中国AI

何が起きたのか Z.ai が 2026-08-26 に GLM-5.3-Flash を公開しました。総パラメータ320B・活性18Bの MoE(Mixture-of-Experts、トークンごとに一部の専門家だけを動かす方式)で、ライセンスは MIT、ウェイトは Hugging Face の zai-org/GLM-5.3-Flash に置かれています。モデルカードには「With 320B total parameters and just 18B active parameters」と明記されています。 同時に、OpenRouter と OpenCode へ提供元を伏せて投入され話題になっていた ox-alpha が、このモデルのプレビュー版だったことが公式に認められました。Z.ai 公式ドキュメントは「we tested GLM-5.3-Flash anonymously as ox-alpha on OpenCode and OpenRouter to gather user feedback」と書いています（Z.ai 公式ドキュメント）。TechCrunch も Z.ai が Ox Alpha の開発元であることを認めたと報じていますが、同記事が引いている確認は Bloomberg News の取材に対する Z.ai の回答であり、TechCrunch が独自に取ったものではありません（TechCrunch 2026-08-26）。Z.ai 公式アカウントの発表投稿も「Previously previewed as Ox Alpha, running entirely on Chinese AI chips」と書いており、匿名プレビューと自社の関係、および中国製AIチップ上での運用を明言しています（Z.ai 公式X 2026-08-26）。 筆者が本稿で取り上げたいのは、話題性そのものではありません。公称値として掲げられている数字と、モデルカードの脚注に書かれた測定条件が、ベンチマークごとにばらばらだという点です。 公称1Mコンテキストと、ベンチマークごとに違う評価条件 公式発表と各所の紹介文が揃って掲げているのは「1M-token context window」です。設定ファイル側にも対応する値があります。Hugging Face の config.json では設定上の最大長 max_position_embeddings が 1,048,576 で、$2^{20}$ ちょうどです。これは実装が受け付ける上限の宣言であって、その長さで測った品質を示す値ではありません。 ...

何が起きたのか 2026年8月24日、小米（Xiaomi）が開催した技術説明会「玄戒技术沟通会」で、自社設計チップ3種と、それらを1台に載せたミニPC「小米AI Cube」の工程版（エンジニアリングプロトタイプ）が公開されました。IT之家の報道（IT之家 2026-08-24）は、公式スペックを次のように伝えています。 玄戒O3: 10核全大核CPU、16核G2-Ultra NX GPU、200 TOPSの低消費電力NPU 玄戒O100: 6nm 3D晶圆级堆叠先进封装、28,672根有效数据线、1.22TB/s超高近存计算带宽 玄戒D100: 3nm制程、20核高性能CPU、16核高算力NPU、最高支持160GB内存 筐体: 航天铝一体成型、33,874個のCNC精密镂孔、持続性能解放150W ソフトウェア: 120B/3B大模型の本地部署、快慢系统切换に対応 そして同じ記事は、上市時間と售价について「暂未公布」と明記しています。つまり価格も発売時期も未定のプロトタイプです。 翌25日には続報が出ました。小米集団総裁の卢伟冰と創業者の雷军が披露したのは2台の原型機です。IT之家の続報（IT之家 2026-08-25、IT之家 2026-08-25 雷军投稿）によれば、O3とO100の2チップ構成の高速AIデモ端末「玄戒O100原型機」は、内蔵のXiaomi MiMo端側モデルで実測毎秒295トークンを記録。