Kimi K3、Qwen 3.8、Anthropic の可能性、そして Anthropic の戦略的課題

Kimi K3 と Qwen 3.8 のリリース概要

Kimi K3 と Qwen 3.8 は最先端のオープンモデルで、2026年7月にリリースされました。Kimi K3 は7月16日に、Qwen 3.8 は7月19日に発表され、両方とも Anthropic の Fable 5 に匹敵する性能とされており、ウェイトは公開される予定です。

フロンティアラボ経済学：コスト構造とマージン

基盤モデルの経済は、初期の高額なトレーニングコスト（研究者、計算、電力）と、電力と計算が中心となる推論コストに分かれます。インフラストラクチャのスタックを多く所有すれば、変動費が固定費に変わり、使用量に応じてマージンが拡大します。一方、インフラをリースするとコストは収益に比例したままです。

戦略的インパクト：インフラ所有 vs モデルのみ提供者

データセンターや発電施設を所有する企業はインフラを収益化しマージンを拡大できますが、モデルのみ提供者は最良または最安のモデルであることに依存せざるを得ず、推論コストの低下競争や性能リーダーシップの維持という、常に底辺への競争を強いられます。

Anthropic の不安定な立場

Anthropic は規制戦略と再帰的自己改善に注力しているため、コスト面で不利な立場にあります。モデルは競合他社の約3倍のコストでタスクを完了し、オープンモデルが性能に追いつくにつれて製品の分離が進み、スタートアップがハーネスで製品の堀を侵食しています。

Kimi K3 と Qwen 3.8 の広範な影響

複数のオープンモデルが同時にリリースされることで、純粋なモデル提供者の防御力が低下し、Meta、Alibaba、SpaceX、Google などの垂直統合型プレイヤーが有利になります。

Hacker News からのコミュニティ視点

最近数日間のオープンウェイト・オープンアーキテクチャのリリースを見て、最終的に勝者はモデルを最速で ASIC に落とし込む者だと確信しました。LLM 自体がチップ設計の一部を行えることは K3 のプレスリリースが示しています。さらに、フロンティアモデルは「十分に良い」ため、幅広いタスクに対応でき、ソフトウェアエンジニアリングの多くでも（まだであっても）すぐに閾値に達するでしょう。ロードトリップの計画やケーキレシピのアドバイスに Mythos レベルのモデルが必要だと思いますか？ Fable 5 モデルが ASIC 上で 9,000 tokens/s で動作すれば、電力で駆動する Nvidia GPU の 150 tokens/s や、巨大な SRAM Cerebras や Groq チップよりも需要の大半を満たせます。さらに、エンタープライズの場合、データ流出や OpenAI や Anthropic といった潜在的競合へのデータ提供リスクは、オンプレミス ASIC に移行すれば大幅に低減します。少数のチップで多様なユースケースを安全にカバーできます。フロンティアな数学研究やコーディング以外にも、LLM の企業利用ケースは多数存在します。 – @LarsDu8888

Figma の件が頭から離れません。知らない方のために Google の要約を示します：---- ボード離脱：Mike Krieger（Anthropic の CPO で Instagram の共同創業者）は Figma の取締役会に在籍していましたが、Claude Design のニュースが出る数日前の 4 月 14日に辞任しました。これにより利害衝突や独自の製品戦略情報の使用が疑われました。パートナーシップの裏切り：このリリースは、Figma が自社の AI 機能に Anthropic のモデルを利用し、共同の「Code to Canvas」統合を発表したことで、テック業界を刺激しました。報道によると、Figma は Claude Design の深さと範囲に不意打ちを受けました。市場の反応：「SaaSpocalypse」仮説—主要な AI 基盤モデルが急速にアプリケーション層を構築し、SaaS パートナーを食い合う恐れ—がニュースと同時に実現しました。発表直後、Figma の株価は 7% 下落しました。---- LLM を利用する皆さんへの助言です：これらの企業にデータを提供したり依存したりする際は注意すべきです。AI スタートアップを立ち上げる場合、アイデアに牽引力があれば、彼らが直接競合になる可能性が高く、API 料金などでも彼らの支配下に置かれます。 – @overgard

