2026 年 8 月 5 日、Meta はターミナル・コーディングエージェントの Muse Code と、それと共に共同学習されたモデル Muse Spark 1.2 を出荷した。追記専用イベントログが実際に何をもたらすのか、なぜ contributor ティアが標準ティアより 12.5 倍安いのか、Terminal-Bench 2.1 で Claude Code とどう並ぶのか、そしてどのエージェントを使うにせよ盗む価値のある同梱スキル 3 つ。

ネイティブなマルチエージェントAPI:OpenAIのResponsesマルチエージェントベータ vs 自作

2026年7月9日、OpenAIはResponses APIのマルチエージェントベータとSol Ultra Modeを出荷した — フロンティアベンダーで初めて『モデルが1回のHTTPリクエスト内でN個のサブエージェントを生成・統合する』ことをファーストクラスのプリミティブにした。実際に何が出荷されたか、APIの形、コスト計算、Anthropicが代わりに提供するもの、そしてネイティブプリミティブがDIYのファンアウトに勝つ場面。

Qwen3.8-Max:初のオープンウェイトMaxクラスモデル(重みが公開されたら)

2026年8月3日、AlibabaのQwen3.8-MaxはAPI専用で公開された。2.4TパラメータのMoE(アクティブ95B)、1Mコンテキスト、OpenAI/Anthropic両仕様のAPI、OSWorldでGPT-5.6 Sol Maxを上回るベンチマーク。何が本当に新しいのか、Hugging Faceのページが空のときの『オープンウェイト』とは何を意味するのか、そしてセルフホスティングを高くつかせるスパース性の計算。

DeepSeek V4-Flash-Vision:初のネイティブビジョン・フロンティアオープンウェイト

2026年8月31日、DeepSeek は V4-Flash-Vision-Exp をオープンソース化しました。テキストエージェントのスコアを損なわずに V4-Flash にネイティブビジョンを追加した 305B MoE で、ApexBench / Agents' Last Exam / ZeroBench で Claude Opus 4.8 に匹敵または上回り、価格はごく一部、ライセンスは MIT です。具体的な数字、ほとんどのガイドが無視する画像あたり384トークンの厳格な上限、そして実際に動かす具体的な方法を解説します。

DeepSeek-V4.1-Flash: DeepSWE で Opus 5 と並ぶ 1M コンテキストのオープンウェイト (2026年9月)

2026年9月10日、DeepSeek は V4.1-Flash を出荷した — ネイティブビジョン、1M トークンウィンドウ、V4-Flash の 4 分の 1 のサイズの KV キャッシュ、1–100 の推論努力ダイヤルを備えた 552B の MIT ライセンス MoE。DeepSWE v1.1 で Claude Opus 5 と並び (74.2 対 74.0)、入力 100 万トークンあたり $0.30 で、Terminal-Bench では大きく後れを取る。数値、すべての deepseek-v4-pro 呼び出しを静かに移動させたルーティング変更、そして Claude がまだ勝つ領域。

Kimi K3をローカルで動かす:vLLM、DSpark、そして本当のハードウェア請求書

2026年、Moonshotの2.8Tオープンウェイト Kimi K3 をセルフホストするための決定版の実践ガイド。DSpark投機的デコードが実際に何をするか、最低限必要なハードウェア(1× DGX B300 または 16× DGX Spark)、正確なvLLMサーブコマンド、誰も警告しないプリフィル/デコードの非対称性、そしてホスト型推論が自分のラックより安くなるのはいつか。

MiMo-V2.6:Xiaomi の 1T オープンウェイト・オムニモーダルモデル

1.02T パラメータの MoE(アクティブ 42B)、1M コンテキスト、テキスト/画像/動画/音声入力 — Hugging Face 上で MIT ライセンス。どのバージョンで測ったかを確認したときベンチマーク表が実際に何を語るのか、なぜ Pro は 32 GPU を必要とし Flash は必要としないのか、そして 10 倍価格の UltraSpeed ティアが本当に売っているものは何か。

Grok Build の内側：オープンなエージェントハーネスを読む

xAI は自社のコーディングエージェントの Rust ソース全体を Apache 2.0 で公開した — エージェントループ、ツール層、TUI、拡張システム。クレート構成がエージェント構築について教えてくれること、ここでの「オープンソース」がなぜ source-available を意味するのか、そしてツリーに残るデータコレクターのコードが物語ること。

