前回からの変化
前回(2026-11-01、前日)との比較である。前回は、GPT-5.6 SolによるFactorioの攻略や、小型モデルBootGPTなど、個人発の話題が中心だった。今回は、評価の枠組み(ベンチマーク)の刷新と、開発ツールの供給網の安全性という、土台に関わる話題が中心である。主要企業の新しい公式発表は、確認できた範囲では見当たらない。
変わったこと(変化・新規)
- 前回は個別モデルの検証が話題だったが、今回は、モデルを並べる物差しそのものが変わった。Artificial Analysisの指数が、知識業務・コーディング・科学・一般の4分野を各25%で合わせる「v5」に変わった(Interconnects)
- 前回の「AIが書くコードを担保する」話から一歩進み、AI開発ツールそのものが攻撃対象になった事例が出た。Claude Code拡張の2版にバックドアが見つかった(Phorion)
- 前回の新顔は小さなモデルだったが、今回は、ゲームのDOOMの中でニューラルネットワークを動かす「Doomformer」が出た(GitHub: doomformer)
昨日と同じこと(継続)
- Google の Gemini 4 Carbon(10月28日公開)は、前々回と前回に続き、話題の中心にある。性能は自社発表で、独立した第三者の検証が出るのはこれからである(Google)
- AIが書く量が増えるほど、人間の確認が追いつかなくなるという関心が続いている。今回はPostgreSQLの開発が例に挙がった
要因の連続性
- 継続要因: AIの出力を人間が確認する負荷への懸念。前回の形式検証の議論から、PostgreSQLのレビュー負荷の話へつながる
- 新規要因: 評価指数の算出方法の見直しにより、モデルの順位とオープンウェイトとの差の見え方が変わった。拡張機能の配布経路を狙った攻撃も加わった
- 解消した要因: なし
本日のハイライト
Artificial Analysisの指数がv5へ
Interconnectsによると、Artificial Analysis(AIモデルの第三者評価サービス)の総合指数「v5」は、4分野を同じ比重(各25%)で合わせる構成になった。知識業務はAA-Briefcase、AutomationBench-AA、GDP.pdf、コーディングはFrontierCode 2.0とTerminal-Bench 4.0、科学はTerminal-Bench-ScienceとCritPt v2、一般はAA-Omniscience v1.1とHLE-Diamondである。
同記事は、v5が最前線のエージェント性能(自分で道具を使って仕事を進める能力)を測る方向に寄ったことで、閉じたモデルとオープンウェイト(重みが公開されたモデル)の差が広がったと整理している。具体的には、閉じたモデル8つが、オープンウェイトの最上位であるKimi K3.1 Proを上回り、GPT 6.1 TerraがClaude Fable 5.1を上回ったという。筆者は、前の版はオープンウェイトを過大に見せていたと述べる。また、1つの数字にまとめる便利さと、集計方法による偏りとの両立が難しいという「ベンチマーク作成者のジレンマ」も論じている。
この結果は、この指数の条件での順位であり、用途ごとの優劣を決めるものではない。記事には、Gemini 4 Carbonの具体的な点数は載っていなかった(Interconnects)。
Claude Code拡張のバックドア
セキュリティ会社のPhorionは、Cursorのマーケットプレイスで配布されたClaude Code拡張(VS Code向け)の2.1.312と2.1.313に、持続的なSSHバックドアが含まれていたと報告した。30日に公表され、31日に対象の版へ2.1.312が加わった。Cursor側で削除されたという。
手口は4段階である。まず、攻撃者の公開鍵を利用者の authorized_keys に追加する。次に、攻撃者のサーバーへ外向きのSSH接続(リバーストンネル)を張る。そして、macOSのLaunchAgent、Linuxのcrontab、Windowsのタスクスケジューラで常駐する。最後に、ホスト名やユーザー名、「KEY」「TOKEN」「SECRET」などを含む環境変数の名前を集めて送る。macOSでは、管理者権限のない利用者だと確認コマンドが失敗し、SSHの有効化を飛ばす実装上の不具合があった。
