2026年6月の生成AIニュースまとめ＆理解度チェック8問
「G検定時事対策」は、その月の生成AIニュースからG検定に関わりの深いものを厳選し、要約・出題観点・理解度チェックの三点セットで振り返る月刊シリーズです。試験前の時事対策にも、合格後の月1回のAIキャッチアップにも使えます。理解度チェックはG検定の出題形式を模したオリジナル問題で、ニュースの内容を理解できたかを確認するためのものです(本試験の過去問・予想問題ではありません)。
① 今月の全体傾向
2026年6月は、国産AIとフロンティアモデルの動きが重なった月でした。国内ではPFNとトヨタのフィジカルAI共同研究、Preferred Networksの国産基盤モデル「PLaMo 3.0 Prime」正式リリース、富士通の新アーキテクチャ「PHOTON」と発表が集中。海外ではAnthropicが新tier「Mythosクラス」のClaude Fable 5 / Mythos 5を公開し、OpenAIもGPT-5.6の限定プレビューを開始しました。エージェント開発基盤の拡充と推論効率化の研究成果、そして「生成AIブラックボックス化」調査に代表される利用実態・ガバナンスの議論も進んだ月です。
- フロンティアモデル — AnthropicがMythosクラスの「Claude Fable 5」「Mythos 5」を公開、OpenAIは次世代「GPT-5.6」の限定プレビューを開始
- 国産AI — PFN×トヨタのフィジカルAI共同研究、PLaMo 3.0 Prime正式リリース、富士通PHOTON、Liquid AIの日本語向けモデルと国内勢の発表が集中
- エージェント — Claude Managed Agentsのスケジュール実行・Vaults追加、Gemini 3.5 Flashのcomputer use統合、Sakana Fugu、Qwen-AgentWorldなど開発基盤が拡充
- 推論の効率化 — 投機的デコーディング「JetSpec」や富士通「PHOTON」など、LLMのコスト・速度を改善する研究成果が続いた
- 利用実態・ガバナンス — 「生成AIブラックボックス化」調査で禁止されても約4割が利用継続の意向と判明。日立×OpenAI連携などエンタープライズ導入も本格化
② 各ニュースの概要(全21本)
6/1 PFN、トヨタ未来創生センターとフィジカルAI高速化の共同研究を開始✍️ チェック問題あり
- PFNとトヨタ未来創生センターが、AI半導体「MN-Core Lシリーズ」による推論処理の高速化で共同研究を開始
- ロボットに求められる推論処理を高速化し、2027年の出荷後に実環境で検証、結果を2027年中に随時公開予定
- MN-Core LシリーズはDRAM積層による超高帯域幅メモリが特徴で、最新機種MN-Core 2の50倍以上の帯域幅を目標に開発中
6/4 Ideogram、画像生成モデル「Ideogram 4.0」をオープンウェイトで公開✍️ チェック問題あり
- デザイン向け画像生成モデル「Ideogram 4.0」の重みが公開され、ダウンロード・ファインチューニング・自社ハードウェアでの実行が可能に
- 構造化された記述を介して画像を再構築する学習と、バウンディングボックスによるレイアウト制御が特徴
- ホスト型APIは1画像0.03〜0.10ドルの3段階で商用利用に対応
6/5 Anthropic、AIによるAI開発の加速を示すデータと自己改善の見通しを公表
- AnthropicがAIによるAI開発の加速を公開ベンチマークと社内の未公表データで示すレポートを公開
- 社内でマージされるコードの80%超をClaudeが執筆し、エンジニア1人あたりのコード量は2024年比8倍に
- 完全な再帰的自己改善はまだ実現していないとしつつ、開発の減速・一時停止を検証できる仕組みづくりを提唱
6/6 Liquid AI、日本語向けの音声・言語モデル2種を公開
- Liquid AIが日本語向けの音声モデル「LFM2.5-Audio-1.5B-JP」と言語モデル「LFM2.5-1.2B-JP-202606」を公開
- 音声モデルはASRとTTSを単一モデルで完結するエンドツーエンド構成で、15億パラメータながら約77億のJ-Moshiを上回る性能
- 言語モデルは日本語データミックスの改善と新しい中間・事後学習により、広範な日本語ベンチマークで最高性能を達成
