Zhipu AIがAPI価格を倍増、予算への影響は？

Jevのローンチビデオは2日間で3,600万回再生され、このモデルは初日で約13%のチームに採用されました。これにより、AI Gateway史上最速の採用モデルとなり、初期の牽引力に関するこれまでの記録を打ち破りました。

これは単なる誇大広告生成の達人技ではありません。汎用LLMラッパーに対する市場の疲弊を示す大きなシグナルです。非生成モデルがこれほどの牽引力を最初から獲得するということは、開発者が単にテキストを幻覚させるだけでなく、実際に意思決定を行うツールを求めていることを意味します。ビルダーは、信頼性の高いJSON出力を得るためだけにプロンプトエンジニアリングと格闘することにうんざりしています。

Jevは、生成の罠から抜け出す方法を約束することで、ローンチサイクルを決定的に制しました。今週、13%のチームがAPIを通じて実際のプロダクショントラフィックを押し始めるにつれて、インフラが負荷に耐えかねて崩壊する様子に注目してください。

Jevは、かさばるLLMの高速な「システム1」補完として位置づけられています。テキストを生成する代わりに、クエリのルーティング、引用の選択、法務業務の処理といった意思決定を行います。

私たちはこれまで、巨大な生成モデルに単純な分類やルーティングを強制することで、ハンマーでハエを叩くようなことをしてきました。ツール呼び出しやルーティングをJevのような識別モデルに移行することは、業界が切実に必要としている根本的なアーキテクチャの転換です。

これは、生成モデルが正しいツール呼び出し形式を出力することを祈るよりも、高速で、安価で、はるかに信頼性があります。生成LLMはオーケストレーション層の独占を失い、識別モデルはAIワークフローの構築方法を根本から静かに書き換えるでしょう。

Claude Code v2.1.277は、リポジトリ内のAGENTS.mdファイルを積極的にチェックするようになりました。これにより、このファイルがエージェントツールとコンテキストの新興標準として正式に認識され、煩雑なシムファイルの必要性が大幅に減少すると予想されます。

慣習は、大手プレイヤーが強制して初めて機能します。Anthropicは、AGENTS.mdのサポートをClaude Codeに直接組み込むことで、この問題を強制し、一夜にしてデファクトスタンダードを確立しました。

これはクロスツール互換性にとって大きな勝利であり、独自のツール固有の設定ファイルにとっては死の宣告です。今日中にリポジトリを更新しないと、競合他社がより速く動く中で、あなたのエージェントは基本的なコンテキスト収集に失敗するのを見ることになるでしょう。

最近の分析により、シンプルなツールセットでもパレート最適性能を達成しつつ、推論費用を大幅に削減できることが証明されました。コーディングエージェントのベンチマーク結果は、もはや純粋なモデル能力だけでなく、ハーネス構造、コンテキスト設定、ツールのアフォーダンスによって大きく左右されます。

より賢いモデルは必要ありません。より厳密なサンドボックスが必要です。50個ものツールを持つ問題に巨大なコンテキストウィンドウを投入するのは、高価な失敗のレシピです。

現在成功しているチームは、ツールセットを積極的に剪定し、コンテキスト設定を最適化しているチームです。生のパワーは終わり、精密なエンジニアリングが主流です。

実務家は、高レベルの計画には高価なフロンティアモデルを使用し、実際の実行はより安価で小さなモデルに任せるという、二分されたモデル戦略を急速に採用しています。この分割は、プロダクションパイプライン全体で大幅なコスト削減を推進しています。

これが2026年のアーキテクチャパターンです。天才に設計図を書かせ、安価な労働力にハンマーを振るわせるのです。

もしあなたの企業がまだ単純な実行タスクをフロンティアモデル経由でルーティングしているなら、お金を燃やしているようなものです。普遍的な、万能モデル戦略は終わりました。

真の再帰的自己改善（RSI）を定義するための新しい分類法が登場しました。コンセンサスでは、RSIはAIが自身の内部ウェイトだけでなく、探索戦略、経験生成、研究ツール、そして改善プロセス自体を変更する必要があることを明確にしています。

私たちはこれまでRSIという言葉をあまりにも緩く使ってきました。この新しいフレームワークは、見せかけのトリックと実存的なマイルストーンを区別します。

システムが自身の研究ツールや探索戦略をアップグレードしていない場合、それは単なるフィードバックループであり、真の再帰的自己改善ではありません。基準は大幅に引き上げられました。

GPT-6 Astraが、Open Math Modelのローンチと同時に、FrontierMathの別の主要な未解決問題を解決しました。一般的な議論は、大規模で高品質な事前学習データがこれらの数学能力の真の原動力であり、検証可能な報酬構造を上回るというものです。

苦い教訓が再び打ち砕かれました。私たちはモデルに数学を教えるために複雑な報酬メカニズムを設計しようとし続けてきましたが、GPT-6 Astraによる事前学習データの力技がより効果的であることが証明されました。

データ規模は、AIのブレークスルーにおいて無敗の王者であり続けています。報酬関数を考えすぎるのはやめて、より良いデータセットを購入し始めましょう。

CUA-Benchという新しいベンチマークは、リアルタイムのキーボードとマウスの使用をテストします。結果は残酷で、現在のフロンティアモデルはすべて20%未満のスコアです。人間が数秒で実行できるタスクが、最先端のAIにとっては依然として非常に難しいことが示されています。

これはソフトウェアに適用されたロボット工学のパラドックスです。抽象的な推論は解決されましたが、扱いにくいGUIを操作することは、どうやらAGIにとって難しいようです。

これらのモデルがボタンクリックを幻覚することなくブラウザを確実に操作できるようになるまで、完全に自律的なデスクトップエージェントは夢物語のままです。

新しくリリースされたオープンソースライブラリTurbo-dLLMは、大規模なコンテキストウィンドウを持つ拡散LLMのトレーニングにおいて、大幅な高速化を実現しています。これは、自律エージェントが信じられないほどコンテキストに飢えているという現在の市場の現実と完全に一致しています。

エージェントがコードベース全体をメモリに保持できない場合、それらは役に立ちません。Turbo-dLLMは大規模なインフラのボトルネックを解決し、ハイパースケーラーの予算を必要とせずに長文コンテキストトレーニングを可能にします。

このライブラリは、主要なラボとコンテキスト長で競争しようとしているオープンソースチームにとって大きな勝利です。

アーキテクチャ分類の議論における新しい提案は、シーケンスモデルの包括的な用語として「線形RNN」を採用し、ステートスペースモデル（SSM）をサブファミリーとして分類することを提案しています。目標は、命名法を整理し、競合するアーキテクチャアプローチを明確に区別することです。

命名は難しいものですが、AI研究者は特に苦手です。「線形RNN」に標準化することで、トランスフォーマーの代替について、きれいで歴史的に正確な方法で議論できるようになります。

確かに細かすぎるかもしれませんが、次世代のアーキテクチャを構築する際には、正確さが重要です。