前回からの変化
前回(2026-11-12、前日)との比較である。前回は、Googleの判断専用API「Gemini Decisions API」と、AIエージェントだけで作ったAWS Emulatorが中心だった。今回は、同じGeminiの中で、日常のエージェント作業を担う高速モデルが加わった。
変わったこと(変化・新規)
- 前回は「選択肢の確率を返す」専用APIだったが、今回は一般の対話・コーディング向けの新モデルGemini 4 Hydrogenが出た。上位のGemini 4 Carbon・Argonを補う位置づけで、1回の作業の中で使い分ける設計である(Google: Gemini 4 Hydrogen)
- 開発手法の話題が、エージェントに「本物のAWSで確かめた試験」を書かせる方法(前回)から、エージェントに学習の指導をさせるスキル定義(今回)に移った(GitHub: socratic-tutor)
- 研究・技術の項目が、細胞ごとのDNA変異予測(前回)から、旧型の小さな端末でLLMを動かす工夫(今回)に替わった(GitHub: smolmaxxing)
- Hugging Faceのトレンドは、Nous ResearchのArete-27Bが3位、Qwen3.8-27Bが7位に入った。前回は3位だったidolが4位に下がり、5位だったRipple-65B-Previewは10位、4位だったKimi-K3.1-Proは11位になった(Hugging Face: トレンド一覧)
昨日と同じこと(継続)
- Gemini 4のモデルが、役割を分けて並ぶ構図が続く。前回のGemini 4 Carbonの導入価格は、11月30日まで入力100万トークンあたり2ドル、出力10ドルのまま(前回レポートの出典による)。今回のHydrogenは入力1.5ドル、出力7.5ドルで、さらに安い設定である(Google: Gemini 4 Hydrogen)
- 新製品の性能値の多くが自社発表で、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
- idol、Ripple-65B-Preview、Kimi-K3.1-Proが、前回に続いてトレンド上位(12位以内)に残っている(Hugging Face: トレンド一覧)
要因の連続性
- 継続要因: 性能の根拠が自社計測にとどまる点は前回と同じ。コーディングエージェントを前提にした開発の工夫への関心も続いている
- 新規要因: 大手が「日常のエージェント作業用」の高速モデルを出し、上位モデルを司令塔、高速モデルを作業役とする分業が、公式の機能(Antigravityのオーケストレーター)として加わった。オープンウェイトでは、Qwen3.8-27Bを土台にした微調整モデルの公開が増えている
- 解消した要因: 前回の「新しいモデルではなくAPIや機能の発表が中心」という状況は、今回は新モデルの発表に戻り、後退した
本日のハイライト
Google: エージェント作業向けの高速モデルGemini 4 Hydrogen
Googleは11月12日、Gemini 4 Hydrogenを公開した。Googleは「エージェント作業の日常使い」のモデルと位置づけ、深い長時間の推論を担うGemini 4 CarbonやArgonを補う役とする。入力は最大100万トークン、出力も最大100万トークンである。思考の深さは、低・中・高(既定)に、新しい最上位のxhighを加えた4段階で選べる(Google: Gemini 4 Hydrogen)。
何が新しいか。
- 同社の開発環境Antigravityのオーケストレーターが、1回の作業の中でCarbonとHydrogenを切り替える。Carbonが全体を統括し、Hydrogenが作業役と検証役のエージェントを動かす使い方である
- コーディングと不具合の調査では、対象を絞った修正や、複数ファイルの並列の読み込み・検索ができる。PDF、表計算、図、音声、動画をまとめて、出典付きの報告書にする用途も挙げている
- 文脈の長さによらず、料金は一定である。入力100万トークンあたり1.5ドル、出力7.5ドル
利用条件は次のとおりである。
- 開発者は、Gemini APIとGoogle AI Studio、Android Studioで使える。有料のGoogle AI ProとUltraの契約者はAntigravityで使える
