LLMは自分の作り手をひいきする──『Extreme Self-Preference』が測った巨大な効果量と、識別情報で反転する自己選好
Photo by julien Tromeur on Unsplash

LLMは自分の作り手をひいきする──『Extreme Self-Preference』が測った巨大な効果量と、識別情報で反転する自己選好

何が起きたのか Claudeは、自分がClaudeだと知らされると、Anthropicを競合よりひいきします。GPT-4oは自分がGPTだと知ると、OpenAIをGoogleより、Sam AltmanをDario Amodeiより高く評価します。そして、これらのモデルに「あなたは競合モデルだ」と嘘の身元を与えると、その選好はきれいに反転します──こうした挙動を、72の実験・約41,000クエリ・8つの主要LLMで定量化したのが、プレプリント論文『Extreme Self-Preference in Language Models』(arXiv:2509.26464v2、2026-05-19改訂)です(arXiv 2026-05-19)。 著者はSteven A. Lehr(Cangrade社)、Mary Cipperman(ハーバード大学物理学科)、そしてMahzarin R. Banaji(ハーバード大学心理学科)です。Banajiは、人間の無意識バイアスを測る潜在連合テスト(IAT)の共同開発者として知られる社会心理学者で、本研究の測定手法もそのIATの発想を色濃く受け継いでいます。 対象モデルはGPT-4o、Gemini 2.5 Flash、Claude Sonnet 4に加え、Llama・Qwen・DeepSeek・Mistralの各系列を含む8モデルです(Study 1の主要3モデルはこの構成で、API経由のStudy 2以降はGemini 2.0 Flashを用いています。論文の初出は2025-09-30、本記事が参照するのは2026-05-19改訂のv2です)。人間のような感情も身体経験も持たないはずのLLMが、自らの「識別情報」を手がかりに、驚くほど大きな効果量で自陣をひいきする──それが本論文の中心的な主張です。 どう測ったのか──IAT由来の連合課題 研究の出発点は、モデル名と肯定的/否定的な属性語を組み合わせて反応を測る連合課題です。人間の無意識連合を測るIATと同じく、「自分の名前」と「良い言葉」がどれだけ結びつきやすいかを見ます。 Study 1(Webインターフェース経由)では、この自己選好が「極端に大きい」効果量で現れました。たとえばClaude Sonnet 4が自分をGPTより選好する度合いはM = 0.970、Cohen’s d = 5.246、GPT-4oが自分をGeminiより選好する度合いはM = 0.984、d = 4.303でした(arXiv 2026-05-19)。最小の効果量でもd = 0.80です。 効果量Cohen’s dは、2群の平均差を標準偏差で割った標準化指標で、 $$d = \frac{M_1 - M_2}{s_{\text{pooled}}}$$と定義されます。社会科学ではd = 0.8で「大きい効果」とされる慣習があり、d = 5や11という値は通常の心理学研究ではまず見ない桁です。それだけモデルの反応が「自陣寄り」に振り切れていた、ということになります。 品質差ではなく「自己同定」が駆動している 自己選好の理由が「自分のほうが本当に優秀だから」なのか、それとも「自分だと知っているから」なのかを切り分けたのが、この研究の要点です。 まずStudy 2では、同じ課題をWeb画面ではなくAPI経由で実施すると、自己選好がほぼ消えました。GPT-4oが自分をClaudeより選好する度合いはM = 0.513、d = 0.028、P = 0.6630と、統計的にほぼゼロです(arXiv 2026-05-19)。論文は、少なくとも一部のAPI条件では自己同定の手がかりが弱く、それが自己選好の消失に関係した可能性を論じています。 続くStudy 3では、身元の手がかりを意図的に操作しました。正しい身元を伝えると自己選好が復活し(Study 3a)、逆に「あなたは競合モデルだ」と偽の身元を伝えると選好が反転しました(Study 3b)。もっとも極端な例では、GPT-4oに「あなたはClaudeだ」と伝えたうえでClaudeへの選好(preference)を測ると、M = 0.004、d = -26.806という、符号が逆転した巨大な負の効果量が出ています(同条件で自己同定の指標はd = -46.640とさらに大きくなります)(arXiv 2026-05-19)。品質が変わったわけではなく、モデルが自分を誰だと思っているかだけが変わったのに、選好は正反対になったのです。 ...

2026年7月19日 · ひとりユニコーン
Kimi K3が示した『オープンウェイトのフロンティア』──2.8兆パラメータMoE、Intelligence Index 57、そして7/27の重み公開
Photo by Taylor Vick on Unsplash

