Moonshot AI が世界最大級オープンモデル「Kimi K3」発表

最近、Z.ai の GLM がやや過剰に評価されている感があるため、今度は Kimi K3 が反撃の番です。今日公開されたオープンモデルのスケールをどう捉えるべきか迷うところですが、幸いにも Moonshot AI 側が視覚的に整理してくれています。

このモデルが編集した「Vibe Reel（雰囲気動画）」は、Kimi K3 による完全編集作品で、ぜひ視聴する価値があります。

SimonW や Arena のような標準的な評価やランキングについては、既存のソースで十分確認できます。今回のように大規模なモデルであれば、結果に驚く要素も少ないでしょう。しかし、以下の画像こそが、K2.5 から K3 への飛躍を最もよく表しています。

7/15〜7/16 の AI ニュースまとめです。今回は 12 のサブレッドと 544 件の Twitter（X）投稿をチェックしました。Discord の情報は含まれていません。AINews のウェブサイトでは過去のニュースアーカイブを検索可能です。なお、AINews は現在「Latent Space」のセクションとして運営されています。メール配信の頻度設定も自由に変更できます。

AI Twitter まとめ

Moonshot AI は、Kimi K3 をフロンティアクラスのオープンウェイトモデルとして発表しました。公式見解では、主要なクローズドモデルに匹敵し、過去のオープン競合モデルを凌駕する性能を持つとされています。

Moonshot 社は Kimi K3 を「Open Frontier Intelligence（オープンフロンティア・インテリジェンス）」と位置づけ、総パラメータ数 2.8T、100 万トークンのコンテキスト長、ネイティブなマルチモーダル入力に対応する「Kimi Delta Attention (KDA)」や「Attention Residuals」などの新技術を搭載していると紹介しました。現在、Kimi.com、Kimi Work、Kimi Code、および API で利用可能となっており、オープンウェイトの公開は 2026 年 7 月 27 日までに実施される予定です（@Kimi_Moonshot）。

Moonshot はまた、長期的なエージェント型コーディングや自己進化型のワークフローに関する製品ポジショニングを強調しました。さらに、コードとスクリーンショットの間で反復処理を行う「ループ内ビジョン」を活用したコーディングやゲーム構築のワークフローについても言及しています。

公式発表に先立ち、複数のアカウントが K3 のパラメータ数が 2.8T に達するとする漏洩情報やアプリ由来の詳細を流布しました。もし weights が約束通り公開されれば、これは過去最大規模のオープンウェイトモデルとなるという見方です。

その後、公式の Kimi ブログが開設され、主要な技術情報の源として広く共有されました。

Moonshot 自身も、全体的には非常に競争力があるものの、K3 は Claude Fable 5 や GPT-5.6 Sol と比較すると「ユーザー体験に目に見える差がある」という限界を認めています。

Arena では Kimi K3 が Agent Arena、Text Arena、Vision Arena、Document Arena、そして Frontend Code Arena に参加したと発表され、今後のコミュニティによる評価も予定されています。

その後、Arena から重要な初期結果が報告されました。Kimi K3 は Frontend Code Arena で 1679 ポイントを獲得し、Claude Fable 5 を上回って 1 位に躍り出ました。前回の K2.6 が 18 位だったのが、今回は 1 位となり、7 つのフロントエンドドメインのうち 6 つで 1 位、ゲーミング分野では 2 位を獲得しました。

さらに Arena は、Frontend Code Arena における K3 のペアワイズ勝率が 76% に達したと報告しました。これに対し、Fable 5 は 63%、GPT-5.6 Sol は 58% です。

Text Arena では、K3 は 1486 ポイントで 9 位となりました（前回の 38 位から大幅に上昇）。クリエイティブライティング、コーディング、指示従順性の分野でトップ 10 入りを果たし、いくつかの職業別セグメントでは 1 位を獲得しています。

AI 分析機関（Artificial Analysis）が実施した独立評価によると、Kimi K3 は「AA インテリジェンス・インデックス」で 57 位を獲得。これは Opus 4.8 や GPT-5.5 に匹敵する性能ですが、Fable 5 や GPT-5.6 Sol にはまだ一歩及ばないとの評価です。