- 一般向けには、Geminiアプリのモデル選択と、Google検索に順次出る。無料ユーザーは、プロンプトに合うと自動選択で使われる
性能の数字は、すべてGoogleの発表である。Googleは、Terminal-Bench 4.1で57%(Gemini 3.8 Flashは18.2%)、HLE-Diamondで58.8%、Artificial Analysis Intelligence Indexで51(高)・54(xhigh、Argonは50)としている。旧版の約2.5倍の速さ、事実でない主張の5倍超の減少、指示にない行動の最大81%の減少といった主張も自社計測である。第三者の検証は、この発表の範囲では確認できていない。なお、ページ内の比較画像の表記が「Gemini 3.5 Flash」、本文が「Gemini 3.8 Flash」と食い違っている。試すなら、いまFlash系で動かしているコーディングや調査のエージェントに、思考の深さを変えて載せ替え、同じ課題で成功率と費用を比べるとよい。
主要企業のリリース
Gemini 4 Hydrogenが本日の主な発表である。OpenAI、Anthropic、Metaなどは、今回の調査では本日の技術的な新規リリースを確認できなかった。
新興AI・注目の新顔
Arete-27B(Nous Research): Qwen3.8-27Bを微調整したオープンウェイト
Nous Researchが出したArete-27Bは、Alibabaのモデル Qwen3.8-27B を土台に、政治的に敏感な話題への回答を、西側の枠組みに寄せるよう微調整したものである。学習は教師あり微調整のみで、約2万件のプロンプト(表現の自由、国家のイデオロギー、プライバシー、民主主義など7分野)を使い、約5,280万トークンを2エポック回した。ライセンスはApache-2.0で、Hugging Faceで公開されている。モデルカードには公開日の記載がなく、いつ出たかは確認できなかった(Hugging Face: Arete-27B)。
評価は自社発表である。803問の「プロパガンダ評価」(判定はGrok 4.7)では、事実の点数が5点満点で2.32から2.98へ、プロパガンダを含む回答の割合が22%から0.9%に下がったとする。内部の指標では土台との差はほぼない。Terminal-Bench-2.1は70%で土台の67%を上回るが、作者は「この向上は成果として主張しない」と書いている。第三者の検証は、確認できていない。何が新しいかというと、土台モデルの価値観の偏りを、微調整で直接補正しようとする試みである。試すには、27Bの重みが載るGPU環境が要る。
なお、土台のQwen3.8-27Bは、Hugging Faceのトレンド7位にいる。画像と動画も扱えるモデルで、一部の層に線形注意(長い入力でも計算が増えにくい仕組み)を使う。入力は標準で262,144トークン、Apache-2.0である。モデルカードには公開日の記載がなく、引用欄は2026年8月で、新作ではない(Hugging Face: Qwen3.8-27B)。
そのほかの新顔は、今回の調査では技術的に新しいものを確認できなかった。
AI開発手法
socratic-tutor: エージェントに「教える」のではなく「問いで鍛える」役をさせるスキル
Jane Streetは、AIエージェント用のスキル定義(SKILL.mdという形式の指示ファイル)socratic-tutorを、GitHubのjanestreet/agent_skillsで公開した。説明を渡すだけでは理解が身につかないという問題に対し、質問を中心に学ぶ型を定める。Hacker Newsで616ポイントを集めた(GitHub: socratic-tutor、Hacker News)。
- 学びたい人が「教えて」「クイズを出して」などと明示したときだけ働く。1回きりの質問には通常どおり答える
- 題材を4〜10の小項目に分け、3〜5問の診断で現在の力を0〜5で測り、進み具合を文字の図で見せる
- 1問ずつ出し、間違えたら答えではなく狭い質問で導く。説明は、2〜3回つまずいてから行う
- 力の上がり方は厳しく、2回以上の確認(指示なしの想起を含む)が要る。予告なしの復習で落ちたら下げる