リスクは過大評価されていると思います。まず、わずかに優れたモデルに対しては多くの人が高額を支払う意欲があります。私自身、フロンティアラボに月 $200 支払うより、LLM が私のワークフローにもたらす価値ははるかに大きいと感じています。そのコストを少しでも下げようとは思いません。コスト最適化に熱心な少数派や、LLM の支出が僅かな企業はいるものの、これは少数派です（間違っていたら指摘してください、顧客層がどうなっているか興味があります）。実際の LLM は付加価値のごく一部です。LLM API からエージェント的ソリューションを構築しようとすると、Claude Code / Codex のハーネスが大きな価値を持つことにすぐに気付くでしょう。OpenCode などのオープンソース実装もありますが、性能は遠く及びません。別の視点で考えてみてください。Microsoft が Excel の保守にどれだけ費用をかけているかを考えると、90%以上の機能を持つオープンソース代替品があり、Excel ファイルの読み書きも可能です。Google Sheets はおそらく 99% の機能を持ち、誰でも利用でき、さまざまな点で優れています。しかし、スプレッドシートソフトウェアが生み出す莫大な価値は、年間 $100 以上の収益をもたらし、実質的な堀を形成しています。 – @bko

Fable が「禁止すべき画期的モデル」から「まあまあだけど OpenAI も同等で、ほぼすべてに対して同等のオープンウェイト代替がある」へと急速に評価が変わったのは驚きです。ハイプサイクルが短くなっており、今回こそ何らかの停滞点に達したのかもしれません（有名な最後の言葉）。 – @port3000

今日の HN では特定のナラティブが押し付けられているように感じます。 – @a13n

より重要なのは、持続可能な長期ビジネスとして、モデルのみ提供者が特にリスクにさらされていることです。Knowledge Atlas、Moonshot Labs、Anthropic は OpenAI、Alibaba、SpaceX、Meta、Google に対して防御力の課題に直面しています。うーん。OpenAI は Anthropic と同様に「モデルのみ」提供者ではないのでしょうか？ 同様に脆弱だと思います。 – @drob518

AI 進歩の上限は再帰的自己改善です。この場合、AI がより良いモデルを構築し、データセンター所有者が勝者となります。Anthropic/OAI は行き詰まっています。AI 進歩の下限は停滞です。進歩は鈍化し、最低価格で意味のあるピーク性能を提供することに焦点が移ります。今日、Google がウェイトをシリコンに焼き付けた Gemini チップを開発しているというニュースがあります。チップの寿命が最低でも 2〜3 年で、現在の 2〜3 年モデルはすぐに陳腐化することを考えると、次の 3 年で同程度の進歩は期待できないでしょう。ゲームは最低マージンで販売することです。Anthropic/OAI は行き詰まっています。したがって、彼らの生存は AI 進歩がこの二つの極端の間に収まるという前提に依存しています。 – @torginus

私にとっての大きな疑問は、どの時点でより高性能な汎用モデルへの投資が ROI を示さなくなるかです。例えば、どの程度のワークフローがこの新しい高性能モデルを必要とするか？ それらのうちどれだけが周辺のソフトウェアツールで代替できるか？ ソフトウェアツールが数回のイテレーションでクエリを最適化できれば、単発の高性能モデルクエリと同等の出力が得られるか？ – @yalogin

大きな疑問は、これらのラボが Anthropic や OpenAI を 上回る モデルを生み出せるかどうかです。関連する質問は、彼らが Anthropic と OpenAI の API にどれだけ依存しているか—蒸留やその他の利用を通じてです。もしこれらのモデルが Anthropic/OpenAI の派生であるなら、性能は狭くなり、進歩は限定的になると予想します。 – @davidpapermill