Poolside Laguna:クラスを超える性能を発揮するオープンウェイトのコーディングモデル

Poolside AI の Laguna ファミリー(XS 2.1、S 2.1、M.1)——アクティブパラメータ 3B〜23B、100 万トークンのコンテキスト、OpenMDW-1.1 ライセンスを持つ MoE コーディングモデル。8B アクティブの S 2.1 が実際に何を打ち破るのか、3B アクティブの XS 2.1 が MacBook で動く理由、初めてとされる FP8 での RL 学習パイプライン、そして Claude、GLM-5.2、Kimi K3 より Laguna を選ぶべきタイミング。

Open Code Review：AlibabaのハイブリッドAIレビュアー vs Claude Code、Codex、あらゆるモデル（2026年）

Alibabaのopen-code-review（ocr）は、GitHubでトレンド入りしているAIコードレビュアーです。決定論的なファイル選択、ルールマッチング、行アンカリングでLLMエージェントを囲むGo製CLIです。同じClaudeモデルで、自社ベンチマーク上ではClaude Codeのレビューに比べて精度4.7倍・トークン1/15 — ただし再現率は最良でも20%。仕組み、Claude・GPT・Qwen・ローカルモデルでの実行方法、委任モード、CI、そして落とし穴を解説します。

MiniMax H3 (Hailuo 3.0): オープンウェイトのオムニ動画モデル

MiniMax は 33B の単一ストリーム Transformer をオープンソース化し、ネイティブなステレオ音声付きの 4〜15 秒の 2K 動画を 1 パスで生成します。ライセンスは US/EU/UK/韓国での自前ホスティングを静かにブロックし、オープンなベースは 768p (2K ではない) で、33B パラメータのうち約 13B は推論時にスキップできる AdaLN 分岐です。H3 が実際に何なのか、コストはいくらか、そしてクローズドな動画 API を打ち負かすのはいつなのか。

ハード支出上限:実際に請求を止めてくれる AI プロバイダはどこか

ソフトキャップはメールを送るだけです。ハードキャップはリクエストをブロックします。このページでは、どの AI プロバイダがどちらを提供しているかを整理し、誰も文書化していない罠を取り上げます。同じ出来事(上限に達する)が、Anthropic のティア上限では retry-after なしの HTTP 429、自分で設定した上限では HTTP 400、OpenAI では 429、OpenRouter では 402 として返ります。加えて、なぜ上限は正確になりえないのか、Custom ティアでセーフティネットが失われる場所、そしてプリフライトのキルスイッチの作り方も扱います。

光学的コンテキスト圧縮:テキストを画像として送る

コンテキストを絵にレンダリングすれば、ビジョンエンコーダが圧縮ダイヤルになります。Anthropic・OpenAI・Google で実測したところ、コードの画像は同じコードのテキストより入力トークンが 76〜87% 少なくカウントされます — そして Gemini では逆に 6.95 倍高くつくこともあります。その仕組み、精度の崖、そして自分のドキュメントで試す方法。

AI解説動画:コード駆動パイプライン

Opus 5.5 の解説動画が Hacker News のトップページに到達しました — しかし実際に何が起きているのかを説明する人はほとんどいません:モデルが書いているのは動画ではなく、決定論的なアニメーションプログラムです。その仕組み、3つのレンダーエンジンとそのライセンス、エージェントが書いたアニメーションコードを壊す2つの罠、見られる動画と見られない動画を分けるペーシングの公式、そして請求書の実際の姿。

Gemini 3.8 Live と Live Extended Thinking:Google の新しい音声モデルのビルダー向けフィールドガイド(2026年9月)

2026年9月15日、Google は gemini-3.8-live と gemini-3.8-live-extended-thinking をリリースしました。ローンチ記事はベンチマーク中心です。このページはそれ以外を扱います:どちらのモデルを選ぶか、3.1 Flash Live からの移行の落とし穴(非同期ツールがデフォルトに、thinkingLevel はエラー、プロアクティブ音声はオフにできない)、15分と2分のセッションの壁、そして音声セッションのコストが時間より速く増える理由。