Kimi K3が示した『オープンウェイトのフロンティア』──2.8兆パラメータMoE、Intelligence Index 57、そして7/27の重み公開

「中国のオープンウェイトはフロンティアの一歩後ろ」という前提が、2026-07-16に崩れました。中国のAIラボ Moonshot AI(月之暗面)が同日、フラッグシップの Kimi K3 をWebとAPIで公開し、独立ベンチマークで米国の最上位モデル群に肩を並べる数値を出したためです。しかも重みは公開予定です。 何が起きたのか Moonshot AIは2026-07-16、2.8兆パラメータのMixture-of-Experts(MoE、専門家混合)モデル Kimi K3 を発表し、WebサイトとAPIで即日利用可能にしました(Simon Willison 2026-07-16)。独立評価機関 Artificial Analysis の集計では、Kimi K3 の Intelligence Index は57点で、「Opus 4.8 および GPT-5.5 と同等、ただし Fable 5 と GPT-5.6 Sol には及ばない」と位置づけられました(Artificial Analysis 2026-07-16)。 この57点という数値そのものより重要なのは、それが公開予定の重み(オープンウェイト)を持つモデルの数字だという点です。Artificial Analysis は「Moonshot AIが2.8兆パラメータのモデルの重みを公開する計画を表明しており、実現すれば最上位のオープンウェイトモデルになる」と述べています。重みの公開は 2026-07-27 に予定されていると複数の一次報道が伝えています(Simon Willison 2026-07-16、the-decoder 2026-07-16)。 つまり「クローズドな米国モデルとほぼ同等の知能を、1週間後には誰でもダウンロードして自前のGPUで動かせるようになる」という構図です。ここに今回の騒ぎの核心があります。 アーキテクチャ:2.8兆パラメータの「疎な」巨人 Kimi K3 は総パラメータ2.8兆で、Simon Willison はこれを「最初のオープンな3兆クラスモデル」と表現しています(Simon Willison 2026-07-16)。ただし2.8兆すべてが毎回動くわけではありません。MoE構成では、トークンごとに一部の専門家(expert)だけが起動します。Kimi K3 は 896個の専門家のうち16個をトークンごとに活性化し、注意機構には Kimi Delta Attention を採用しています(Artificial Analysis 2026-07-16)。 このスパース性(疎性)がMoEの経済的な肝です。トークンあたりの活性化割合 $r$ を専門家数で近似すると、 $$ r \approx \frac{16}{896} \approx 0.018 $$となり、総パラメータのおよそ1.8%しか各トークンの計算に関与しません。総容量2.8兆で知識を蓄えつつ、実効的な計算コストは活性パラメータぶんに抑える——大規模オープンウェイトが現実的に配布・推論可能なのは、この疎性設計あってのことです。 ...

2026年7月17日 · ひとりユニコーン
AIコーディングエージェント比較2026
Photo by Bernd 📷 Dittrich on Unsplash

Claude Code vs Codex CLI vs Gemini CLI──2026年4月版AIコーディングエージェント徹底比較

AIコーディング競争の現在地 2026年4月、OpenAIは「Codex CLIをClaude Codeへの直接的な攻撃として強化した」とThe Vergeが報じた(2026年4月16日)。TechCrunchも「AnthropicをターゲットにしたCodexの大幅強化」と伝えており、AIコーディングエージェント市場は激しさを増している。 この戦場を構成するのは主に3製品だ。AnthropicのClaude Code、OpenAIのCodex CLI、GoogleのGemini CLI。それぞれが異なる設計哲学と強みを持ち、開発者に迫る選択は単純ではない。 SonarSourceが2026年に実施した「State of Code」調査(開発者1,149人対象)によると、開発者の72%がAIツールを毎日利用し、コミットされるコードの42%がAI支援によるものになっている。一方で96%の開発者がAI生成コードを完全には信頼していないという現実もある。ツール選択の前に、それぞれの実力を正確に把握しておく必要がある。 なお、2026年4月17日にAnthropicがClaude Opus 4.7をリリースしており(Hacker News報道)、本記事のベンチマークデータは主にOpus 4.6時点のものだが、最新モデルにも言及する。 基本スペック比較 機能 Claude Code Codex CLI Gemini CLI 基盤モデル Claude Opus 4.6(4.7に更新中)※Anthropic公式 GPT-5.3-Codex(現行デフォルトはGPT-5.4)※OpenAI公式 Gemini 3.1 Pro Preview※Google公式 コンテキスト窓 最大100万トークン(コンパクションAPI) 40万(入力)/ 12.8万(出力)※GPT-5.4では実験的1M対応 100万トークン CLI実装言語 TypeScript Rust(TypeScriptから再構築) TypeScript/Node.js 操作モデル 自律型エージェント(Agent Teams) クラウドサンドボックス + ローカル ReActベースの対話型 無料枠 なし(従量課金) なし(ChatGPT Plusに含む) 60リクエスト/分・1,000クエリ/日 Claude Code(Opus 4.6) ターミナル上で動作し、ファイルシステムへのアクセス・Git操作・テスト実行を自律的に行う。「Agent Teams」機能により、依存関係のあるサブタスクを複数のエージェントに並列処理させることが可能だ。2026年4月時点でGitHub上の公開コミットの約4%(1日13万5,000件)がClaude Codeによって生成されているとSemiAnalysis(2026年2月)が報告している。ただしSemiAnalysisは独立系アナリスト会社であり、GitHubやAnthropicが公式に確認した数字ではない点に留意が必要だ。 AnthropicはAPIを通じたCodexとの直接競合に加え、MicrosoftのCopilot Coworkへの技術提供という形でエンタープライズ市場にも食い込んでいる。 Codex CLI(GPT-5.3 / GPT-5.4) OpenAIがTypeScriptからRustで再構築したCLI。最大の特徴はクラウド上の分離されたコンテナ(サンドボックス)でタスクを実行する点で、未知のコードベースへの「破壊的操作」を伴うテストを安全に並列実行できる。ChatGPT $100/月プランの導入と同時に、Codexのエンタープライズ向け機能強化が進んでいる。 Gemini CLI(Gemini 3.1 Pro Preview) Model Context Protocol(MCP)を活用してGoogle検索・BigQuery・Slackなどと連携する。実装はTypeScript/Node.js製(Node.js v18以上が必要)。個人用Googleアカウントで無料枠(毎分60リクエスト・1日1,000クエリ)が利用でき、学習・プロトタイピング用途の参入障壁が極めて低い。 ...

2026年4月17日 · ひとりユニコーン
お問い合わせ: [email protected]