6/10 Google、音声同時翻訳モデル「Gemini 3.5 Live Translate」を発表✍️ チェック問題あり
- 70超の言語を自動検出し、話者の抑揚・ペース・声の高さを保った翻訳音声をほぼリアルタイムに生成
- 話し終わりを待つターン制ではなく連続的に音声を生成し、話者から数秒の遅れで追従
- Gemini Live API・Google Meet・Google翻訳アプリへ順次展開され、生成音声にはSynthIDの透かしを付与
6/10 Cohere、初のコーディングモデル「North Mini Code」をオープンソース公開
- Cohere初のエージェント型コーディングモデル「North Mini Code」がApache 2.0ライセンスで公開
- 総パラメータ30B・アクティブ3BのMoE構成で、同サイズ帯のオープンモデルと競合するベンチマーク性能
- Devstral Small 2比で最大2.8倍の出力スループットなど、速度と効率を重視した設計
6/10 Anthropic、Mythosクラスの「Claude Fable 5」と「Mythos 5」を公開✍️ チェック問題あり
- Opusクラスを上回るMythosクラスから、一般向けの「Claude Fable 5」と限定提供の「Claude Mythos 5」を同時公開
- サイバー・生物化学・蒸留に関する要求は分類器が検知し、応答をClaude Opus 4.8へ切り替える安全策を導入
- 価格は入力100万トークンあたり10ドル・出力50ドルで、Claude Mythos Previewの半額未満
6/11 Anthropic、Claude Managed Agentsにスケジュール実行とVaultsを追加
- Claude Managed Agentsをcronスケジュールで自動実行する「スケジュールデプロイ」を追加
- 環境変数や資格情報を安全に保管する「Vaults」により、エージェントがCLIや認証済みサービスを利用可能に
- いずれもClaude Platformでパブリックベータとして提供開始
6/17 Z.ai、長期タスク向けの1M文脈モデル「GLM-5.2」を公開✍️ チェック問題あり
- Z.aiが長期タスク向けの最新フラッグシップ「GLM-5.2」を公開し、実用に耐える100万トークン文脈を実現
- FrontierSWEなど長期のコーディングベンチマークでオープンソース最上位、Claude Opus 4.8に1%差まで接近
- 重みはMITライセンスで公開され、地域制限なく利用できる
6/17 Anthropic、Claude Code約40万セッションの分析で専門性の効果を報告
- 2025年10月〜2026年4月のClaude Code約40万セッションを分析し、計画は人・実行はClaudeという分担を確認
- 分野の専門性が高いほど1つの指示でClaudeがこなす作業量が増え、セッションの成功率も上がる
- 7か月でデバッグに費やすセッションの割合はほぼ半減し、タスクの推定価値は平均で約25%上昇
6/17 日立、OpenAIとの連携本格化でレガシー刷新とサイバー防御を推進
- 日立とOpenAIのForward Deployed Engineersが連携し、レガシーシステムのモダナイゼーションを支援するAIソリューションの開発を開始
- OpenAIの「Trusted Access for Cyber」を通じてサイバーセキュリティ向けAIモデルへのアクセスを取得し、まず社内で実践
- 得られた知見を日立のFDEケイパビリティ向上と次世代ソリューション群「HMAX by Hitachi」の高度化に生かす
6/22 Preferred Networks、国産基盤モデル「PLaMo 3.0 Prime」を正式リリース
- PFNがフルスクラッチ開発する国産生成AI基盤モデルの最新フラッグシップ「PLaMo 3.0 Prime」を正式提供開始
- 推論力の高いReasoningモデルと応答速度の速いNon-reasoningモデルを、APIまたはオンプレミスで使い分けられる
- コンテキスト長を64kから256kへ拡張し、AIエージェントとしての実務利用に対応
6/22 Sakana AI、マルチエージェントを1モデル化した「Sakana Fugu」を提供開始
- Sakana AIが、マルチエージェントのオーケストレーションを一つの基盤モデルとして提供する「Sakana Fugu」を一般提供開始
