前回からの変化
前回(2026-10-31、前日)との比較である。前回の中心はMistralのLarge 4の重み公開だった。今回は、公式発表というより、Hacker Newsなどで話題になった個人・研究者発の話題が中心である。主要企業の新しい公式発表は、今回確認した範囲では見つからなかった。
変わったこと(変化・新規)
- 前回の主役だったMistral Large 4に代わり、OpenAIのGPT-5.6 Solの実践的な検証が話題になった。前回は性能が提供元の自己申告にとどまると書いたが、今回は第三者(個人)が条件を明記した検証である(ryanmadden.net)
- 前回「新顔」はElevenLabsの効果音モデルだった。今回はBootGPTが新顔で、LLMを極端に小さくする方向の話題である(GitHub: bootgpt)
- 前回は、エージェントの逸脱を検知する監視が開発手法の話題だった。今回は、AIが書くコードを形式検証(プログラムの正しさを数学的に証明すること)で担保する考え方に移った(The Data Exchange)
昨日と同じこと(継続)
- エージェントを安全に動かす・正しさを担保する、という関心は続いている。前回の監視の話題から、今回の形式検証へつながる
- 新しい性能の主張が、単一の検証にとどまる構図は続く(今回のFactorioも1回の走行の記録である)
要因の連続性
- 継続要因: AIエージェントを現場で動かす際の安全と信頼性への関心
- 新規要因: AIが書くコードの量が増え、テストだけでは足りないという議論が出てきた。LLMを攻撃側の分析に使うマルウェアも確認された
- 解消した要因: なし
本日のハイライト
GPT-5.6 SolがFactorioをクリア
ある個人の開発者が、OpenAIのGPT-5.6 Sol(コーディングエージェント「Codex」上で、思考量は低設定)に、工場建設ゲームFactorioを平和モード(敵が出ない設定)で最後まで遊ばせた。モデルはPythonのライブラリ経由でゲームを操作し、プレイヤーの届く範囲や視界の制限など、人間のGUIと同じ制約が課された。結果は、ゲーム内時間で13.5時間かけてロケットの打ち上げに到達した(ryanmadden.net)。
筆者は、終盤の弱点も記している。複数の生産系統をつなぐ作業が苦手で、ロケット打ち上げは、資材を何度も運ぶ「手作業」に近い補助によって達成されたという。前の世代のGPT-5.5は、ベルトコンベアをまったく使えなかったと比べ、大きく改善したとしている。コストは記事で示されていない。これは1回の走行の記録であり、標準的なベンチマークではない。再現には、ゲームを操作する管理用ライブラリを自作する必要がある。
AIとLeanによる形式検証
Leanの作者で、AWSの上級科学者であるレオ・デ・モウラ氏が、ポッドキャストで、AIが大量にコードを書く時代には、テストだけでなく形式検証が重要になると述べた。テストは「バグがあること」は示せても「ないこと」は示せない。AIがコードをLean(定理証明支援系)の記述に自動で翻訳できるようになり、学習の壁が下がったという。AWS社内でも、エージェントの安全や隔離環境(サンドボックス)の信頼性の検証にLeanが使われ始めているとしている(The Data Exchange)。2026年10月29日の公開で、近いうちに道具として使える段階にあるかは、技術の成熟度次第である。
主要企業のリリース
主要企業の新しい公式発表は、今回確認した範囲では見つからなかった。前回触れたMistral Large 4の重み公開や、Claude APIのリクエスト上限の拡大についても、新しい続報は確認できていない(The Neuron)。
新興AI・注目の新顔
- BootGPT: コンピューターの起動時に、架空のLinuxの起動ログを生成する小さなニューラルネットワークである。何が新しいかというと、モデルの重みを含めて約11.5KB(int8量子化、隠れ層は1層)に収め、推論のコードを512バイトのブートセクタに入れている点である。重みなどはその後の23セクタに置かれている。作ったのは個人の開発者で、MITライセンスのオープンソースとして公開されている。試すにはNASM、QEMU、NumPyつきのPythonが必要で、BIOS互換の実機でもUSBから起動できる。実用性というより、LLMの仕組みを極限まで小さくした実験である(GitHub: bootgpt)
AI開発手法
- 形式検証とAIの組み合わせ: 上記のとおり、AIが書いたコードの正しさを、テストではなく証明で担保する考え方である。仕様(満たすべき性質)を人間が管理し、実装はAIが再生成してもよい、という役割分担が語られた。課題は、仕様を正しく書く難しさで、再現には、検証したい性質をLeanで表現できる必要がある(The Data Exchange)
AIを使った新サービス
- HackerTube: カーパシー氏が公開した、Hacker Newsのコメントで推薦された動画6,454本(150のトピック、2007〜2026年)を集めた動画サイトである。Claude Opus 5.5がコメントを処理し、Claude Sonnetで推薦を絞り込んだ。アカウント不要で、閲覧履歴をブラウザ内に保存する「あなたへのおすすめ」やキーボード操作がある。公開は10月31日で、構想から公開まで約2時間とされる。hackertube.orgで使える。ライセンスは明示されていない(Andrej Karpathy)
トレンドのAI活用法
- 「AIに短時間で小さなサービスを作らせる」使い方が話題になっている。HackerTubeはその一例で、データの収集・絞り込み・画面づくりをモデルに任せ、人間は方針の決定と公開に集中している。再現するには、元データ(ここではHacker Newsのコメント)の取得と、Claudeのような高性能なモデルのAPI利用が必要になる。HNの得点を基にした話題性であり、効果のエビデンスではない(Andrej Karpathy)
LLM性能比較・得意分野
新しい比較情報なし。Factorioの検証は、GPT-5.6 SolがGPT-5.5より大きく改善したと書くが、同一条件で複数のモデルを並べた比較ではなく、1回の走行にもとづく。このため、モデルの優劣としては扱わない(ryanmadden.net)。
研究・技術
- LLMを使ったマルウェア「VOLTA」: Cisco Talosが、盗んだ情報の分析にLLMを使う情報窃取型マルウェアの解析を公表した。盗んだ認証情報や閲覧履歴などをまとめ、OpenRouter経由でAnthropicのClaude Opus 4.6に送り、被害者を「どれだけの資産を持つか」で順位づけさせる。モデルが使えない場合は、MoonshotのKimi-K2、GoogleのGemini-2.5-Flashの順に切り替える。2026年10月11日に初めて確認された。防御側は、Chromeのheadless実行の制限、感染後の痕跡の保全、トークンの失効などが挙げられている(Cisco Talos)。LLMが攻撃の「分析担当」に使われる例として、利用側のAPI監視にも示唆がある(筆者の整理)