一方、別筐体のミニPCであるAI Cube「Prototype」は、O3・O100・D100の3チップと80GBの統合メモリを搭載すると説明されました。 英語圏では「1.22 TB/s bandwidth」「up to 160GB unified memory」という2つの数字が並べて紹介され、NVIDIA DGX Spark（GB10）の中国製対抗馬という文脈で受け取られました。ですがこの2つは同じメモリの話ではなく、そもそも160GBはD100というチップ単体の対応上限です。AI Cube実機の搭載量として公表されたのは、上記の80GBです。 見出しの1.22TB/sは、どのメモリの帯域なのか 原文の中国語は「超高近存计算带宽」です。近存＝near-memory、つまり演算器のすぐ隣に置かれたメモリとの帯域を指します。この1.22TB/sはO100というAIアクセラレータ単体の内部帯域であり、D100が対応する「最高160GB」のプール全体の帯域ではありません。 O100の実装も、その読み方を裏づけています。O100は6nmでのwafer-on-wafer 3D積層をハイブリッドボンディングで接合したもので、接合ピッチは1.4µm、これによって28,672本の有効データ線と14コアの高帯域NPUを実現した、と報じられています（NYU Shanghai RITS 2026-08-24）。同記事は1.22TB/sを「アクセラレータのダイに直接積層されたメモリで得られるスループット」と説明し、D100が対応する160GBとは別の仕様だと整理しています。ただしこれは80GB公表前の8月24日時点の解釈で、AI Cube実機内で3チップとメモリがどう接続されているかを小米が公表したわけではありません。 小米自身の比較対象も傍証になります。発表では、主流フラッグシップスマートフォンのLPDDR5X帯域76.8GB/sに対して約16倍、という言い方がされました（快科技 2026-08-24）。実際に割ってみると次のとおりで、比較の相手はスマホSoCのメモリ帯域です。 $$\frac{1.22 \times 10^{3}\ \text{GB/s}}{76.8\ \text{GB/s}} \approx 15.9$$ここで抜け落ちているのが、O100に積層されたメモリの容量です。1.22TB/sで読める領域が何GBあるのかは、発表資料から確認できませんでした。翌25日に公表されたAI Cubeの「80GB統合メモリ」についても、O100の積層メモリがそこに含まれるのか、別空間なのか、共有されるのかという関係自体が示されておらず、80GB全域をどの帯域で読めるのかも分かりません。ローカル推論では「速いメモリが何GBあるか」が実効速度を左右する重要な要素なので、これは帯域の数字と同じくらい重要な欠落です。 28,672本を1本あたりに割ると、設計思想が見える 28,672という数字は、そのままでは大きさの実感が湧きません。帯域を線の本数で割って、1本あたりの転送レートにしてみます。帯域を $B$、有効データ線数を $N$ とすると、1本あたりのビットレート $r$ は次式です。 $$r = \frac{8B}{N} = \frac{8 \times 1.22 \times 10^{12}}{28{,}672} \approx 3.4 \times 10^{8}\ \text{bit/s}$$およそ340Mbps。ただしこれは、公称帯域を有効データ線の本数で均等割りした平均相当値です。双方向帯域の集計方法、クロック方式、ECC・制御線の扱いといった前提は公表されておらず、各配線の実際の信号速度と断定はできません。参考として、NVIDIA DGX SparkのGB10は128GBのLPDDR5xで273GB/sのピーク帯域を持ちます（NVIDIA DGX Spark 公式仕様）。GB10のメモリインターフェースは公式仕様に256ビットと記載されており、同じ計算をすると1データ線あたり8.5Gbps前後になります。 ...