拡散 LLM:左から右に書かないモデルたち

Mercury 2 は 1,009 tok/s で、推論を伴う質問にまるごと 1.7 秒で答えます。Gemini Diffusion は 1,479 tok/s でサンプリングし、Gemini 2.5 Flash の 272.4 を大きく上回ります。同じトランスフォーマー、違うデコードアルゴリズムです。実務ガイド:オープンウェイトの先駆者の README 自身が「1 トークンあたり 1 ステップのときに品質が最大になる」と書いている理由、並列デコードを単に粗くするのではなく誤りにしてしまう条件付き独立性のバグ、KV キャッシュを取り戻した修正としてのブロック拡散、DiffusionGemma が自己回帰型の Gemma 4 を学習予算の 10% 未満で変換した方法、そしてアラインメント済みの dLLM に対して 100% を叩き出すマスク穴埋めジェイルブレイク。

AIエージェント向け共有ログインブラウザ:ego lite パターン

新しいクラスのブラウザ — その最高の代表である ego lite は 2026年7月24日に GitHub Trending で 1 位を獲得した — が、Claude Code、Codex、Cursor、その他あらゆるコーディングエージェントに、あなたの実際のログインを継承する隔離された Chromium セッションを駆動させる。Spaces とセマンティックスナップショットが実際に解決するもの、エージェント作業で Playwright を下回る理由、自律プロセスとセッションクッキーを共有するセキュリティコスト。

Cloudflare Kitesurf：AI エージェント（人間ではなく）のために作られた初のブラウザランタイム

2026 年 8 月 6 日、Cloudflare は Kitesurf をリリースしました。Workers 上の V8 isolate だけで動くステートレスなエージェントファーストのブラウザです。一般的なエージェントタスクで Chromium より CPU とメモリを 3〜7 倍少なく使い、その代償として実時間は約 1.7 倍かかります。Rust で書かれ、Firefox の CSS パーサー（Stylo）と Blitz レンダリングエンジンを使い、Chrome DevTools Protocol 経由で Puppeteer/Playwright とそのまま互換です。このページでは、何が変わったのか、ヘッドレス Chrome の代わりにいつ選ぶべきか、Claude Code / Codex / MCP クライアントにどう組み込むか、そして現時点でまったくできない 4 つのことを解説します。

ピクセルを使わないデスクトップエージェント

Vercel Labs は 2026年10月28日に agent-desktop を公開しました。Rust 製、Apache-2.0、macOS/Windows/Linux 対応のアクセシビリティツリー型 computer use です。見出しは「ピクセルではなく AX ツリー」。ですが盗む価値があるのは、その正しさのモデルです。スナップショットにスコープされた ref、推測を拒否する fail-closed な解決、3 状態のプロパティ、そして成功/失敗ではなく「配信済み/未配信」で組み立てたリトライ規則です。

Colibrì:744B MoE を SSD から動かす(そして本当のコストは何か)

Colibrì は純C・依存ゼロのエンジンで、密な層を RAM に置き、ルーティングされるエキスパートを NVMe からストリーミングすることで、GLM-5.2(744B)、Kimi K3(2.8T)、DeepSeek V4.1 Flash ほか6つのフロンティア MoE モデルを 16〜32 GB のマシンで動かします。このページでは、メモリ階層、あなたにとって使い物になるかを決める数字(0.05〜6.8 tok/s)、SSD 摩耗と投機的デコーディングの落とし穴、そして最初のトークンを得るための正確なコマンドを解説します。

OpenAI Agents API vs Claude Managed Agents: ホスト型エージェントループの比較

2026 年 9 月 10 日、OpenAI は Codex ハーネスを単一の API 呼び出しの背後に置いた: Agents API パブリックベータ — 永続セッション、ホスト型またはセルフホスト型のサンドボックス、自動コンパクション、ツール検索、サブエージェント。Anthropic は 4 月から同じ形を Managed Agents として運用している。両者は同じ 4 つのプリミティブを使うが、権限、シークレット、予算、ネットワークポリシー、サンドボックスのコストで異なる。並べて比較し、リクエストの形、6 つの落とし穴、どちらをいつ選ぶかを示す。

