AI & Frontier Tech ラウンドアップ – Gemini 3.7 Flash、Grok 4.6、そしてエージェント型イノベーションの急増

TL;DR: GoogleのGemini 3.7 FlashとSpaceXAIのGrok 4.6が、先端モデルにおける価格性能の新たな基準を設定し、コミュニティ全体でエージェント中心のツール開発、ベンチマークの公開、アーキテクチャに関する議論が広がっています。

Gemini 3.7 Flash – より安価で、より高速、より安全

• GoogleはGemini 3.7 Flashを100万トークンあたり入力0.75ドル、出力3.75ドルでリリースし、3.6版の半額に。同時に「ほとんどのタスクで2倍の性能向上」とし、計画能力とツール呼び出しの信頼性も向上したと主張@VaibhavSisinty@kimmonismus。
• Florian Rothによる独立したセキュリティテストでは、Gemini 3.7 Flashが**THOR Finding Triageスコア72.5％**を達成。100％の脅威検出率、0％の重大な見逃しを記録し、偽陽性の低減においてQwen 3.7 Max、Kimi K3、DeepSeek V4を上回った@cyb3rops。
• Googleが公開したベンチマーク（FrontierCode、DeepSWE、AutomationBench、WebDev Arena）では、3.6版と比較して大幅な向上が報告されており、たとえばFrontierCodeは34.4％から43.6％、WebDev ArenaのEloスコアは1538から1588に上昇した@kimmonismus。
• Google DeepMindの早期導入者たちは、Gemini 3.7 Flashを使って50ページのPDFをインタラクティブなウェブサイトに変換するデモを構築しており、強力なRAG能力を示している@genevieve__h。

Grok 4.6 – 低コストでトップクラスのモデルと同等の性能

• SpaceXAIはGrok 4.6をリリース。Artificial Analysis Intelligence Index（スコア61）においてGPT-5.6 SolおよびClaude Fable 5と同等の性能を発揮し、CursorBench、FrontierCode、AA-Briefcaseでリードしている@kimmonismus@ArtificialAnlys。
• Grok 4.6のタスクあたりコストは0.84ドルと、Kimi K3と同等であり、Claude Opus 5（1タスクあたり5ドル以上）やGPT-5.6 Sol（1タスクあたり5ドル以上）と比べて大幅に低い@ArtificialAnlys。
• Composioによるベンチマークでは、Grok 4.6が30の難易度の高いエージェントタスクにおいて、合格率、速度、成功あたりのコストのすべてでGrok 4.5を上回っている@composio。
• ユーザーからは、単一の文から完全なランディングページのウェブサイトを構築したり、50ページのPDFを検索可能な知識ベースに変換したりするなど、生産性の劇的な向上が報告されている@VaibhavSisinty。

エージェント中心のツールとインフラ

• Databricks Unity AI Gatewayは、エージェントがタスクに意識的になり、キャッシュヒット率を維持することで、コーディングエージェントの品質とコストを改善する「スマートルーティング」を導入した@matei_zaharia。
• MixedbreadのToast 1は、エージェント検索における新たなパレート前線を達成し、12倍高速かつ10分の1のコストで結果を提供すると主張している@mixedbreadai。
• NVIDIA AIは、エージェントが30製品にまたがる300以上のNVIDIAスキルにアクセス可能になったと発表し、マルチモーダルエージェントのツールボックスを拡張した@NVIDIAAI。
• Google Cloudは、Agent Pluginsを「一度作成すればどこでも利用可能」というモデルとして推進し、再利用可能なエージェント機能の構築を促進している@GoogleCloudTech。
• Statewaveは、エージェントの記憶に出典情報、アクセス制御、改ざん検出可能な監査ログを追加するオープンソースのメモリランタイムをリリース。プロダクション展開における信頼性の懸念に対処している@DAIEvolutionHub@Vikram_AI_。

先端能力を強調する新ベンチマーク

• Vals AIは、実世界のバイナリを対象としたバイナリリバースエンジニアリングベンチマークSRE-Benchをリリース。エージェントの性能差が明確に分かれていることが示された@KettlebellDan。
• THOR Finding Triageベンチマーク（Rothが使用）は、セキュリティイベントの優先順位付けに焦点を当てており、Gemini 3.7 Flashが現在リードしている@cyb3rops。
• AA-Briefcase（Artificial Analysis）は、長期的なエージェント型知識作業を測定するもの。Grok 4.6はClaude Fable 5と拮抗しており、タスクあたりのコストははるかに低い@ArtificialAnlys。

アーキテクチャ的洞察とコミュニティの意見

• Anthropicのエンジニアたちは、エージェントループやグラフの設計が、単なるモデルサイズよりも重要であると主張。単に大きなモデルを使うのではなく、適切に設計されたオーケストレーションの重要性を強調している@Mahaximus_。
• PathwayのPost-Transformerアーキテクチャ（BDH-CQ）は、1億5000万パラメータのモデルが、ClaudeやGPTの大きなバージョンと比較して約11倍低い推論コストで同等の推論性能を達成できることを示し、「スケールのみ」の物語に挑戦している@BrianRoemmele。
• Anthropicの論文（Brian Roemmeleが要約）は、マルチエージェントの「領土争い」がトレーニングデータのバイアスから生じることを警告。安全上の問題はモデルアーキテクチャではなく、データに起因する可能性があると示唆している@BrianRoemmele。

市場動向と価格トレンド

• 複数のコメントレターが価格の低下トレンドを指摘。DeepSeek V4-Proは出力100万トークンあたり0.87ドルと、Claude Opusの30分の1のコスト。Grok 4.6とGemini 3.7 Flashがトークン価格を歴史的低水準まで押し下げている@hosseeb@VaibhavSisinty。
• Aaron Levieは、安価で高性能なモデルが、セキュリティスキャン、ドキュメントレビュー、ワークフロー自動化など、新たなエンタープライズ用途を可能にすると強調している@levie。
• AIにおける「ジェヴォンズの逆説」が顕在化しており、コスト低下が需要を高め、先端モデルのリリース頻度を加速させている@levie。

注目すべきマルチエージェント実験

• Kimi K3は、フラットなレポートではなく、コンテキストグラフを構築する300エージェントスウォームを実証。たとえば「単一障害点」をグラフ全体で検索するようなクエリが可能になった@N01ennn。
• Koray Kavukcuogluは、Gemini 3.7 Flashを使って3エージェントチームがロボット制御モデルを自律的に訓練するデモを披露。モデルのコード精度と計画能力の向上を示した@koraykv。
• Andrew Ngの無料2時間コースでは、単一のプロンプトから100エージェントの自己改善グラフまでをつなぐパイプラインが提示され、単一エージェントからスケーラブルなグラフベースシステムへのシフトが強調されている@DamiDefi@dkare1009。

拡大するロボット工学とヒューマノイドのトレンド

• Figure AIや他のヒューマノイドスタートアップが大規模な資金調達を実施。ヒューマノイドロボットを次世代の1兆ドル市場と位置づけ、量産化と多言語AI対話の実現を主張している@MadSocietyTV@nexta_tv。
• Arkshel Robotics MX01とRunwayのSFサミットは、物理AI、ワールドモデル、ロボット工学研究の融合を強調。エムボディドAIシステムへの広範な推進を示している@ArkshelRobot@c_valenzuelab。

---

すべての記述は、引用されたツイートから直接抽出され、著者の元の表現または報告された指標を反映しています。