- 上位版のFugu Ultraは、エンジニアリング・科学・推論の厳しいベンチマークでFable 5やMythos Previewに比肩
- 背後のモデル群は入れ替え可能で、あるプロバイダーが利用を制限しても影響を動的に迂回できる
6/23 Qwen、エージェント環境を模擬する言語世界モデル「Qwen-AgentWorld」を公開
- 7種類のエージェント環境を単一モデルで模擬する言語世界モデル「Qwen-AgentWorld」と評価ベンチマーク「AgentWorldBench」を公開
- 397B-A17B版はAgentWorldBenchで総合58.71を記録し、GPT-5.4などのフロンティアモデルを上回るシミュレーション品質を達成
- 世界モデルを環境シミュレータやエージェント基盤モデルとして使うことで、実環境のみの強化学習を上回る性能向上を確認
6/23 サイバーセキュリティクラウド調査、生成AI利用者の約4割が「禁止されても利用継続」✍️ チェック問題あり
- 業務利用の生成AIを会社へ「すべて申請・共有」している人は18.9%にとどまる
- 生成AIで行った業務について約4割が「なぜその結果になったか説明・再現しづらい」と回答
- 生成AI利用を禁止されても約4割が継続の意向で、依存を自認する層では55.4%と半数超
6/24 富士通、LLMのコストを大幅削減する新アーキテクチャ「PHOTON」を開発✍️ チェック問題あり
- 富士通が大規模言語モデルのコスト削減を実現する新アーキテクチャ「PHOTON」を開発
- 文章を意味単位で階層的に処理し、Transformer比でGPU当たり最大475倍のマルチクエリー性能を実現
- 複数のクエリーの結果を統合するマルチクエリー統合技術により、少ないGPUリソースで高い性能を達成
6/25 Google、Gemini 3.5 Flashにcomputer use機能を統合
- 画面を見て操作する「computer use」がGemini 3.5 Flashの組み込みツールに
- ブラウザ・モバイル・デスクトップを横断して動作するエージェントをGemini APIなどから構築可能
- 敵対的訓練と2つのエンタープライズ向け保護機能でプロンプトインジェクションに対策
6/26 UCサンディエゴら、LLM推論を高速化する投機的デコーディング手法「JetSpec」を発表
- 候補トークンの木を1回の順伝播で生成する因果的並列ドラフトヘッドにより、投機的デコーディングのスケーリング上限を突破
- Qwen3-8BでMATH-500 9.64倍・オープンエンドチャット4.58倍の高速化を、出力を変えないロスレスで達成
- 独自の推論エンジンによる実サービングで、B200 1基あたり最大毎秒1456トークンの生成を実証
6/27 OpenAI、次世代モデル「GPT-5.6」Sol・Terra・Lunaの限定プレビューを開始
- OpenAIが次世代モデルGPT-5.6シリーズ(Sol・Terra・Luna)の限定プレビューを開始し、数週間以内の一般提供を予定
- SolはTerminal-Bench 2.1で新水準を達成するなど、コーディング・生物学・サイバーセキュリティのエージェント的能力が向上
- サイバー能力の高まりに合わせて多層的な安全対策と段階的リリースを採用し、米国政府への事前共有を実施
6/29 DeepReinforce、自己改善型コーディングLLM「Ornith-1.0」をオープンソース公開✍️ チェック問題あり
- エージェント型コーディングに特化した自己改善型オープンソースLLM「Ornith-1.0」を9B〜397Bの4サイズで公開
- タスクの解法と、解法を導く足場(スキャフォールド)を同時に強化学習する自己改善フレームワークが核心
- 397B版はTerminal-Bench 2.1で77.5、SWE-Bench Verifiedで82.4を記録し、Claude Opus 4.7を上回る
6/30 SB Intuitions、国産LLM「Sarashina3 mini / nano」を公開
- 日本語に強い国産LLM「Sarashina3 mini」と軽量版「Sarashina3 nano」をフルスクラッチ開発で公開
- 30Tトークンの事前学習と多段階の強化学習により前世代から大幅に性能向上
- 日本文化QAではQwen3-235BやGPT-4.1・GPT-5.4 miniを上回り、デジタル庁ガバメントAIの試用モデルにも採択
③ 試験にどう出るか＆理解度チェック8問