ここが OpenAI が Anthropic に対して優位性を持つ点です。最近は Anthropic に遅れを取っていますが、製品、消費者体験、サイト公開、音声、ハードウェアへの投資は、より明確な堀を形成する方向です。この点までは同意しますが、OpenAI が Anthropic より実質的な製品の堀を持っているとは思いません。むしろ、Claude / mythos などのブランドは OpenAI が欠けている貴重な資産です。確かに、多くの HN エンジニアは Codex を好むようになっていますが、実務エンジニアに話すと、エージェント的コーディングは依然として Claude Code と同義です。エンジニアリング以外の用途では、Claude は GPT 系列よりもはるかに快適な対話相手であり、モデルに深く組み込まれていると推測します。さもなければ、OpenAI はすでにこのギャップを埋めているはずです。 – @piazz

モデルが構築されたら、最大のコストは推論です。信頼できるデータは見つかりませんが、規模感を把握するのに役立ちます：トレーニングと同等になるまでにどれだけ使用すればよいか？ つまり、トレーニングデータと環境が揃っていて、計算だけが問題とした場合、Kimi K3 / Fable を使用する時間は、トレーニングに必要な計算量に等しくなるまでどれくらいでしょうか？ – @athrowaway3z

AI の主権と平等に希望があるとすれば、モデルを安価に運用できるようにするか、安価なモデルの作業量を減らす必要があります。後者を実現するには、知性の低い LLM がよりうまく機能するように作業を再構成するか、知性を小型モデルに凝縮する必要があります。 – @sim04ful

2025年11月、私は Anthropic の Opus 4.5 モデルと Claude Code ハーネスが、私が一度で正しくソフトウェア機能を実装できる唯一のシステムだと言っていました。今日では、Claude と Codex を同等に快適に使えるようになりました。もし両者が顧客から金銭を搾取したり、安全性に過度に熱心になった場合、オープンウェイトの有能なモデルや真のオープンソースハーネスが多数登場するでしょう。Google も将来的に有能なモデル＋エージェントの組み合わせを提供するかもしれません（Gemini 3.1 Pro はまだ強力に見えますが、Antigravity は前回使ったときに不器用でした）。Anthropic のビジネスが複数の強力な競合の一つとして存続すれば幸いです。同社の安全第一の姿勢は、最新モデルで拒否率や意図的に組み込まれた無知を増やす方向に向かっています。長期的には、Anthropic はソフトウェア開発全体の加速に貢献したことで記憶されるかもしれません。 – @philipkglass

Dario は再びポッドキャスト巡回に出て、今回の AI による 75% の失業を脅し、うまくいかなければ 85% に引き上げ、さらに効果がなければ核兵器的に 100% の失業言語を掲げることで逆転できるでしょう。 – @spaceman_2020

良く書かれた記事です。著者が企業と戦略を異なるバケットに分類し（語彙の選択ではなく）ハーネス、データセンター、電力、基盤モデルの組み合わせを示した点が好きです。企業がどのように堀を構築しているかを読むのが楽しみです。 – @warm_soup

Anthropic の価格は推論コストによるものか、最高のモデルを持つことで得られる余分なマージンによるものか、どれくらいですか？ – @SubiculumCode

K3/Q3.8 が Opus や Fable と同等かどうかはまだ結論が出ていません。ベンチマークは非常に曖昧で、「X モデルと同じ」とされるモデルを試しましたが、期待外れでした。Claude Code と OpenCode や Pi などのツールを使った他のモデルも試しましたが、Anthropic のモデル（主に Opus 4.8）を使った Claude Code には到底及びません。これらのモデルがゴミだと言っているわけではなく、Anthropic や OpenAI のモデルと同等に扱う準備がまだできていないだけです。LLM コーディング（やそれ以上）の将来は、タスクごとにどのモデルにルーティングするかを決めるルーターになるでしょう。Fable/Opus を使うべき時と DeepSeek/Kimi/Qwen など、さらにはローカルモデルにフォールバックすべき時を知ることです。もちろん、フロンティアラボの利益には反しますが、そこには多くの低ハングフルーツがあると感じます。今は「計画/実行などに同じモデルを使う」だけがほとんどです（頭を逆さまにする必要はありません）。 – @joshstrange

