2026年4月、CIAがAIで「人の関与なし」に情報報告書を作成した、という報道が出た。Semaforは4月17日、CIAがその種の報告書を初めて作成したと報じ、同時に副長官マイケル・エリスが「今後2年でAIの“同僚”をすべての分析基盤に組み込む」と述べたと伝えた。これに先立つ4月9日、Defense Oneもエリス発言として、CIAでは2025年に300超のAI案件が走り、史上初めてAIで情報報告書を生成したと報じている。重要なのは、AI利用... もっと見る
2026年4月4日のBusiness Insider記事が描いたのは、vibe codingが「誰でもアプリを作れる時代」を現実のものにしつつある一方で、その先にある差はむしろ広がる、という逆説だった。記事では、サンフランシスコのプロダクトマネージャーがClaudeで絵はがきアプリの試作を4時間で作り、2025年末に公開して1枚2ドルで運用している例や、ギフト推薦アプリを短期間で立ち上げたが推薦品質や拡張性の問題から後でエンジニア支援が必要になった例が紹介される。要するに、最初の一歩は劇的... もっと見る
Anthropicは2026年4月17日、「Claude Design」をAnthropic Labs発の研究プレビューとして公開した。Claudeとの対話だけで、デザイン、インタラクティブなプロトタイプ、スライド、ワンページ資料などを作れる新しい制作環境で、Claude Pro / Max / Team / Enterprise向けに順次提供される。基盤モデルにはClaude Opus 4.7が使われ、Anthropicはこのモ... もっと見る
2026年4月17日、ホワイトハウスのスージー・ワイルズ首席補佐官はAnthropicのダリオ・アモデイCEOと会談し、高度なサイバー能力を持つ新モデル「Mythos」をめぐって協議した。会談後、ホワイトハウス側は「生産的かつ建設的」だったと説明し、Anthropic側も、サイバーセキュリティ、米国のAI主導権、AI安全性について政府と連携する可能性を話し合ったと述べている。Axiosによれば財務長官スコット・ベッセントも同席しており、これは単なる企業面談ではなく、国家... もっと見る
2026年4月16日、OpenAIは「Codex for (almost) everything」を公開し、Codexの役割を大きく広げた。今回の更新でCodexは、Mac上のアプリを見て操作する computer use、アプリ内ブラウザ、90超の追加プラグイン、メモリのプレビュー、将来の時点に自動で再開するオートメーションなどを取り込み、単なるコード生成支援ではなく、日々の作業を横断して実行するエージェントに近づい... もっと見る
2026年4月16日、OpenAIは生命科学研究向けの推論モデル「GPT‑Rosalind」を研究プレビューとして公開した。対象はまず米国の適格なEnterprise顧客で、ChatGPT、Codex、APIから利用できる。同時に、Codex向けの「Life Sciences research plugin」もGitHubで公開され、50超の科学ツールや公開データソースを横断できるようになった。モデル名は、DNA構造解明に重要な貢献をしたロザリンド・フランクリンに由来する。 ([openai.c... もっと見る
LLMジャッジは、生成AIの評価を安く速く回すための便利な道具として広まりました。転機になったのは、MT-BenchとChatbot Arenaの系譜で、強いLLMを審判役に置くと人手評価にかなり近い結果が得られる、と示されたことです。その後、この枠組みはベンチマーク、RLHF、RAG評価、社内QAまで一気に浸透しました。ですが、広く使われるようになったからこそ、いま問われているのは「LLMジャッジは便利か」ではなく、「測定器と... もっと見る
2026年4月15日にarXivへ投稿されたプレプリント「LongCoT: Benchmarking Long-Horizon Chain-of-Thought Reasoning」は、いまの推論モデルがどこでつまずくのかを、かなり鋭く切り分けた研究だ。論文の狙いは単純な難問集を作ることではない。化学・数学・計算機科学・チェス・論理の5分野にまたがる2,500問を用い、長い思考連鎖を最後まで計画し、維持し、修正しながら進める能力だけをできるだけ... もっと見る
Anthropicは2026年4月16日、Claude Opus 4.7を一般提供しました。位置づけは「Opus 4.6の小幅改良」よりも、長時間のコーディング作業やエージェント的な反復実行を、より実務寄りに磨き込んだ更新と見るのが自然です。Anthropicは、難しいソフトウェア工学タスクでの改善、より高解像度な画像理解、そして価格据え置きのままClaude製品群、API、Amazon Bedrock、Google Cloud Vertex AI、Microsoft Foundryへ展開すると説明... もっと見る
大規模言語モデルの性能は、計算資源だけでなく、何をどのような形で読ませるかに強く左右される。近年は「高品質な自然由来ウェブデータ」が限られてきたことから、合成データを事前学習に使う流れが加速しているが、どの設計が本当に効くのかは意外なほど整理されていなかった。2026年4月15日に公開された Hugging Face 系の論文 *How Can We Synthesize High-Quality Pretraining Dat... もっと見る