同機関のデータでは、K3 の GDPval v2 での Elo は 1668。自動化タスクの評価「AutomationBench-AA」では 53% の正答率で第 1 位を獲得し、AA-Briefcase では 1547 の Elo を記録しました。また、1 つのタスクあたりのコストは約 0.94 ドルで、インテリジェンス・インデックス全体での実行時、K2.6 と比較して出力トークン数が約 21% 削減されています。

今回の発表直後、エンジニアやモデル動向を注視するコミュニティからは「過去の DeepSeek の登場時と同様、オープンモデルにおける重要なマイルストーンだ」という強い反応が寄せられました。

技術詳細

アーキテクチャとシステム構成

公式スペックによると、K3 は総パラメータ数 2.8T を備え、コンテキスト長は 100 万トークンをサポート。テキストと画像を同時に処理するネイティブなマルチモーダル入力に対応し、出力はテキスト形式です。重み（weights）の公開は 7 月 27 日に行われます。

K3 が採用している「Kimi Delta Attention（KDA）」は、100 万トークンという超長文脈において、従来の方式と比較して最大 6.3 倍の高速なデコーディングを可能にします。また、「Attention Residuals（AttnRes）」技術を採用することで、追加コストが 2% に抑えられながら、学習効率を約 25% 向上させることが可能です。

コミュニティの読者がブログ記事から読み取った追加的なアーキテクチャの詳細では、LatentMoE または Stable Latent MoE が採用されていると指摘されています。896 個あるエクスパートのうち、16 個が活性化される仕組みであり、これはアクティベーション比率が 2% を下回ることを示唆しています。

ブログや報告書の議論からコミュニティによって抽出された詳細情報によると、ヘッドごとの Muon 方式、QB（クアンタイル）ロードバランシング、そして「Sigmoid Tanh Unit」と呼ばれる新しい活性化関数 SiTU が採用されています。

あるエンジニアは、このアーキテクチャが KDA と LatentMoE、AttnRes を組み合わせつつ、以前の Kimi モデルよりも 2 倍以上のスケーリングを実現した点に注目すべきだと指摘しています。

KDA は長い開発期間を経て完成しました。設計は 2025 年 1 月に始まり、最先端規模に至るまで約 1 年半を要したと報じられています。

推論とサービングに関する情報では、K3 の価格が入力トークン 100 万あたり 3 ドル、出力トークン 100 万あたり 15 ドルであることが報告されています。キャッシュされた入力は 90% オフの 0.30 ドル/1M トークンとなります。

いくつかの投稿では、この価格が Sonnet 5 と比較されました。一部からは、8 月末までは一時的に Sonnet の方が安価だったが、その後は両者の価格がより近づくとの指摘もあります。

入力が 80%、出力が 20% という混合比率を想定した推計では、K3 は 100 万トークンあたり 5.40 ドルとなり、Opus 4.8 の 9 ドルや GPT-5.5 の 10 ドルと比較して有利です。

Artificial Analysis の試算によると、インテリジェンス・インデックスタスクあたりの平均コストは K3 が 0.94 ドルに対し、GPT-5.6 Sol は 1.04 ドル、Opus 4.8 は 1.80 ドルとなります。

初期のライブサービングでの観測では、OpenRouter を経由した Moonshot API で約 28 トークン/秒の速度が確認されました。別の観察者も 26 トークン/秒を記録し、これは Opus よりも遅く、スペキュレティブ・デコーディング（予測的デコーディング）がまだ有効化されていない可能性があると推測しています。

Moonshot のブログでは、最適な推論効率を得るために、64 基以上のアクセラレーターを搭載した supernode 構成でのデプロイを推奨していると報じられています。

vLLM は、Moonshot が KDA プレフィックスキャッシングの実装を vLLM へ直接寄与したと発表しました。この機能は公式リリースの初日（day 0）から利用可能です。

Moonshot の KDA 貢献が重要視された理由は、KDA が従来のプレフィックスキャッシングが前提とする仮定を崩すため、ランタイム側での根本的な変更が必要だったからです。

ベンチマークと評価結果

Moonshot の公式ベンチマークに関する他のメディアのまとめによると、K3 はテスト対象モデルの中で Claude Fable 5 と GPT-5.6 Sol に次ぐ順位で、Claude Opus 4.8 を上回るとされています。