Anthropic はフロンティア機能を必要としない 80% のユースケースでオープンモデルに圧迫され、バイオ、金融、数学などの高付加価値タスクでは垂直特化ラボがコストと速度で勝り、最大の汎用モデルの性能を上回ります。AGI を最初に達成するという彼らの最後の切り札も、台湾封鎖や Nvidia の供給遮断で実現不可能です。世界が OpenAI や Anthropic に AI を独占させるシナリオはありません。多くの国、大手資本プレイヤー、パートナー・サプライヤーがそれを許さないでしょう。Kimi K3 は既存の全プレイヤーがフロンティアに再挑戦し、OpenAI/Anthropic と競争し続けることを可能にします。また、これによりラボの従業員は新しいラボを立ち上げやすく、資本テーブルをクリーンに保ちつつ K3 上に構築でき、自己学習のための大規模投資を避けられます。多くはすでに株式をベスト化し、数億ドルの資金調達で一晩で紙上の億万長者になることが可能です。 – @m_ke

もう一つの視点として、ユーザーが AI 支出を抑える傾向が強まっています。大企業はローカルでホストされたモデルを選ぶかもしれません。 – @zkmon

では、17 台の H100 を持たない一般ユーザーが Kimi K3 や Qwen 3.8 を利用する最も手頃な方法は何でしょうか？ – @joey64

Anthropic は恐怖煽りをやめ、一般公開されたフロンティア AI の利用を妨げるゲートキーピングを止めるべきです！文明の知性を蒸留して作られた AI は特権的な研究者だけのものではいけません。 – @chihwei

OAI は Anthropic よりもはるかに行き詰まっているように感じます。どちらかが IPO に向かい、もう一方が帳簿を公開しないということが全てを語っています。 – @Havoc

Artificial Analysis のタスクあたりコスト指標に問題があります。計算方法が不明です。しかし最近、タスクあたりコストが最も議論されています。論理は基本的に：モデル A がベンチマーク X で 55% を、モデル B が 60% を達成したが、A のタスクあたりコストが 50% 安い場合、人々は B ではなく A を選びます。これは、知能の低いモデル A の出力がすべて利用可能で、B の出力よりやや劣ると仮定しています。しかし、A の出力が使えない、または 5 回に 1 回しか有用な結果を出さない場合はどうでしょうか。その場合、ユーザーはタスクを再実行し、コストはすぐに 2 倍または 3 倍になり、平均トークンコストを誤解させます！再試行や不安定なコストは平均トークンコストの何倍も大きく、ユーザーが負担すべき真のコストです。AI‑Benchy（[0]）は、Artificial Analysis の数値と大きく異なる結果を示しています。Opus 4.8 のタスクあたりコストは AA による $ 1.80 で、Kimi K3 は $ 0.94 です。AI Benchy によると、実際の成功タスクあたりの コストは 10.7¢ vs 19.4¢です。Opus 4.8 の正解テスト数と合格率も Kimi K3 より高いです。したがって、利用可能な結果あたりのコストで見ると、Kimi K3 は実際には Opus 4.8 より高価であり、AA の見出し数字とは逆です。ですから、AA の数値を信じられるか、あるいは自分でコストを追跡すべきか分かりません。[0] https://aibenchy.com/compare/anthropic-claude-opus-4-8-mediu... – @sinuhe69

MiMo 2.5 Pro も問題なく動作します – @vsilent