前回からの変化
前回(2026-11-10、前日)との比較である。前回はAnthropicのClaude Fable 5.2が主役だった。今回はGoogleが最上位モデルで応じ、前回の新顔だった「判断モデル」の話題が大企業の実運用事例に広がった。
変わったこと(変化・新規)
- 主要企業の新モデルが、AnthropicのFable 5.2(前回)からGoogleのGemini 4 Carbon(今回)へ移った。Carbonは10日に公開された(Google: Gemini 4 Carbon is now available)
- 前回は研究・技術の項目が文章の並列生成の論文だったが、今回はGoogle DeepMindの形式検証が加わった(Google DeepMind: Introducing AlphaProof Code)
- 判断モデルの続報として、Amazonの社内チケット分類での置き換え事例が出た(前回のFlideに続く動き。Strands Agents)
- 新顔として、webAIの推論モデルTwIL-8Bがトレンド11位に入った(Hugging Face: TwIL-8B)
昨日と同じこと(継続)
- Fable 5.2は、Hacker Newsで引き続き最大級の話題である。公式発表が985ポイント、これを使った個人の作例が470ポイントを集めた(Hacker News)
- Hugging Faceのトレンドは、首位がidol、3位がKimi-K3.1-Pro、4位がRipple-65B-Previewで、前回と同じ顔ぶれが上位に残っている(Hugging Face: トレンド一覧)
要因の連続性
- 継続要因: 新モデルの性能値は自社発表が中心で、第三者の検証が追いついていない点は前回と同じである。コーディングエージェントでの実用検証への関心も続いている
- 新規要因: Googleが前日のAnthropicに続いて最上位モデルを出し、料金を期間限定の導入価格にした。判断モデルが実運用の費用削減の事例として出てきた
- 解消した要因: 「主要企業の新規リリースが前日のAnthropicだけ」という状況は、Googleの公開で変わった
本日のハイライト
Google: Gemini 4 Carbonを公開
Googleは11月10日、最上位モデルのGemini 4 Carbonを公開した。Carbonは、下位のGemini 4 Argonより多くのトークンを使って、長い推論と検証を行う設計である。Googleは、ソフトウェア開発や一般の知識作業ではArgonを引き続き勧め、Carbonは難しい複数手順の作業向けとしている(Google: Gemini 4 Carbon is now available)。
何ができるようになったか。
- 資料の統合、画像の理解、表計算・スライド・報告書の作成といった知識作業が強化された
- コーディングエージェントとして、複数パッケージにまたがる移行、原因調査、Webアプリを作って確かめる繰り返しが改善された
- 科学・数学の推論が強化された。タンパク質の類縁配列(ホモログ)の検索では、CASP17のテストの7つのファミリーで、取得数が平均40倍になったとGoogleは述べる(より広い評価は途中とされている)
- Google Antigravity(同社の開発環境)では、1つの指示から複数のエージェントを調整する
/swarmが、プレビューとして試せる
利用条件と料金は次のとおりである。
- 開発者・企業はGoogle AI Studioなどから、有料契約でAPIを使える。個人はGoogle AI Ultraの契約者が、Antigravity、Geminiアプリ、検索のAIモードで使える
- 料金は導入価格で、入力100万トークンあたり2ドル、出力10ドルである。11月30日からは入力4ドル、出力20ドルに上がる
- サイバーセキュリティ分野の高度な機能は、審査を経た防御側が「Fairwind Program」で順次使える。科学者には、AntigravityでArgonとCarbonを6か月無料で使える申請枠がある
- コンテキスト長は、ページに記載がなかった
性能の根拠は、多くがGoogleの自社発表である。CursorBench 4.0、Perplexity WANDR、Zapier AutomationBenchでは、外部の最良モデルより1課題あたりの費用が2倍以上低く、順位は1位とされる。ただしページに点数はなく、第三者の追試も確認できていない。安全面の数値(攻撃成功率0.8パーセント、Argonは3.1パーセントなど)も自社評価である。試すなら、既存のコーディングエージェントで同じ課題をArgonとCarbonに解かせ、費用と所要時間を比べるとよい。
主要企業のリリース
上のGemini 4 Carbonが本日の主な発表である。続報として、前回のAnthropicのClaude Fable 5.2は、Hacker Newsで公式発表が985ポイントに達した(Hacker News、Anthropic: Claude Fable 5.2 and Claude Mythos 5.2)。ほかの主要企業の新規リリースは、今回の調査では確認できなかった。
新興AI・注目の新顔
TwIL-8B(webAI): 推論の長さを選べる小型モデル
何が新しいか: IBMのGranite 4.2 8Bを土台に、全パラメータの追加学習と強化学習(GRPOとDAPO)を重ねた8.8Bの推論モデルである。同じ構造で「Balanced」(推論が短く費用が低い)と「Verbose」(長く考えて難問向け)の2種類を切り替えられる。カード自身が「知識を問うモデルではない」と述べ、GPQA Diamondは70.2にとどまる。
誰が作ったか・公開形態: webAIがHugging Faceで公開した。コンテキスト長は131,072トークンで、BF16版は約16.4GiB、量子化したGGUF版(Q4_K_M)は約5GiBである。ライセンスはwebAI独自の非商用ライセンスで、土台のGraniteはApache-2.0である。商用で使えない点に注意が要る。試すにはTransformersまたはllama.cppで動かし、推論の途中で打ち切られないよう生成の上限を大きく(例では32768トークン)取る。