- 全項目が目標(既定は4)に届いたら、混合の最終確認をして終わる。「保存して」で要約を出し、新しい会話で「再開」できる
どんな課題に効くか: 新しい分野の習得や、コードや仕組みの理解を深めたいときである。再現には、SKILL.mdを読み込める、スキル機能つきのエージェントが要る。対象のエージェント名は、ファイルでは明示されていない。効果の検証結果は示されていない。
AIを使った新サービス
LibreAGI: オープンウェイトモデルを分散して保存する会員制トラッカー
LibreAGIは、消えるおそれが高いオープンウェイトのモデルを、BitTorrentで分散して残すための会員制トラッカーである。会員がモデルを共有(シード)すると、サイズと期間に応じて貢献度が増え、コピーが1つしかないモデルは4倍の割合になる。safetensors、GGUF、ONNXの形式と、Apache-2.0、MIT、Qwenコミュニティライセンスのモデルを扱う。ファイルは元のコミットと照合され、署名つきの公開カタログが残る。運営者の名前は、ページに記載がない。カタログは登録なしで見られ、参加は申請制である。Hacker Newsで97ポイントだった(LibreAGI、Hacker News)。
トレンドのAI活用法
特筆すべきトレンドなし。Hacker Newsの上位に、AIエージェントにデータ基盤(レイクハウス)と庭の管理を任せたという個人の投稿(131ポイント)があったが、見出しのみの確認で、再現できる手順は確認できなかった(Hacker News)。
LLM性能比較・得意分野
同一条件で検証された比較は、今回は確認できなかった。参考として、Qwen3.8-27Bのモデルカードは、同社が示す数値で次を掲げている。これはAlibaba側の自社評価で、比較対象の設定や条件はカードの脚注に依るため、優劣の根拠としては扱えない。
- Terminal Bench 2.1: Qwen3.8-27Bは73.0、比較に挙げられたOpus 4.6 Maxは78.2
- GPQA Diamond: 89.2に対して91.3
- HLE: 30.8に対して40.0
- OSWorld-Verified(画面操作): 84.3に対して72.7
- SWE-bench Pro: 同社の旧版Qwen3.6-27Bの53.5から61.7へ
読み取れるのは、「この条件で、自社カード上は、画面操作では上、コーディングと難問では下」という範囲にとどまる(Hugging Face: Qwen3.8-27B)。Gemini 4 Hydrogenの数値も、Googleの自社発表で、評価の条件が確認できていない。
研究・技術
smolmaxxing: 旧型の小さな端末でLLMを動かす
hyperionaidevのsmolmaxxingは、llama.cpp(ローカルでLLMを動かすソフト)にパッチを当て、メモリ1〜2GB程度の古い端末でも、動かせる最大のモデルを探して押し広げる取り組みである。新しい点は、1ビットの量子化重み用のArmカーネル、混合専門家(MoE)モデルの必要な部分だけをフラッシュ記憶から読む「エキスパートページャー」、メモリより大きなモデルの重みの逐次読み込み、バックグラウンドのアプリを止めて空きを作る「ヘッドレスモード」である。作者は160件の実験をEXPERIMENT.mdに記録している(GitHub: smolmaxxing、Hacker News)。
- 対応する端末は、Xiaomi TV Box S(第3世代。Cortex-A55が4コア、使えるメモリ約1GB)と、iPad Air(2013年。A7、1GB、CPUのみ)。他の端末は「近日」とされる
- 作者の自己計測では、テレビボックスでQwen3.5-2Bが毎秒7.7トークン、Qwen3.5-0.8Bが16.8トークン、iPadで1ビットのBonsai-1.7Bが約24〜26トークンである。密な9Bモデルは毎秒0.27トークンで実用にならない。第三者の再現は確認できていない
- ライセンスはMIT。モデルの重みは各自のライセンスに従う
「近いうちに道具になるか」の見立てとしては、手順はあるが、ADB、zig、cmakeなどを使う開発者向けで、一般の利用者が手軽に使える段階ではない。古い端末を、家庭内の小さなローカルLLM用の機械に転用したい人が、最初に試せる。