何が起きたのか 2026年8月22日19時、北京の国家速滑館（通称「氷のリボン」）で第2回世界人形機器人運動会が開幕しました。開幕式の中で行われた100m大型組の予選で、北京人形机器人创新中心（英語名 X-Humanoid）の天卓队が出走させた人形ロボットが9秒39を記録し、ウサイン・ボルトが2009年ベルリン世界選手権で出した男子100m世界記録9秒58を0秒19上回りました（新浪財経 2026-08-22、Global Times 2026-08-22）。 記録の更新は、そこで止まっていません。人民日報上海（2026-08-23）はこう書いています。 9秒39！在開幕式上的100米大型組預賽中，天卓隊的機器人打破人類百米紀錄。之后的預賽中，天工—京灃科技聯合隊的機器人跑出9秒34的成績；天驍隊和天工隊的機器人都跑出9秒32的成績，再次刷新紀錄。 9秒39は当日の最速値ではなく、同じ予選の中で9秒34、9秒32と塗り替えられています。新華社江蘇（2026-08-24）は9秒32を出した機体を「天工Ultra」と名指ししています（「随后预赛中，天工Ultra又跑出9秒32，再度刷新纪录」）。 一方、英語圏の報道で先に流れた「9.32秒」は別物です。スマートフォンメーカーHonor（荣耀）が開発した「闪电（Lightning）」が大会前の屋外テストで出した値で、CCTVの報道を各社が引きました（Al Jazeera 2026-08-22）。闪电が予選で記録したタイムは9秒47です（Reuters配信・KFGO 2026-08-22）。 9秒32は1つの数字ではない 報じられているタイムを、走行の単位で並べ直します。 タイム 走ったのは どの走行か 出典 9秒39 天卓队 開幕式内の100m大型組・第9組予選 人民日報上海、凤凰网 9秒34 天工—京灃科技聯合隊 その後の予選 人民日報上海 9秒32 天驍队 その後の予選 人民日報上海 9秒32 天工队（新華社江蘇の表記では天工Ultra） その後の予選 人民日報上海、新華社江蘇 9秒47 Honor 闪电 第9組予選 Reuters配信・KFGO 9秒32 Honor 闪电 大会前の屋外テスト Al Jazeera（CCTV報道） 第9組の様子は凤凰网が伝えています。天卓队・宇树科技队・烽火闪电队の3チームが同時に走り、序盤リードした烽火闪电队を天卓队が逆転、宇树科技队は3位でゴール後に転倒しました（凤凰网 2026-08-22）。 ここから読めることは2つです。第一に、大会の予選でも9秒32は出ています。「9秒32はレース外の値」という切り分けは成り立ちません。第二に、9秒32という数字だけでは、天驍队の機体なのか、天工队（新華社江蘇の表記では天工Ultra）なのか、Honorの闪电の大会前テストなのかが決まりません。機体名と競技区分をセットにしない限り、この数字は比較に使えません。 なお、これらはいずれもCCTVの中継と中国メディア・国際通信社を経由した、場内発表のタイムです。 条件が違う：レーン、スタート、計時、電池 大会組織委員会が公開している『第二届世界人形机器人运动会 比赛规则（第一批）』（2026年4月21日）には、100mの走路と判定が明文化されています。人間の100mとの差は、この条文を突き合わせるとはっきりします。 レーン。 「100米（小型组、大型组）、400米（小型组、大型组）、1500米比赛场地为环形塑胶跑道，直道长度为110.43m，弯道内侧半径为23.34m；共4条跑道，每条跑道宽度为2.1m」（同規則 p.4）。4レーン・各幅2.1mで、走路は分かれています。侵害の扱いも規定があり、「比赛过程中不允许串道，机器人任何一足落入指定比赛跑道外视为串道」、外側の他レーンに入っても「若不影响其他机器人比赛不进行判罚」、他機の走行や遥操作員に影響した場合は「每影响1次罚时30秒」（同 p.5）。レーンを外れること自体は失格ではなく、他機に影響したときに30秒を加算する設計です。第9組の3台がそれぞれのレーンを保っていたかどうかは、報道からは分かりません。 スタート。 「机器人须从起点线后做准备，听到发令枪响后才可以出发」。号砲前の動き出しについては、「各就位口令发出后到鸣枪期间，机器人须处于静止状态（双脚不得离开地面），否则给予黄牌警告，每给予黄牌1次罚时2秒」（同 p.5）とされています。人間の陸上競技では、World Athleticsのルール上、号砲から0.100秒未満の反応がフライングとして扱われ、1回で失格になります。この0.100秒は人間の反応時間の生理学的下限そのものではなく、規則上の判定閾値です。ロボット側は失格ではなく2秒の加算で、両者の「フライング」は同じ概念ではありません。 計時。 「身体躯干（不包括头、颈、四肢）的任何部位抵达终点线后沿的时间为比赛成绩」（同 p.5）。成績の算出は「100米（小型组、大型组）以净计时加罚时计算」（同 p.6）です。何をもってゴールとするかは決まっていますが、光電管なのか画像判定なのかといった計測方式の詳細は規則に書かれておらず、報道でも公表されていません。 電池と時間制限。 「100米（小型组、大型组）、400米（小型组、大型组）、1500米比赛时长限制分别为1分钟、5分钟、15分钟，未在规定时间内完成比赛，视为比赛中退。比赛过程中不允许更换电池」（同 p.6）。100mの完走制限は1分、レース中の電池交換は禁止です。制限時間が1分ということは、9秒台から大きく離れたタイムでも完走扱いになる幅がある、ということでもあります。実際にどの水準の機体が出走したかは、確認できた報道の範囲では分かりません。 風。 人間の100mは追い風2.0m/sを超えると記録が公認されません。今回確認した競技規則（第一批）には、風速に関する規定は見当たりませんでした。 ...

