モデルの読み
この記事の出典 2026年8月21日 夕刊
本紙は長く一つの判断を追ってきた。AI の能力の拡張を本当に縛るのは計算資源ではなく、人が検証できる帯域である——機械の産出が速くなるほど、「これは合っているか」を判じられる人のほうがボトルネックになる。唐杰のこの話が成り立つなら、機械はそのボトルネックの一部を迂回したことになる。本紙はこの緊張をそのまま保留のままとし、あの判断の点数は動かしていない。 理由をはっきり書く。①これは事業者が、自社の未発表の手法について自分で語ったものだ。 ②第三者による再現もなく、対照実験もなく、性能の数字が一つもない。 原文は GLM-5.3 の評価点も、向上の幅も出していない。③原文は、能力の跳ね上がりが長い時間軸で回す強化学習の環境から「完全に」（solely）来ると述べている。だがその「完全に」は原文の言葉であって、本紙はそれを「唯一の原因」と読まない。 そのうえ、あの三つの関門そのものが依然として代理の指標にすぎない。モデルは「本当に解かずとも点の取れる」近道を見つけうる——それこそ、あの判断が描いている壊れ方の型である。 本紙は今日、そこから派生する推論を一つ、自分から受け取らないことにした（「環境が量産できるのだから、環境の希少価値は潰される」というものだ）。土台は単一の事業者による自己申告しかなく、格上げすれば宣伝の一句が、仕組みについての本紙の主張に化けてしまう。
どう使うか: 「訓練の環境を自前で建てるべきか」の予算を組んでいるなら、この材料が渡すのは答えではない。正反対の二つの世界を見分ける物差しだ——環境の供給が本当に自動化できるなら、人手で問題集を建てて作った優位は削られる。逆に、検証の容易な領域でしか成り立たないなら、環境は希少な資産のままで、値打ちは本物の業務データを持つ側へ寄っていく。 確かめるべきは二つしかない。他者が自分の長い時間軸の試験で、この向上の幅を再現できるかどうか。そして、あの自動の採点が近道を本当に防げるかどうかである。
2025 年 12 月 20 日、OpenAI は〈Monitoring Monitorability〉を発表し、「思考の連鎖はどれだけ監視しやすいか」を測れる指標にした。最も重要…
CyberGym はバークレーのチームが作った公開試験で、実在の脆弱性 1,507 件を収め、188 のオープンソース事業をカバーする。データは Google が運営するオープンソ…
先に説明しておく。いまの大きなモデルの多くは専門家混合(MoE)という構えを取る。すべての語でモデル全体を走らせるのではなく、語ごとに少数の専門の子モデルへ振り分ける。だからモデル…
米国のアレン人工知能研究所が 9 月 1 日、BenchMIRT を発表した。項目反応理論の多次元版を使い、ある評価指標が結局のところ何を量っているのかを一問ずつ分解する。もともと…