対策として、Phorionは、動いているトンネルのプロセスの停止、常駐の仕組みと追加された鍵の削除、そして触れた可能性のある認証情報の更新を挙げている。発見は同社のエンドポイント検知によるもので、誰が仕込んだかは記事から確認できなかった(Phorion)。
主要企業のリリース
主要企業の新しい公式発表は、確認できた範囲では見当たらない。Googleは28日にGemini 4 Carbonを公開した。長い工程のエンジニアリングやエージェントの作業向けで、サイバーセキュリティの性能を前面に出している。自社発表の値として、Artificial Analysis Intelligence Index v5.0で59点の1位、SEC-bench Proで88.2%、WebDev Arenaで4位(1768 elo)、プロンプトインジェクション(外部の文章に混ぜた命令でモデルを操る攻撃)の評価で成功率0.0%を挙げた。提供は、信頼されたサイバー防御担当者向けの「Fairwind」プログラムから順次始まり、導入期間の料金は入力100万トークンあたり2ドル、出力10ドルである。コンテキスト長は記事に記載がない。独立した第三者の検証は、今回確認できていない(Google)。
新興AI・注目の新顔
Doomformer(個人開発・MITライセンス)。ニューラルネットワークを、ゲームDOOMの地図に変換するコンパイラである。値は「ブードゥー人形」と呼ばれる追加のプレイヤー体の集まり、重みは床の線、和は明るさ、活性化関数(ReLU)は階段で表す。MNISTの手書き数字の認識は10,000枚で精度97.16%、全ての値がNumPyの計算と一致した。1,345体の人形で動かす方策トランスフォーマーが、ゲーム内の海兵隊員を操作した。pipで入れられ、Colabのノートブックもある。実用的な速度は出ず、可視化や実験向けと作者が書いている(GitHub: doomformer)。
Hacker Newsでは、YC F26のSimantic(AIエージェント向けのファームウェア模擬環境)も話題になった。公式の資料は確認できておらず、まとめ記事の見出しのみの確認である(agents-radar)。
AI開発手法
AIが書くパッチのレビュー負荷: PostgreSQL 19は、例年の9〜10月から遅れ、11月以降になる見込みである。Phoronixによると、AIが生成したバグ報告やパッチが増えた一方、人間のレビューと修正が欠かせないことが負担になっている。開発者のロバート・ハース氏は、LLMは修正案を書けるが、PostgreSQLの基準に合うとは限らず、人間が確認して取り込む必要があると述べた。この事例は大規模OSSの運営に関わる話で、同じ状況に備えるには、AIの貢献を受け入れるレビュー体制が前提になる(Phoronix)。
拡張機能など、AI開発ツールの配布経路の安全性については、上の「Claude Code拡張のバックドア」を参照。
AIを使った新サービス
特筆すべき新サービスなし。
トレンドのAI活用法
特筆すべきトレンドなし。
LLM性能比較・得意分野
Artificial Analysis v5の構成と、閉じたモデル対オープンウェイトの差は「本日のハイライト」にまとめた。用途別の使い分けが分かる新しい同一条件の比較は、今回確認できなかった。Gemini 4 Carbonの順位は自社発表で、第三者の確認はこれからである。
研究・技術
Sleepフレームワーク(Google Research、27日公開)。LLMは知識の締め切りがあり、新しいデータで更新すると以前の知識を忘れる「破滅的忘却」が起きる。Sleepは、入力を処理して一時的に記憶する「覚醒」の段階と、短期記憶を長期のパラメータへ統合する「睡眠」の段階を交互に繰り返す。睡眠の段階では、専門家混合(MoE)の構造、知識蒸留、自己改善用の合成データの生成を使う。
結果として、長い文脈の理解で最大1000万トークンまでほぼ完全に拡大でき、事実知識は単一課題で48.9%、数学推論はAIMEとHMMTで79.2%、69.0%、46.1%などと報告された。コードやモデルの公開は、ブログの範囲では確認できなかった。道具として使えるようになるのは、まだ先と見立てる(Google Research)。