2026年4月14日、OpenAIはサイバー防衛向け施策の拡張として、Trusted Access for Cyber（TAC）を「認証済みの個人ディフェンダー数千人」と「重要ソフトウェアを守る数百のチーム」へ広げると発表した。あわせて、GPT-5.4を防御用途向けにより使いやすく調整した限定モデル「GPT-5.4-Cyber」を、TACの最上位層に提供し始める。今回の要点は、新モデルの投入そのもの以上に、「高いサイバー能力を持つAIを、誰に・どの条件で・ど... もっと見る
米政府機関は本当にAnthropic禁止を迂回しているのか――Mythos評価報道の意味
4月14日、ReutersはPolitico報道として、米政府機関や政府関係者がトランプ政権のAnthropic排除方針を横目に、同社の未公開モデル「Claude Mythos Preview」の能力を静かに見極め始めていると伝えた。記事によれば、商務省系のCenter for AI Standards and Innovation（CAISI）がMythosの“ハッキング能力”を試験し、少なくとも3つの議会委員会スタッフが同社から説明を受けるか、説... もっと見る
二値報酬しかないのに、どうやって「どのトークンをどう直すべきか」という密な学習信号を作るのか。2026年4月13日にarXivへ投稿された Self-Distillation Zero: Self-Revision Turns Binary Rewards into Dense Supervision は、この問いにかなり端的な答えを与えています。著者らの主張はシンプルで、外部教師や高品質デモを用意できなくても、モデル自身に「生成者」と「改訂者」の二役を担わせれば、正誤だけの二値報酬... もっと見る
4月14日、MetaはBroadcomとの提携拡大を発表し、次世代のMTIA（Meta Training and Inference Accelerator）を複数世代にわたって共同開発すると明らかにした。Broadcomはチップ設計だけでなく、先端パッケージングやEthernetネットワークまでを担い、Metaは1GW超の初期導入コミットメントから出発して、その後は複数GW規模へ広げる方針を示している。Broadcom側の発表では、この協業は**202... もっと見る
2026年4月14日、OpenAIはサイバー防御向けに調整した GPT-5.4-Cyber と、本人確認を前提に高度な機能へ段階的にアクセスさせる Trusted Access for Cyber（TAC） の拡大を発表した。今回のポイントは、単に「より強いモデルが出た」という話ではない。むしろ、高性能で両義的なサイバー能力を、誰に・どの条件で・どこまで渡すのかという配布設計そのものが、モデルの中身と同じく... もっと見る
2026年4月14日、Microsoftは新しい画像生成モデル「MAI-Image-2-Efficient」を発表した。位置づけは、既存の上位モデル「MAI-Image-2」の廉価版というより、同系統の“量産向け最適化版”に近い。画像出力料金はMAI-Image-2の100万トークンあたり33ドルから19.50ドルへ下がり、約41%安くなった一方、速度は約22%向上し、Microsoftは「4倍効率的」とも説明する。公開初日からMicrosoft FoundryとMAI Play... もっと見る
生物学研究におけるAI評価を、知識テストから「研究実務」へ引き戻す試み
2026年2月4日にarXivへ投稿され、翌2月5日にEdison Scientificが公式発表したLABBench2は、AIの生物学研究能力を測るベンチマークの新版である。公開情報によれば、LABBench2は1,892タスクを11の大分類にまたがって収録し、フロンティアモデルの性能自体は旧版から伸びているにもかかわらず、対応するサブタスクではなお26〜46%の難化が確認された。要するに、モデルは良くなっているが、研究の現場... もっと見る
投資銀行の実務は、まだAIの「得意問題」ではない
2026年4月13日にarXivへ公開された BankerToolBench は、AIが投資銀行の実務にどこまで近づいたかを測る、かなり野心的なベンチマークだ。焦点は単純な金融Q&Aではない。上司からの依頼を受け、データルームや市場データ基盤、SEC開示データベースを行き来しながら、Excelモデル、PowerPoint資料、PDF/Wordレポートといった複数成果物を揃えて納品する――つまり、ジュニア投資銀行員の日常業務そのものを試す... もっと見る
2026年4月13日、OpenAIはCloudflare Agent Cloudで自社のフロンティアモデルを利用できるようにし、代表例としてGPT-5.4を挙げたうえで、Codex harnessベースのエージェントもCloudflareへ展開可能にしたと発表した。OpenAIの説明では、Cloudflare Agent Cloudは企業が実業務をこなすAIエージェントを配備するための基盤であり... もっと見る
2026年4月10日にarXivへ投稿されたプレプリント「Many-Tier Instruction Hierarchy in LLM Agents」は、LLMエージェントが複数ソースから受け取る命令の優先順位づけを、従来よりはるかに細かく検証した研究だ。結論はかなり明快で、システムプロンプト、ユーザー要求、ツール出力などが絡む現実的な状況を12階層まで拡張すると、最先端モデルでも正答率はなお約40%にとどまる。ベンチマーク ManyIH-Bench は853タスクから... もっと見る