何が起きたのか DeepSeekが2026年8月21日、APIプラットフォーム上で実験版のマルチモーダルモデル deepseek-v4-flash-vision-exp を公開しました（DeepSeek API Docs Change Log 2026-08-21）。公式のリリースノートは、このモデルについて「テキスト能力はDeepSeek-V4-Flashと同等で、マルチモーダルのエージェントベンチマークではOpus-4.8に迫る」という位置づけを示しています（DeepSeek API Docs 2026-08-21）。 同時に公開されたのは、画像を1度アップロードして file_id で参照できる無料のFiles API、そして本モデルをそのまま扱えるDeepSeek Harness 0.1.1です（DeepSeek API Docs 2026-08-21）。料金表を見ると、deepseek-v4-flash-vision-exp の単価は deepseek-v4-flash とまったく同じ行に並んでいます（DeepSeek API Docs 料金ページ）。 ただし、Hugging Faceの deepseek-ai オーガナイゼーションを確認しても、2026年8月22日時点でvision版に対応するウェイトリポジトリは見当たりません。V4系で公開されているのは DeepSeek-V4-Flash-0731、DeepSeek-V4-Pro-0813 などテキストモデルのみです（Hugging Face deepseek-ai）。今回はAPI限定の実験公開、というのが現在地です。 「テキストは同等」の中身──7項目中6項目が上、幅は−1.4〜+5.6 まず引っかかるのは、公式が「テキストは同等」と言いながら、自ら並べたテキスト系エージェント評価7項目のうち6項目で、既存のV4-Flash-0731より高い値が出ていることです。上回っているのは6項目、下回っているのはCybergymの1項目だけで、差の幅は−1.4から+5.6に収まります。 公式リリースのベンチマーク表（画像）から、テキスト系エージェント評価の7項目を並べると次のようになります。 ベンチマーク V4-Flash-Vision-Exp V4-Flash-0731 差 Terminal Bench 2.1 83.9 82.7 +1.2 NL2Repo 57.7 54.2 +3.5 Cybergym 75.3 76.7 −1.4 DeepSWE 59.3 54.4 +4.9 Toolathlon-Verified 75.9 70.3 +5.6 DSBench-Hard 63.6 59.6 +4.0 AutomationBench (Public) 25.7 25.1 +0.6 （DeepSeek API Docs 公式ベンチマーク表より。なおChange Logの本文に載っているのは9項目で、CybergymとToolathlon-Verifiedは本文にはなく、この画像にだけ出てきます） ...