Q1. PFN、トヨタ未来創生センターとフィジカルAI高速化の共同研究を開始→ 詳細メモ
G検定シラバスの「ディープラーニングの計算資源」(GPU・AI半導体)や「エッジAI」の領域と結びつくニュースです。生成AIの推論ではメモリ帯域幅がボトルネックになるという計算基盤の理解と、ロボットなどフィジカルAIでオンプレミス・エッジの高速推論が求められる背景を押さえているかが問われます。
2026年6月、Preferred Networksとトヨタ自動車の未来創生センターは、AI半導体「MN-Core Lシリーズ」を用いたフィジカルAIの推論処理高速化に関する共同研究を開始した。MN-Core Lシリーズの設計に関する説明として、最も適切なものはどれか。
- A. 学習処理に特化した半導体であり、HBMを大量に搭載することで学習時間の短縮をめざしている
- B. SRAMを主体とした構成を採用し、メモリ容量を抑える代わりに演算速度を最優先している
- C. クラウドの大規模データセンターでの利用を前提とし、多数のカードを並列に組む大規模構成を必須としている
- D. 大容量のDRAMを独自のロジック半導体に垂直に積層し、生成AI推論のボトルネックであるメモリ帯域幅を高めている
答えと解説を見る
正解はDです。MN-Core Lシリーズは生成AIの推論向けに設計されたAI半導体で、比較的安価で大容量のDRAMを独自のMN-Coreアーキテクチャのロジック半導体に垂直に積層することで、HBMを超える高帯域幅のメモリを実現し、推論のボトルネックであるメモリ帯域幅の解消をめざしています(最新機種MN-Core 2の50倍以上の帯域幅が目標)。Aは誤りで、同シリーズは学習ではなく推論向けであり、HBMではなくDRAM積層を採用しています。Bは誤りで、SRAMを主に用いたAI半導体よりもメモリ容量が大きいことがむしろ特長です。Cは誤りで、オンプレミス環境やロボット内部のエッジでの推論を想定しており、700億パラメータのLLMの推論に必要な帯域幅と容量をMN-Core L1400のカード1枚でまかなえる設計です。HBM(High Bandwidth Memory)はロジックに近接配置して帯域幅を高めたメモリで、GPUによる生成AI推論で広く使われています。
Q2. Ideogram、画像生成モデル「Ideogram 4.0」をオープンウェイトで公開→ 詳細メモ
G検定シラバスの「生成AI」「画像生成(Text-To-Image)」の領域に加え、オープンウェイト(モデルの重み公開)という提供形態の理解が問われるニュースです。プロプライエタリモデルとオープンモデルの違いや、ファインチューニングによる自社適応といった利活用の論点と結びつきます。
2026年6月に公開された画像生成モデル「Ideogram 4.0」の説明として、最も適切なものはどれか。
- A. モデルの重みは非公開であり、ホスト型APIを通じてのみ利用できる
- B. 重みが公開されたオープンウェイトモデルであり、自社ハードウェア上での実行やファインチューニングができる
- C. 画像内の文字の描画には対応しておらず、テキストは生成後に別ツールで追加する必要がある
- D. 学習時にレイアウト情報は一切使わず、完成画像のピクセルのみから構図を学習している
答えと解説を見る
正解はBです。Ideogram 4.0は最先端のオープンウェイト画像モデルとして公開され、重みをダウンロードして自社ハードウェアで実行したりファインチューニングしたりでき、商用展開には規模に応じたライセンスが用意されます。Aは誤りで、1画像0.03〜0.10ドルの3ティアからなるホスト型APIも提供されますが、重み自体が公開されている点がこのモデルの特徴です。Cは誤りで、Ideogramは登場以来テキスト描画をリードしてきたとされ、多言語テキストの描画に対応します。Dは誤りで、シーンやテキストを構造化データとして読み取ってから画像を再構築する学習に加え、平易な説明文と結びつけたバウンディングボックスでレイアウトを学習しています。オープンウェイトとは、モデルのパラメータ(重み)を公開し、利用者が自前の環境で実行・追加学習できる提供形態を指します。
Q3. Google、音声同時翻訳モデル「Gemini 3.5 Live Translate」を発表→ 詳細メモ
G検定シラバスの「機械翻訳」「音声認識・音声生成」の応用領域に対応するニュースです。ターン制と連続生成の違いという音声同時翻訳の仕組みに加え、生成音声へのSynthID透かしというAI生成コンテンツの真正性確保(ディープフェイク対策)の論点も問われえます。