AX(Agent Executor):ビルダー向けに解説する Google のオープンなエージェントランタイム(2026年)

google/ax は2026年9月20〜21日に Hacker News のトップページに上がりました(507ポイント)。これはモデルでもハーネスでもホスト型 API でもありません:Agent Substrate の上でエージェントの Task をサンドボックス内で実行する kubectl 風のオーケストレーターで、Workspace(git + MCP + スキル)、Gateway(egress 許可リスト)、Model(プロバイダー + シークレット)を宣言的なリソースとして扱います。4つのプリミティブが何をするか、suspend/resume で何が残り何が失われるか、あなたのイメージが守るべきランナー契約、GKE の要件、そして6月時点のドキュメントが CLI と一致しなくなった理由を解説します。

System One 決定モデル:Jev、Kev、そしてオープンなクローン — ビルダー向け解説(2026年)

TypeSafe AI の Jev(2026年9月15日にステルスを脱却)は、テキストを一切書かないモデルです。プログラムの状態と型付きの質問を送ると、そのすべてに対する校正済みの確率を 1 回の並列パスで返します。70–500 ms、入力 100 万トークンあたり $0.042、出力は無料。9月21日に Hacker News のトップページに載った 2 つの記事(Qwen3.5 上の Apache-2.0 再現である Kev と、ジョークの jev-leftpad)が、これをこの週の話題にしました。System One モデルが実際に何をするのか、「ハルシネーションしない」という主張が本当に保証するもの、ベンダーの数字と唯一の独立テストの比較、Claude エージェントループの中で決定モデルが収まる場所、そして Kev や Nimble をローカルで動かす方法。

自分専用の決定モデルを訓練する:Jeff、Jeeves、そして DIY System One スタック(2026年9月)

Jev が決定モデルというカテゴリを作ってから 2 週間、オープンなスタックが追いつきました。Jeff は 0.8B の Qwen をワークステーション GPU 1 枚・約 2 時間で Jev 互換の分類器にファインチューンし、PostHog の Jeeves は決定モデルに先に考えさせると Jev のベンチマークで Jev 自身を上回ることを示しています。訓練レシピの実体(選択肢の文字に対する交差エントロピー、別途フィッティングする温度)、小さなモデルが API に勝つ場所と壊滅的に負ける場所、26 選択肢の天井、CPU での 20 倍のレイテンシの崖、そして 93.0% を出した退屈な埋め込みベースライン — これに勝てなければ、以上のすべてをやる価値はありません。

三値量子化の実践: Bonsai 2 27B を 5.95 GB に収める

PrismML は Qwen3.8-27B を重みあたり 1.75 ビット、5.95 GB まで圧縮しました。誰も書かなかった実践ガイド — 素の llama.cpp がファイルを読み込んだうえで静かにゴミを吐く理由、より大きな 7.21 GB のファイルが H100 では速く 4090 では遅い理由、5.95 GB の重みに 12 GB の VRAM が必要な理由、そして 98.2% という保持率の見出しがひそかに失っている能力。

Ember-1: Kimi K3 と同じ答えを、トークン40%減で（2026年9月）

Fireworks は Kimi K3 を追加学習して「考えすぎ」をやめさせ、その結果を Ember-1 として公開した — トークン単価は同じ、推論トークンは35〜50%削減、しかも公開された5つのベンチマークのうち2つで最大 effort の K3 を上回る。effort を下げることとは何が違うのか、「−51.9% / −23.1 USD」という列が実際に語っていること、そこから逆算できる1タスクあたりのコスト、静かに消えたモダリティ、そして派生モデルをクローズドなまま保てる Kimi K3 のライセンス条項。

OpenAI Dots:常時稼働エージェントと、その下にある権限のはしご

2026 年 9 月 29 日の DevDay で、OpenAI は dots を出荷した。それぞれが専用のクラウドコンピュータとブラウザを持ち、GPT-6 Astra 上で動き、あなたがログオフしている間も働き続ける永続エージェントだ。launch の報道はデモで止まっている。このページが扱うのはメカニズムだ:5 段の権限のはしご、なぜプロアクティブ調査がプロンプト層ではなくツール層で読み取り専用なのか、公表された安全性の数値が実際に何を測っているのか、そして dot が Claude Managed Agents や Cowork とどう比較されるのか。