何が起きたのか Alibabaの Qwen チームが 2026-08-14、270億パラメータのdenseモデル Qwen3.8-27B を Apache 2.0 で公開しました。第三者測定機関 Artificial Analysis は同モデルの Intelligence Index を 52 と算出し、オープンウェイトの同クラス135モデル中1位と位置づけています（Artificial Analysis）。 この52という数字が話題になったのは、クローズドのフロンティアモデルと並んでしまったからです。Artificial Analysis の比較ページ上で、GPT-5.6 Luna（max）の Intelligence Index も 52（Artificial Analysis 比較ページ）。DeepSeek V4 Flash 0731（Reasoning, Max Effort）も 52 です（Artificial Analysis 比較ページ）。 ただし「互角」という言葉が指す範囲は、思ったより狭いです。以下、公称値・第三者指数・手元の実機という3層に分けて確認します。 第1層: 公称値は前世代から跳ねている Hugging Face の公式モデルカードに並ぶ数値は、いずれもAlibaba自社報告です（Hugging Face Qwen/Qwen3.8-27B）。前世代 Qwen3.6-27B との差分が大きいものを抜き出します。 ベンチマーク Qwen3.8-27B Qwen3.6-27B Qwen3.7-Plus Opus 4.6 Max SWE-bench Pro 61.7 53.5 57.6 53.4 DeepSWE 1.1 42.2 13.3 14.2 — QwenSWEBench 79.0 49.3 59.2 63.8 Terminal Bench 2.1 73.0 63.4 64.0 78.2 LiveCodeBench v6 90.3 83.9 89.6 88.8 OSWorld-Verified 84.3 63.9 73.3 72.7 GPQA Diamond 89.2 87.8 90.3 91.3 HLE 30.8 24.0 34.7 40.0 DeepSWE 1.1 の 13.3 → 42.2 は3倍以上です。一方で GPQA Diamond は 87.8 → 89.2 とほぼ横ばい、HLE は 30.8 で Opus の 40.0 に届いていません。伸び幅が大きいのはエージェント的なコーディングとGUI操作のタスクで、GPQA Diamond と HLE（24.0 → 30.8）はそれほどではない、という読み方になります。この非対称性は後処理（ポストトレーニング）に重点を置いた世代だからではないか、というのが筆者の推測です（Alibaba がそう説明しているわけではありません）。 ...

何が起きたのか Z.ai(智譜AI)が2026-08-14に GLM-5.3 を公開しました。特徴は2点あります。1つ目は、ベースモデルを前世代 GLM-5.2 と同じまま据え置き、性能向上をポストトレーニング由来と説明していること（MarkTechPost 2026-08-14）。そのベースの公式表記は744B-A40B、総パラメータ744Bのうちアクティブ40BのMoEです（Z.ai 公式リポジトリ）。2つ目は、オープンウェイトを掲げてきた同社が、今回はウェイト公開をローンチの約2週間後に置いたことです。公式ブログの記述は「We will release the weights in two weeks after launch, once safety evaluation and hardening are complete.」で、安全性評価とハードニングの完了を条件としています（Z.ai 公式ブログ）。 同じ発表の中で Z.ai は「As we scaled post-training, cyber capability developed faster than we expected.（ポストトレーニングをスケールさせる中で、サイバー能力が予想より速く伸びた）」とも書いています。ただし公式ブログはこの2つを別の箇所に並置しているだけで、サイバー能力の伸びがウェイト公開の時期を決めた、という因果までは明示していません。両者を因果として報じているのは Axios など媒体側です。 なお公式ブログ https://z.ai/blog/glm-5.3 は、通常のページ取得では本文が得られません。初期HTMLは598バイトの空シェルで、本文・比較表・脚注はページが読み込む JavaScript バンドル（/blog/assets/glm-5.3-*.js）に収録されています。本記事はこのバンドルを直接取得し、スコア表と評価条件の脚注を確認したうえで書いています。以下の数値は、特記のない限り公式ブログの比較表と脚注によるものです。 数字の分解:コーディングとエージェント 公式ブログの比較表から、GLM-5.2 との対比と、同表に並ぶクローズド勢の値を抜き出すと次のとおりです。表の列は GLM-5.3 / GLM-5.2 / Kimi K3 / DeepSeek-V4 Pro-0813 / Qwen3.8-Max / Opus 4.8 / Fable 5 (w/ fallback) / GPT-5.6 Sol の8モデルです。 ...