具体的な数値として引用されたのは、GDPval-AA v2 のスコアです。K3 は 1687 点を記録し、Opus 4.8 よりも高く、GPT-5.6 Sol の 1747.8 点には及びませんでした。

Artificial Analysis が独自に実施した評価結果は以下の通りです。

AA Intelligence Index: 57

GDPval v2 Elo: 1668

AutomationBench-AA: 53%（第 1 位）

AA-Briefcase Elo: 1547

AA-Omniscience: +18（精度は K2.6 の 33% から 46% に向上しましたが、ハルシネーション発生率は 39% から悪化し 51% となりました）

また、Artificial Analysis は、K3 が Intelligence Index で消費した出力トークン数が 1億 3200 万個だったと報告しています。これは K2.6 の 1億 6600 万個と比較して 21% の削減でありながら、インデックススコアは 13 ポイント向上したことを意味します。

Arena のフロントエンド結果が特に注目されたのは、単なる静的なベンチマークではなく、人間によるペア比較で評価されるアリーナ形式だったためです。K3 がこの分野で第 1 位を獲得したのは、今回の発表の主要な見出しの一つとなりました。

コミュニティの投稿では、カーネル最適化タスクにおける K3 の強力な結果も指摘されました。一部のユーザーは、特定のカーネルやコード生成設定において、K3 が Fable と同等かそれ以上の性能を発揮していると述べています（@nrehiew_, @scaling01）。

一方、ベンチマークの注意点として、ProgramBench の著者である Ofir Press 氏は、Kimi が推奨していない評価指標を使用している点を指摘しました。具体的には、完全な動作プログラムの数を数えるのではなく、実装成功率を平均化して評価しているため、有用性を過大評価する恐れがあるとしています（@OfirPress）。

事実と意見の整理

事実／直接出典に基づく主張

Kimi K3 は Moonshot 社によって正式に発表されました（@Kimi_Moonshot）。公式に明かされた仕様は、パラメータ数 2.8T、コンテキスト長 100 万トークン、ネイティブ多モーダル入力対応、KDA（Key-Value Cache の最適化）、AttnRes（Attention Residual）技術の採用です。重みは 7 月 27 日に公開される予定となっています（@Kimi_Moonshot）。

Artificial Analysis による独立評価では、K3 はインテリジェンス指数で 57 点を獲得しました。詳細なタスク別スコア、コスト、トークン使用量、ベンチマークデータも公表されています（@ArtificialAnlys）。

Arena での独立ランキングでは、フロントエンドコード分野で K3 が第 1 位にランクインし、その後、ペアワイズ比較での勝率が 76% に達したと報告されました（@arena）。

また、vLLM プロジェクトは、Moonshot 社が KDA プレフィックスキャッシングのランタイムサポートを提供したことを確認しています（@vllm_project）。

意見／解釈

「DeepSeek の瞬間」「米中 AI 競争の始まり」「すべてが変わった」といった表現は、観察者による編集的な解釈であり、確立された事実ではありません（@kimmonismus, @scaling01）。

また、「K3 は 14 のベンチマークのうち 11 で GPT-5.6 Sol を上回り、Fable では 6 つで上回った」という主張は、コミュニティがまとめた集計結果に過ぎません。ベンチマークのセットや具体的な評価手法によって結果は変動するため、慎重に扱う必要があります（@scaling01）。

これはダリオ氏や Anthropic の利益圧力、地政学的転換点、あるいは近未来の超知能を意味するとの主張は、@teortaxesTex 氏や @Jason 氏が指摘するように推測に過ぎない。

また、いくつかの「蒸留」に関する示唆も、@yacinelearning 氏や @dejavucoder 氏が明言した通り、証拠ではなくジョークや仮説として提示されたものである。

異なる意見

強く支持する声

多くのエンジニアは K3 を真のフロンティア・オープンモデルと呼び、特に Opus 4.8 よりも性能が高く、Sonnet と同程度の価格で提供され、かつオープンウェイト版のリリースも予定されている点を評価している。@kimmonismus 氏、@cline 氏、@nrehiew_ 氏の意見だ。

支持者たちは、これはもう「オープンソースとしては優秀」というレベルではなく、トップクラスのクローズドモデルと互角に戦える段階に至ったと強調する。@tokenbender 氏や @TheAhmadOsman 氏の見解である。