ワールドモデル:今日、実際に作れるもの

AMD は World Labs に約 82 億ドルを支払おうとしており、同じ名前のもとでまったく異なる 2 つのものが売られている。Genie のようなフレーム生成器は世界をモデルの内側に保ち、セッションを 60 秒で打ち切る。Marble のような 3D 生成器は、あなたが所有し、無料でレンダリングでき、そして衝突判定のできない Gaussian splat を手渡してくる。API の形、エクスポートのティア、WorldScore の証拠、自分で動かせるオープンウェイト、そしてワールドモデルがやってくれない 5 つの仕事。

モデルはナーフされたのか — 実際に見分ける方法

「ナーフされた」は AI でいちばん繰り返され、いちばん測定されていない主張だ。Claude API では、モデル ID の背後にある重みは変わりえない — 現行の ID はすべて固定スナップショットだ。しかし、新しいモデルなしにあなたの足元で変わりうるものが他に 7 つある。公開されたシステムプロンプトの更新から、セッション途中でモデルを黙って差し替えるハーネスまで。何が動きうて何が動かないのか、最も引用される『GPT-4 が馬鹿になった』という結果がなぜ eval のバグだったのか、そして午後いっぱいで走らせられる測定プロトコルを示す。

Pi 1.0: ミニマルなハーネスと、MCP のトークン肥大を解消する codemode の技

Pi 1.0 は 2026年10月1日にリリースされ、Hacker News で1位になった。面白いのは TUI ではなく、コンテキストエンジニアリングのほうだ。ツール結果がモデルのコンテキストに一切入らない QuickJS/WASM サンドボックス、4つの MCP 露出モード、インライン化されるツール宣言の 3,000 トークン上限、そしてツール定義を書き換える代わりに新しいシステムプロンプトのセクションをトランスクリプトに追記してプロンプトキャッシュを生き残らせる技。さらに意図的な欠落（サブエージェントなし、プランモードなし）、0.05ドルのキャッシュウォーミング規則、そしてクローンしたリポジトリの AGENTS.md を確認なしで読み込んでしまう信頼のギャップについても。

DeepSeek Harness:エージェントループそのものがプラグインであるエージェント

DeepSeek Harness(dsh)はGitHubのスターが24万2千を超え、2026年10月1日にデスクトップ版インストーラーを公開しました。売り文句は「すべてがプラグイン」ですが、この手の主張の多くと違って、これは実際に設計を支える柱です。モデルアダプター、ツールレジストリ、セッションログ、エージェントループのすべてを、YAMLのパッチファイルで差し替えられます。このページでは、Claudeユーザーにとって重要な三つの事実(既存のClaude Codeのhooks.jsonを実行できること、anthropic-messagesプロトコルに対応していること、run_codeが標準でcodemodeであること)、三つのモードを持つサンドボックスとその裏にあるカーネルのプリミティブ、追記専用のセッションログという不変条件、そして他のプロバイダーを黙って消してしまう設定オーバーライドを取り上げます。

Strata：12 GB のカードで 94 tok/s を出す 125B MoE と、その正確な代償

Strata は Qwen3.8-Flash-Next（125B、アクティブ 6B）を 12 GB のゲーミング GPU で対話可能な速度で動かします。このページでは、それを可能にする 3 つのアーキテクチャ上の事実を説明し、ベンチマーク表を正直に読み解き、手放す品質の代価を見積もります。SWE-bench Verified では 91.3%、LiveCodeBench では 98.7% が維持されること、needle テストには通るのに perplexity が 8〜12% 悪化する KV キャッシュ設定、拒否方向を取り除く高速化モード、そして同一の重みで測定された視覚タスクの性能低下です。

AIベンチマークに騙されずに読む方法

ローンチ記事は必ずベンチマークの数字から始まります。しかし、その意味を決める3つのこと、つまりどのスキャフォールドで出したのか、何回の試行の平均なのか、モデルが答えを事前に見ていなかったかを明かすものはほとんどありません。SWE-bench、SWE-bench Verified、SWE-bench Pro、アリーナ型リーダーボードを読むための読者向けマニュアルで、ベンダー自身の脚注を証拠にしています。