2026-07-17、中国の習近平国家主席が2026世界人工知能大会（WAIC）の開幕式に自ら登壇し、各国に「オープンソース、開放、協力、共有」を促すキーノートを行いました。中国の国家主席がこの大会で対面演説をするのは初めてです（李強首相は2024年・2025年の開幕式に対面出席していました）（The Next Web 2026-07-13）。ただし演説は「中国がオープンソースAIを国家戦略に指定する」「オープンウェイトを国家として普及させる」と明言したわけではありません。実際の力点は、オープンソース型のAIエコシステムを中国の国際AI協力・ガバナンス戦略の柱として前面に出すことにありました。 何が起きたのか 習近平は2026-07-17、上海で開かれたWAIC開幕式と「グローバルAIガバナンスに関するハイレベル会合」に出席し、「公正で衡平なグローバルAIガバナンス体制を共に築く」と題したキーノートを行いました（中国外交部 2026-07-17）。 演説の骨子は、各国に対し「オープンソース、開放、協力、共有を奨励し（encourage open source, openness, collaboration and sharing）」、技術革新・産業発展・シーン応用を後押しすべきだ、というものです（新華社 2026-07-17）。習近平はこれを「AIの発展は一国の独奏ではなく、国際協力の交響曲であるべきだ（should not be a solo performance by a single country but a symphony of international cooperation）」という表現でまとめています（CGTN 2026-07-17）。 重要なのは、これが一般論ではなく、具体的な数字と新組織を伴った提案だったという点です。以下、確認できた具体策を順に追います。 スピーチの具体策：数字で追う 演説で示された具体的なコミットメントは、公式全文（新華社・CGTN）で次のように確認できます。 途上国向けに5,000件のAI研修・セミナー参加機会：今後5年間で、発展途上国に「AIの研修・セミナー参加機会を5,000（5,000 opportunities in AI training and seminar programs）」提供する。原文は延べの参加枠数であり、受講者の実人数ではありません（同じ人が複数回参加し得ます）（CGTN 2026-07-17） 地域機構とのAI協力センター：ASEAN、アラブ連盟、アフリカ連合、ラテンアメリカ・カリブ海諸国共同体（CELAC）、上海協力機構（SCO）、BRICSと、AI応用の協力センターを設立する（新華社 2026-07-17） 気象警報システムMAZUを30カ国へ：AI駆動の気象早期警報システム「MAZU」を30カ国が利用できるようにする（新華社 2026-07-17） 演説はまた、中国の「スマート経済のコア産業」が「少なくとも1兆元（at least 1 trillion yuan）」規模に達したとも述べています（CGTN 2026-07-17）。ただしこの1兆元は算定方法が示されていない中国政府側の数値で、独立した統計検証を経たものではありません。5,000件は延べの参加枠数のため受講者の実人数は不明ですが、研修を通じて中国発ツール群やモデルに触れた技術者が母国に戻る、という「入口」を各地に作る設計になっている点は見逃せません。 WAICO：29カ国で作った「もう一つのAIガバナンス圏」 キーノートのもう一つの柱が、新しい政府間組織 世界人工知能協力機構（World Artificial Intelligence Cooperation Organization、WAICO）の設立協定署名と発足宣言でした。習近平はこの組織が「上海で誕生した（has come into being in Shanghai）」と述べています（新華社 2026-07-17）。ただし公式には「設立協定への署名」「創設メンバー」とされる段階で、協定の発効条件・批准・予算・議決方式・事務局の稼働状況は、現時点の公開情報からは確認できません。 WAICOは大会前日の2026-07-16に29カ国が設立協定に署名した独立の政府間国際組織で、本部は上海に置かれます（中国外交部 2026-07-16）。創設メンバーにはインドネシア、ブラジル、マレーシア、南アフリカ、セネガル、ロシア、パキスタンなどグローバルサウス諸国が名を連ねています（Al Jazeera 2026-07-17）。 ...

「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。 ...