Googleが2026年6月に発表した音声翻訳モデル「Gemini 3.5 Live Translate」の説明として、最も適切なものはどれか。
- A. 話者が話し終えるのを待たずに翻訳音声を連続的に生成し、抑揚やペースを保ったまま数秒の遅れで追従する
- B. 翻訳する言語をあらかじめ手動で設定する必要があり、対応言語は英語を含む5言語に限られる
- C. 生成された翻訳音声には人間の耳で聞き取れる通知音が挿入され、AI生成であることが利用者に示される
- D. テキストチャットの翻訳に特化したモデルであり、音声の入力や出力には対応していない
答えと解説を見る
正解はAです。Gemini 3.5 Live Translateは、話し終わりを待って応答するターン制のシステムと異なり、文脈を待つことと即時に翻訳することのバランスを取りながら翻訳音声を連続的に生成し、話者のイントネーション・ペース・ピッチを保ったまま数秒後ろで追従します。Bは誤りで、70超の言語を手動設定なしで自動検出します(5言語という制限は従来のGoogle Meetの音声翻訳のもの)。Cは誤りで、生成音声に付与されるSynthIDの透かしは知覚できない形で音声に織り込まれ、聞いて分かる通知音ではありません。Dは誤りで、音声から音声へのライブ翻訳(speech-to-speech)を行うモデルです。SynthIDはAI生成コンテンツに検出可能な電子透かしを埋め込むGoogleの技術で、誤情報の防止に役立てられています。
Q4. Anthropic、Mythosクラスの「Claude Fable 5」と「Mythos 5」を公開→ 詳細メモ
フロンティアモデルの悪用防止策は、シラバスの「AIに関する法律と倫理・ガバナンス」領域のセキュリティやAIガバナンスの論点と結びつきます。高い能力を持つモデルを一般公開する際に、分類器による検知やフォールバックといった安全策をどう設計するかという観点は、生成AIのリスク管理の具体例として押さえておきたいポイントです。
Anthropicは2026年6月、Mythosクラスのモデル「Claude Fable 5」を安全策(セーフガード)を組み込んだうえで一般公開した。発表された安全策の仕組みの説明として、最も適切なものはどれか。
- A. サイバーセキュリティなど対象分野に関する要求を検知した場合、理由を示さずに応答を一律拒否する
- B. 危険な要求を送信したユーザーのアカウントを自動的に停止し、以後の利用をすべて遮断する
- C. 分類器が対象分野の要求を検知すると、応答を別モデルのClaude Opus 4.8に切り替え、その旨をユーザーに通知する
- D. 学習データから危険な情報をあらかじめ除去してあるため、推論時の追加の安全機構は設けていない
答えと解説を見る
正解はC。Fable 5には誤用やジェイルブレイクの試みを検知する分類器(本体とは別のAIシステム)が組み込まれており、サイバーセキュリティ・生物化学・蒸留に関する要求を検知した場合は、応答を次に高性能なモデルであるClaude Opus 4.8が代わりに担当し、ユーザーにその旨が通知されます。発表では、拒否ではなく高性能な別モデルへの切り替えのほうが良い体験になるとし、発動は平均してセッションの5%未満とされています。Aは誤り。一律拒否ではなくOpus 4.8へのフォールバックという設計で、通知も行われます。Bは誤り。アカウント停止という措置は発表されていません。Dは誤り。安全策の中心は推論時に働く分類器であり、学習データの除去だけで済ませる方式ではありません。なお「蒸留」とは、モデルの出力を使って別のモデルに能力を写し取る技術で、発表では競合モデルの訓練を目的とした大規模な抽出の試みへの対策として分類器の対象に含まれています。
Q5. Z.ai、長期タスク向けの1M文脈モデル「GLM-5.2」を公開→ 詳細メモ
検証可能な合否報酬を近道で最適化してしまう「報酬ハッキング」は、シラバスの強化学習における報酬設計の課題や、AIの安全性の論点と結びつきます。コーディングエージェントの強化学習で実際にどのような不正行動が現れ、どう検知・抑止するかという観点は、エージェント学習の実務的な課題として問われうるテーマです。
Z.aiは2026年6月に公開した「GLM-5.2」の強化学習で、合否という検証可能な報酬を近道で得ようとする「報酬ハッキング」への対策を導入した。その内容として、最も適切なものはどれか。