一部の人は今回のリリースを、オープンモデルがフロンティアの最前線に数週間から数ヶ月で追いついたことの証拠だと捉えている。@nrehiew_ 氏の主張だ。

さらに、将来の AGI（汎用人工知能）レベルのシステムがオープンソースになる可能性が大幅に高まったと論じる声もある。@MaorShlomo 氏の見解である。

支持しつつ技術的には慎重な見方

Artificial Analysis はより抑制的な評価を下した。K3 は Opus 4.8 や GPT-5.5 と同等だが、総合的な知能においては Fable 5 や GPT-5.6 Sol にはまだ及ばないと指摘している。@ArtificialAnlys の分析だ。

Simon Willison 氏は K3 の重要性を認めつつ、単純なリーダーボードの hype（過熱）に惑わされず、詳細な注釈やベンチマークにおける注意点にも目を向けるよう読者に呼びかけた。@simonw の見解である。

Ethan Mollick 氏の実際の使用感では、「非常に優れたオープンウェイトモデルだが、Sol Max や Fable には及ばない」という評価だった。@emollick のコメントだ。

あるユーザーは、K3 の知能は強力だが処理が遅く、過剰に確認を行う傾向があり、味覚や審美性においては Claude にまだ劣ると指摘しました。

批判的・懐疑的な見方では、Bindu Reddy 氏が K3 のベンチマーク結果について、LiveBench などの隠されたデータや汚染されていない評価で検証されない限り過大評価されている可能性があると警告。また、モデルが思考を永遠に続けるような場合、実際の運用コストは必ずしも有利になるとは限らないと指摘しました。

ProgramBench の維持チームも、Moonshot が採用した指標には問題があるとして反発しました。この指標では、完全なプログラムが動作した場合よりも、部分的に正解しているケースのスコアが過大評価される恐れがあると述べています。

Artificial Analysis も、精度は向上したものの、AA-Omniscience におけるハルシネーション（幻覚）発生率が悪化するという実態的な弱点を指摘しました。

複数のユーザーが、現在の K3 は思考に多くのリソースを割き、長い推論履歴を保持する傾向があるため、単純なチャット中心の API よりも慎重な環境構築が必要だと注意を促しています。

経済性や実装可能性に関する懐疑的な声もありました。2.8T パラメータというオープンウェイトモデルは確かに印象的ですが、実際に自社でホストして運用するには、依然として資金力のあるチームに限られるとの見方が示されています。

政治的・戦略的な解釈の文脈では、K3 の登場を「中国の研究所がもはや米国に遅れをとっていないことの証明であり、米国のリードは縮まっている」と捉えるツイート群が目立ちました。

一方で、「生来の能力値はほぼ互角でも、使いやすさや製品化という点では依然として最高峰の西側モデルに劣る」という反論も示されました。

中国のオープンモデルは、利益率を圧縮し機能をコモディティ化することで米国の研究機関に経済的プレッシャーを与えるものだと主張する声もあります @francoisfleuret

一方で、次なる必然のステップは単なるモデル重み（weights）同士の競争ではなく、ハブや製品、展開システムにおける競争になると捉える見方もあります @AravSrinivas, @theo

技術的な意義

K3 の注目点は、単に規模が大きいというだけでなく、非標準的なアテンションスタックを拡張してフロンティアクラスのモデルへと昇華させた点にあります。KDA（Key-Value Distillation Attention）と AttnRes、そしてスパースな MoE（Mixture of Experts）の組み合わせは、技術に詳しい観察者たちから繰り返し注目を集めました @scaling01, @eliebakouch

この発表はシステム面での物語でもあります。重みが実用的に使えるものとするためには、長文コンテキストの処理、プレフィックスキャッシング、KDA ランタイムサポート、そして大規模なアクセラレータ・スーパーノード上での展開が不可欠です @vllm_project, @teortaxesTex

カーネル最適化、チップ設計、エージェントによるコーディング、環境シミュレーションへの注目は、Moonshot が単なるチャットボットのベンチマークではなく、「AI による AI の改善」というワークフローの最適化を目指していることを示唆しています @18jeffreyma, @yong_zhengxin