評価: 作者の表では、MATH-500が98.2、LiveCodeBenchが81.6(Verbose版)で、比較したQwen3.5-9BやGemma 4 31Bを上回る。一方、AIME 2026はQwen3.5-9Bの92.5に届かない。他モデルの数値は再測定でなく公開値で、小さな競技用のテストでは数点の差が揺れるとカード自身が注記している。第三者の検証はまだ出ていない(Hugging Face: webAI-Official/TwIL-8B)。
Strands Decider(続報): 判断モデルの実運用での置き換え
続報である。前回までに、文章でなく選択肢への確率を返す「判断モデル」(Jev、Flide)を取り上げた。今回は、Strands Agentsのチームが、同種のモデル「Strands Decider」でAmazonの社内チケット分類を置き換えた事例を公開した。
何が新しいか: 状態(チケット)と選択肢(ラベル一覧)を入れると、各ラベルの確率と確信度を返す。確信度が調整した閾値を超えたときだけ、ラベルを付ける。土台はGemma 4 E4Bの版で、Amazon SageMakerのml.g5.xlargeで動かす。
効果(自社計測): Claude Sonnet 4.6と比べ、1回あたりの平均時間は4,215ミリ秒から897ミリ秒へ、チケットあたりの総トークンは6,724から2,010へ減った。100万チケットあたりの費用は約2万2,200ドルから約500ドルへ下がったとされる。費用は公開の定価で計算し、Lambdaの費用は含まない。
再現の条件: 既知のラベル一覧から1つ選ぶ作業で、件数が多く遅延が重要であること。ラベルの説明を4,096トークンの窓に収める必要があり、チームは20個のラベルを短い基準に書き直した。ラベルが頻繁に変わる、判断に説明が要る用途には向かないと著者は書く。JSONのキー順を変えると確率が最大0.19動いたため、キーを並べ替えて送る工夫も入れた。リポジトリはGitHubのstrands-labs/strands-deciderにある(Strands Agents: Amazon saves millions by replacing Sonnet 4.6 with Strands Decider)。第三者の検証は確認できていない。
AI開発手法
旧モデルと並走させて切り替える
上のStrands Deciderの事例には、置き換えの進め方の工夫がある。設定を「BEDROCK」「DUAL」「DECIDER」の3段階にし、DUALでは新旧のモデルを同時に動かして結果を比べる。著者は、オフラインの評価より、実際のトラフィックで並べて比べる方が多くのことが分かったと述べる。AIを既存の業務へ入れ替える課題に効く方法で、再現には、設定を切り替える仕組み(AWS AppConfigなど)が要る(Strands Agents)。
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
Claude Codeで、長い1つの指示から4人対戦のゲームを作る
Hacker Newsで470ポイントを集めた個人の作例である。Lex Toumbourou氏が、甥の誕生日に向けて、Claude Code上のClaude Fable 5.2を使い、4人で遊べる横スクロールのアクションゲームを作った。就寝前に、使う画像・音声サービスやファイルの場所、キャラクターや敵の作り直し、コントローラー4台への対応、こまめなコミットを1つの長い指示にまとめて渡した。2日間でおよそ600回の要求を行い、全体で約3.4億トークン(多くはキャッシュの読み取り)を使ったという。
なぜ話題になったか: 子どもが描いた絵を元に、画像・効果音・音楽まで含めた作品が、ほぼ1つの指示から形になったため。エージェントが12面すべてを自動で遊んで画面を確かめるボットを自作した点も、再現の参考になる。
注意: 個人のブログ記事であり、条件をそろえた比較ではない。著者自身が、Opus 5.5でも同じことができたかは試していないと書いており、Fable 5.2が必須だったとは言えない(Notes by Lex、Hacker News)。
LLM性能比較・得意分野
新しい第三者の比較情報はなし。Gemini 4 Carbonは、CursorBench 4.0、Perplexity WANDR、Zapier AutomationBenchで「1位かつ費用は2倍以上低い」、Artificial Analysisの「Multimodal Knowledge Agent」で2位とされるが、点数と評価条件はGoogleのページに示されていない。この条件では、優劣の根拠としては扱えない(Google: Gemini 4 Carbon is now available)。
研究・技術
AlphaProof Code(Google DeepMind): AIでSignalの実装を形式検証
Google DeepMindは10日、複数のLLMを組み合わせた形式検証の枠組み「AlphaProof Code」で、Signalの暗号プロトコルの実装を検証したと発表した。形式検証とは、プログラムが仕様どおりに動くことを、数学的な証明で確かめる手法である。
手順は3段階である。まず複数のモデルでSignalの安全目標を形式的な仕様に直し、人間の専門家が1件ずつ確認した。次にGemini Carbonを使ったエージェントが、証明言語Leanで600万行を超える証明を書いた。最後に別のエージェントが証明を点検し、コード全体の約1パーセントを人間の確認対象として挙げた。残りはLeanが自動で検査する。
DeepMindは、検証に約4週間かかり、専門家のチームなら年単位の作業だったと述べる。過去に直した2件のバグをわざと戻して試したところ、どちらも「安全でない」という機械検査済みの証明を出したとされる。成果物はgoogle-deepmind.github.io/code-verificationでオープンソースとして公開される。AlphaProof Code自体が単独の製品として使えるかは、記載がなかった。「近いうちに道具になるか」の見立てとしては、成果物の公開は手がかりになるが、誰でも使える形になるかは未定である(Google DeepMind: Introducing AlphaProof Code)。