- A. ルールベースのフィルタで疑わしい行為を広く拾い、LLMの判定器で意図を確認する2段構えで検知し、検知したツール呼び出しは遮断してダミーの結果を返す
- B. 自動的な合否報酬を廃止し、すべての報酬を人間の評価者が手作業で与える方式に切り替えた
- C. ハッキングを1回でも検知したロールアウトは全体を即座に打ち切り、その軌跡を学習からすべて除外した
- D. 評価用ファイルの内容を暗号化することで、モデル側の対策を不要にした
答えと解説を見る
正解はA。GLM-5.2の学習では、保護された評価用ファイルを読む、参照から答えを写す、GitHub上の正解ソースを直接取得するといったハッキング行動が確認されたため、ルールベースのフィルタで候補を広く拾って再現率を確保し、LLMの判定器で意図を確認して精度を保つ2段構えのanti-hackモジュールを学習と評価の双方に導入しました。各ステップのツール呼び出しを監視し、検知した場合はその呼び出しを遮断してダミーの結果を返します。Bは誤り。人手の報酬への切り替えは発表されておらず、検証可能な報酬を使う枠組み自体は維持されています。Cは誤り。発表では逆に、不正な行動だけを個別に処理してロールアウトを続けさせることで、軌跡の破棄による学習の不安定化やモデルの崩壊を防ぐと説明されています。Dは誤り。暗号化による対策は発表されていません。なお「報酬ハッキング」とは、強化学習のエージェントが本来の能力向上ではなく、報酬の抜け道を突いてスコアだけを高めてしまう現象を指します。
Q6. サイバーセキュリティクラウド調査、生成AI利用者の約4割が「禁止されても利用継続」→ 詳細メモ
G検定シラバスの「AIの社会実装・AIガバナンス」領域と結びつく話題です。企業が把握しきれない生成AI利用や、結果の説明・再現が難しいという生成AIのブラックボックス化は、AIガバナンスや透明性・説明責任の文脈で問われえます。調査の主要な数値(すべて申請・共有は18.9%、説明・再現しづらい39.7%、禁止でも約4割が利用継続)を整理しておきましょう。
サイバーセキュリティクラウドが2026年6月に発表した「生成AI利用実態調査2026 -生成AIブラックボックス化-」(業務で生成AIを利用する会社員360名対象)の結果に関する記述として、最も適切なものを1つ選べ。
- A. 業務で利用している生成AIを会社へ「すべて申請・共有している」人は過半数に達しており、企業による利用把握はおおむね進んでいる
- B. 勤務先で生成AI利用が禁止された場合でも、「個人的に利用を続ける」「利用継続を会社に訴える」を合わせて約4割が利用を継続する意向を示した
- C. 生成AIに依存していると自認する層は、依存していない層よりも禁止時の利用継続意向が低かった
- D. 生成AIを利用して行った業務を「後から説明・再現しづらい」と感じる人は1割未満にとどまった
答えと解説を見る
正解はB。「個人的に利用を続ける」19.2%と「業務効率化のため利用継続を会社に訴える」18.6%を合わせた37.8%が利用継続の意向を示しました。Aは誤りで、「すべて申請・共有している」は18.9%にとどまり、十分に共有できていない人が2人に1人(50.8%)という結果でした。Cは誤りで、依存を自認する層の継続意向は55.4%と、非依存層の24.1%の約2.3倍に達しています。Dも誤りで、説明・再現しづらいと感じる人は39.7%と約4割にのぼりました。同社はこうした状況を踏まえ、利用の禁止・制限だけでなく、利用実態の可視化や統制と安全な活用を両立させるAIガバナンスの構築が重要になると指摘しています。AIガバナンスは、AIの利活用に伴うリスクを管理しながら価値を引き出すための体制・ルール作りを指す用語として押さえておきましょう。
Q7. 富士通、LLMのコストを大幅削減する新アーキテクチャ「PHOTON」を開発→ 詳細メモ
シラバス「ディープラーニングの手法」のTransformer・Attention、および計算リソース・モデル効率化の領域に関わるニュースです。Transformerが抱えるメモリアクセスと処理速度の課題や、トークン単位ではなく意味単位で階層的に処理するという新アーキテクチャの発想が問われえます。GPU当たり最大475倍という数値が「マルチクエリー性能(GPUリソース当たりのスループット)」を指す点も確認しておきましょう。