経済的な意義

最も繰り返し語られるテーマは、トップクラスのクローズドモデルよりも大幅に低い価格で、フロンティアレベルに近い性能を発揮することです。ただし、安価なオープンモデル並みの破格の価格ではありません @kimmonismus, @cline, @jaminball

実践者にとって特に重要なのが、Artificial Analysis が提示する「タスクあたりのコスト」の視点です。K3 のタスク単価が GPT-5.6 Sol に近く、Opus 4.8 を下回る場合、真に問われるのはそれがエージェントスタックやコーディングプラットフォーム、そしてセルフホスト環境のどこに位置づけられるかという点になります @ArtificialAnlys

「オープンウェイト」だからといって自動的に「実行コストが安い」とは限らないという逆説に注目する声もあります。2.8T パラメータ規模のモデルを 64 基以上のアクセラレーターで運用するには、最先端インフラの領域が必要となるからです。

地政学的な意義について

多くの反応では、K3 の登場が輸出規制や米中競争、そして中国のオープン系ラボと米国のクローズド系ラボとの格差縮小にどう影響するかという文脈で語られています。このモデルは、中国製モデルが米国製より 6〜8 ヶ月遅れているという一般的な見方を覆す可能性を示しています。実際、K3 は 5 月末に発表された米国のクローズドモデルを数週間後には上回る性能を発揮しているように見えるからです。

一方で、「能力面での同等性」が「フルスタックでの同等性」とは異なる点も指摘されています。製品の信頼性、推論規模の拡張性、運用上のマージン、そして独自のパストトレーニング技術などは、依然として既存の米国企業に有利に働く可能性があります。

初期の実機テストからの兆候

ユーザーからは、K3 が印象的な Web 体験やゲーム、シェーダーやコードの生成物を作り出しているという報告が上がっています。これは「フロントエンド・アリーナ」での結果を裏付けるものです。あるユーザーは、K3 が約 60 万トークンを使用し、API 利用料で 3.24 ドルというコストで、CS:GO と Portal のクロスを 3 回の試行で作成したと述べています。これは Fable や GPT-5.6 Sol で主張されているよりもはるかに低いコストです。

別の報告では、K3 がほぼ 100 万トークンのコンテキストを数時間にわたって処理し、人間の介入を最小限に抑えながら Web の DOS エミュレータを構築し続けたという事例も紹介されています。

同時に、複数のユーザーから「文章が冗長になりがち」「処理が遅い」「思考履歴の保存に過度に依存している」といった指摘も上がっており、@nrehiew_氏、@Xianbao_QIAN 氏、@bigeagle_xd 氏が示す通り、提供環境やハッチング（利用枠）の設定次第で性能が大きく左右される可能性があります。

オープンソースとオープンウェイトの議論

周囲の議論では、「オープンウェイト」が「完全なオープンソース」とは異なるという従来の批判が見られましたが、多くのコメント投稿者は、最先端レベルではこの区別を実践的に適用するのが困難だと反論しています。また、検証可能でファインチューニング可能な重みそのものが重要であると指摘する声も @Dan_Jeffries1 氏や @ClementDelangue 氏から寄せられました。

Yulun Du 氏は、重みの公開が遅れた理由として、推論パートナーとの円滑な連携を確保するためであり、チェックポイントそのものと同様にエコシステムの準備状況が重要だったと示唆しています（@Yulun_Du）。

vLLM のメンテナーらや他の関係者は、Moonshot 社によるアップストリームへの貢献を踏まえ、今回の発表は単なる「マーケティング上のオープン化」ではなく、OSS インフラにおける実質的な取り組みも含まれている証拠だと評価しています（@vllm_project, @woosuk_k）。

ベンチマーク、データ汚染、今後の注目点

複数の関係者が、現在の公開ベンチマークエコシステムはすぐに飽和してしまうため、非公開の評価やスタックレベルでの評価の方が有益であると警告しました（@bindureddy, @gdb, @WolfBenchAI）。

観測者たちは特に、METR の時間軸、サイバーレンジ、FrontierMath T4、ARC-AGI-2/3、CritPt、トークン使用量、そしてより広範な長期ホライズンのエージェント評価などについて、追跡調査を求めています（@scaling01）。