何が起きたのか 2026年4月24日、中国のAIスタートアップDeepSeekは最新モデル「DeepSeek V4」のプレビュー版をオープンソースで公開した（DeepSeek API公式ドキュメント・Bloomberg 2026年4月24日）。2025年1月のDeepSeek V3/R1が世界に衝撃を与えてから約1年、V4はアーキテクチャを根本から再設計し、100万トークンのコンテキスト処理・推論FLOPs73%削減・KVキャッシュ90%削減という数字を引っ提げて登場した。 同時に、Anthropicが発表した蒸留（Distillation）告発と米政府の警告がV4公開と時期を重ねた。「フロンティアモデルに迫る」という主張の実態と、それを取り巻く知的財産紛争を一次ソースに基づいて整理する。 モデルラインナップと基本スペック V4はMixture-of-Experts（MoE）アーキテクチャを採用した2モデル構成で、どちらもMITライセンスのオープンウェイトとして公開されている（Hugging Face公式モデルカード 2026年4月24日）。 仕様 V4-Pro V4-Flash 総パラメータ数 1兆6,000億（1.6T） 2,840億（284B） アクティブパラメータ数 490億（49B） 130億（13B） コンテキスト長 100万トークン 100万トークン ライセンス MITライセンス MITライセンス 主な用途 高度な推論・コーディング・長文脈エージェント 高速応答・要約・ルーティング MoEの特性上、推論時に全パラメータを動かすわけではない。V4-Proはトークン1つを処理する際に490億パラメータのみを使う。 $$\frac{49\text{B（アクティブ）}}{1{,}600\text{B（総計）}} \approx 3.1\%$$つまり1.6兆という数字は「理論的な表現力の上限」であり、1回の推論で使う計算量はGPT-5.3クラスの高密度モデルとは別次元で少ない。この非対称性がDeepSeekの価格優位の根本にある。 技術的イノベーション：長文脈と効率性の追求 V4の核心は、トランスフォーマーの根本的な課題である「文脈が長くなるほど計算量が二乗オーダーで増大する」問題への解法にある。 ハイブリッドAttention機構 V4は2種類のAttention手法を組み合わせたハイブリッド構成を採用している（NVIDIA技術ブログ・ArXiv IQ技術レポート 2026年4月24日）。技術分析記事では「Compressed Sparse Attention（CSA）」「Heavily Compressed Attention（HCA）」という呼称が使われているが、DeepSeekの一次技術文書での正式表記は現時点で独立検証が困難なため、概念の説明として参照されたい。 圧縮スパース注意（CSA相当）：系列方向にKVエントリを動的に圧縮しつつ、注意を向けるブロックを動的に選択することで計算負荷を削減 強力圧縮注意（HCA相当）：KVエントリを大幅に圧縮し、長文脈全体を俯瞰的に把握するための機構 この組み合わせにより、前世代のDeepSeek V3.2との比較で推論FLOPs 73%削減・KVキャッシュメモリ90%削減を達成した（WCCFTech・NVIDIAブログ 2026年4月24日）。 $$\text{V4-Pro KVキャッシュ削減率} = 1 - 0.10 = 90\%\text{（対V3.2比）}$$100万トークンの文脈を扱う際のメモリ負荷が10分の1になることの意味は大きい。従来、長文脈モデルのAPI提供はGPUメモリコストの高さから採算が取りにくかった。90%削減によって、この問題が大幅に緩和される。 訓練と最適化の新機軸 層間接続の強化（mHC相当）：大規模モデルにおける層間の信号伝播を安定化させ、表現力を向上させる手法（「Manifold-Constrained Hyper-Connections」という呼称は二次情報源に基づく） Muon Optimizer：従来のAdamWに代わる最適化手法。大規模訓練の効率を向上させる（HuggingFace公式モデルカード） FP4 + FP8混合精度：MoEのエキスパートパラメータにFP4精度を採用し、それ以外にFP8を用いることでメモリ使用量と推論コストを削減 ハードウェア面では、NVIDIA Blackwell（GB200 NVL72）上でのテストにおいて150トークン/秒/ユーザー超のスループットを達成している（NVIDIA技術ブログ 2026年4月24日）。 正確な価格比較：キャッシュヒットと標準価格を区別する DeepSeekの価格設定は確かに競争力があるが、数字の読み方に注意が必要だ。DeepSeek公式APIドキュメントはキャッシュヒット時の割引価格と標準価格（キャッシュミス時）を明確に区別している。 ...