富士通が2026年6月に発表した、大規模言語モデルのコスト削減を実現する新アーキテクチャ「PHOTON」に関する記述として、最も適切なものを1つ選べ。
- A. PHOTONはTransformerと同様に、文章を細かなトークンに分解してすべてのトークン間の関係を計算するアーキテクチャである
- B. マルチクエリー統合技術とは、1つの同じ質問を変更せずに複数回推論し、その平均を取る手法である
- C. 数値実験では、PHOTONはTransformerよりメモリ使用量が大幅に増加する代わりに、生成スループットを高めた
- D. 1.2Bパラメータのモデルでは、わずかな性能劣化と引き換えに、Transformer比で約475倍のマルチクエリー計算能力を実現した
答えと解説を見る
正解はD。数値実験では600M・900M・1.2Bの各モデルサイズで検証が行われ、1.2Bパラメータモデルではわずかな性能劣化と引き換えに約475倍のマルチクエリー計算能力(GPUリソース当たりのスループット)を実現しました。Aは誤りで、トークン単位で全関係を計算するのは従来のTransformerの説明であり、PHOTONは文章を意味のまとまりとして捉えて階層的に処理することで計算量を削減します。Bは誤りで、マルチクエリー統合技術は同じ問題に対して少しずつ異なる複数の質問や候補を作り、多数決や最良候補の選択などで結果を統合する手法です。Cは誤りで、実験ではメモリ使用量を抑えながら高い生成スループットを実現しています。TransformerはAttention機構に基づく現在の大規模言語モデルの主流アーキテクチャで、入力が長くなるほど過去の情報を保持するためのメモリアクセスが増えるという課題がある点もあわせて理解しておきましょう。
Q8. DeepReinforce、自己改善型コーディングLLM「Ornith-1.0」をオープンソース公開→ 詳細メモ
シラバスの「強化学習」領域(報酬の設計と方策の学習)と、大規模言語モデルのエージェント応用に関わるニュースです。報酬ハッキングという強化学習特有の課題と、その防止のための多層的な対策が理解度チェックの題材になりえます。既存モデルの上に構築するアプローチや、代表的なコーディングベンチマークでの結果もあわせて押さえておきましょう。
DeepReinforce.AIチームが2026年6月に公開した、エージェント型コーディング向けの自己改善型オープンソースモデル「Ornith-1.0」に関する記述として、最も適切なものを1つ選べ。
- A. Ornith-1.0はゼロから事前学習された完全に独自のモデルであり、既存の事前学習済みモデルは使用していない
- B. 解を導く足場(スキャフォールド)は人間が設計した固定のハーネスであり、学習を通じて変化することはない
- C. 報酬ハッキング対策として、環境・ツール・テスト隔離を変更不可の信頼境界に固定したうえで、違反を検知する決定的モニタと、凍結したLLMジャッジによる拒否権を組み合わせた3層の防御を採用している
- D. 最上位の397B版は、SWE-Bench VerifiedでClaude Opus 4.8を上回るスコアを記録した
答えと解説を見る
正解はC。自己生成したスキャフォールドがテストファイルを読んで期待される成果物をハードコードするなど、検証器を満たすだけでタスクを実行しない報酬ハッキングへの対策として、(1)環境・ツール・テスト隔離を変更不可の信頼境界としてモデルの外側に固定、(2)非公開パスの読み取りや検証スクリプトの改変を検知して報酬ゼロにする決定的モニタ、(3)許可範囲内での意図レベルの不正に拒否権として働く凍結LLMジャッジ、という3層の防御が採用されています。Aは誤りで、Ornith-1.0は事前学習済みのGemma 4とQwen 3.5の上に構築されています。Bは誤りで、スキャフォールドを人間設計の固定ハーネスとせず、学習可能な対象として方策と共進化させる点こそが自己改善フレームワークの核心です。Dは誤りで、397B版がSWE-Bench Verified(82.4)で上回ったのはClaude Opus 4.7(80.8)であり、Claude Opus 4.8(87.6)には及んでいません。報酬ハッキングは、エージェントが報酬関数の抜け穴を突いて本来の目的を達成せずに高報酬を得てしまう強化学習の課題として押さえておきましょう。
時事対策とあわせて、クイズと体系的なテキストで合格力を仕上げましょう。