DwarfStar(ds4)と「過適合」推論エンジンの台頭

ds4 は、Redis の作者が書いた GitHub スター 2.36 万の純 C 製エンジンで、DeepSeek V4 Flash、GLM 5.x、Qwen3.8-Flash-Next をローカルで動かします。そして、それ以外は一切動かしません。このページでは、汎用ランタイムでは得られない 3 つの仕組み(非対称なルーテッドエキスパート量子化、SSD からの上限付きエキスパートストリーミング、再起動後も残る KV スナップショット)を解説し、ds4 自身の数字を正直に読み解きます。126 t/s という見出しの数字は、16 セッションにまたがる 8 GPU の合計値であり、あなたの Mac の速度ではありません。そして、過適合という賭けの実コスト、つまり意図的に使い捨てとされたモデルサポート、761 件の未解決 issue、2026 年 9 月 20 日を最後に動いていない main ブランチも見積もります。

Mistral Large 4(Le Chonk):まだダウンロードできない1.05Tのオープンウェイト

欧州発の1兆パラメータMoE。アクティブ49Bでも4ビットで約525 GBが必要な理由、評価者の実測では約512Kだった1Mコンテキスト、タスク単価を覆い隠す50%のローンチ割引、Opus 5.5の58に対するIntelligence Index 38、そして審査済みパートナーに(モデレーションを弱めた)ビルドが先に渡される段階的なウェイト公開。

Whistle: 16.9 MB の音声認識 — そして誰もラベルを付けなかったベンチマークの棒

Cactus Compute の Whistle は、多言語 ASR モデルを 16.9 MB に収め、CPU で最初のトークンまで 11.1 ms を実現します。サイズの主張は本物です。このページでは、ベンダー自身のベンチマークのグラフを棒ごとに読み — ラベルを付けるのを避けた 3 つの競合の列も含め — 現場からのあらゆる不満を説明するパターンを見つけます。Whistle は近接マイクの単一話者の音声では勝ち、実際の会議の音声では 3 つのうち最悪で、自分の 8.6 倍の大きさのモデルに WER で 4.6 ポイント負けます。さらに、30 秒というアーキテクチャ上の壁、ローンチのスレッドが見落としたストリーミング API、そしてテスターを 170 問中 70 問から 164 問に引き上げた 1 つのつまみ。

DeepInfer: DeepSeek 自身の推論エンジンを正直に読む

2026 年 10 月 20 日、DeepSeek は自社の本番サービスを支えるエンジン DeepInfer をオープンソース化しました — 1 日で 16.3k スター、Hacker News で 2,251 ポイント。このページは見出しが見落とした 4 点を扱います。これはゼロから作ったエンジンではなく vLLM のフォークであること。「NVIDIA SM100」はあなたが持つすべての H100 とすべてのコンシューマー向け GPU を除外すること。デコードのスループットは、ドラフトトークンを採否にかかわらず数える全受理の集計で公開されていること。そして本当に重要な機能であるバッチ不変の推論が、自社の投機的デコーダーとは排他的であること。

潜在推論: 言葉なしで考えるエージェント

HybridAgent は、思考の大半をトークンではなく隠れ状態として行う初のオープンウェイトのエージェントです — 1 タスクあたり 170〜183 回の潜在ステップに対してテキストは約 300 トークン、トークン数は 35.5〜54.7% 減、コストは 2.7〜3.7 倍安い。仕組み(約 1,000 万パラメーターのアダプター)、llama.cpp で読み込むと無限ループになる理由、そして論文で最も議論を呼ぶ主張である「検査可能な潜在的思考」について。

サードパーティ製メモリレイヤー: claude-mem は実際にどう動くのか

claude-mem は GitHub で 103,000 スター。コーディングエージェントを使う誰もが抱える不満、つまりセッションが終わるとエージェントがすべてを忘れる問題に応えます。その内部は、バックグラウンドのデーモンで動く第二のモデルが、あなたのツール呼び出しをすべて読む仕組みで、ホスト型では自前のコストデータセットがそのオブザーバーを Claude ではなく DeepSeek のモデルに対応づけています。6 つのフック、セッションをブロックしうる終了コードの契約、トークン計算を成り立たせる 3 層のリコール、データの保存先、圧縮の費用を誰が負担するのか、そして導入前にあらゆるメモリレイヤーを評価するためのチェックリスト。

次へ​