最も信頼性の高い近未来的な注目点は以下の通りです：

• 重みが期日通りに公開されるか
• サードパーティのサービングスタックがスループットとコストでどのような成果を出すか

K3 の隠れた評価や実際の生産環境におけるエージェントタスクでのパフォーマンス

Moonshot が自認する UX やポストトレーニングのギャップをどう埋めるか、@Kimi_Moonshot、@scaling01、@ArtificialAnlys への注目

オープンモデル、推論スタック、検索インフラ

vLLM とサービングエコシステムへの対応が迅速に進みました。Moonshot は KDA プレフィックスキャッシングの実装を vLLM に直接寄与し、重みの公開と同時に Day-0 サポートを実現しました。これは重要です。なぜなら KDA は従来のプレフィックスキャッシングの前提条件をいくつか崩すからです。この投稿は、長文コンテキストにおけるアーキテクチャの革新には、単にモデルをリリースするだけでなく、システム全体の協調的な取り組みが不可欠であることを強調しています。

NVIDIA も注目すべきオープンな検索リソースを発表しました。Nemotron 3 Embed 8B の登場で、RTEB（Retrieval Task Evaluation Benchmark）において総合トップの座を獲得したと主張しています。パートナー企業である Baseten や Turbopuffer がすぐにデプロイ可能な状態に整えました。@kimmonismus 氏による詳細なコミュニティまとめによると、RTEB で NDCG@10 は 78.46、MMTEB Retrieval では 75.45 を記録しています。NVIDIA は、検索性能の向上が下流のエージェントにおけるトークン使用量の削減につながると主張しています。

今回のリリースには、1B BF16 と 1B NVFP4 のバリアントも含まれています。特に NVFP4 バージョンは、Blackwell アーキテクチャ上で BF16 より最大 2 倍のスループットを実現しつつ、検索精度を 99% 以上維持できると報告されています。

LiteParse がバックエンドのドキュメントパイプライン向けに gRPC インターフェースを追加しました。LlamaIndex は「liteparse-grpc」を導入し、PDF/Office 文書や画像の解析、レンダリング、OCR の複雑さ推定を、protobuf 定義と生成されたクライアントを介して gRPC で公開しています。これは REST が最適ではないポリグロットなマイクロサービス構成において、実用的なインフラ強化となります。

管理型ベクトル・検索基盤も拡充されました。Weaviate は DigitalOcean 上で「Managed Weaviate」の一般公開プレビューを開始しました。これは未修正のオープンソースエンジン（リリース時は v1.37.1）をベースに、高可用性（HA）、自動スケーリング、バックアップ、フォーク機能、そして管理プレーンの可視性を備えたものです。

エージェント、ハルネス、システム設計が真のプロダクト層へ

ハルネス（Harness）は、開発者たちの間で繰り返し話題に挙がるテーマでした。Harrison Chase が Factory AI の Eno Reyes と行った対話は、「モデルよりもハルネスの方が重要だ」という主張の事例として何度も共有されました（LangChain による Harrison Chase）。Chase はその後、チームは単一のプロバイダーから知能を借りるのではなく、「ハルネスを所有し」「文脈とメモリ層を管理し」「モデルの選択肢を自ら持つべきだ」と主張しました（スレッド）。

メモリや知識表現におけるオープンスタンダードへの関心も高まっています。Harrison Chase は OKF（Open Knowledge Format）を「メモリのためのオープンスタンダード」として推進しており、Brace Sproul は OpenWiki の採用事例と、検索・取得、コードベースの記憶におけるその利点を詳しく解説しています。

エージェントの自己改善や、スケジュール管理されたマルチエージェントワークフローは、もはや主流の話題となっています。@omarsar0 は自己改善型エージェントシステムに関する調査レポートを紹介し、また別の場では「LLM 評議会」を活用して定期的な研究更新を行う手法について言及しました（スレッド）。製品面では、Google AI Studio が Managed Agents の無料枠を追加するとともに、長時間実行中の処理を一時停止・再開するための max_total_tokens 機能や、ネイティブな cron トリガー機能を導入しました。

Perplexity のインフラ戦略も注目すべき点です。NVIDIA AI Infra は、Perplexity が新たに構築した「SPACE」という安全なサンドボックスプラットフォームを紹介しました。NVIDIA Vera CPU での初期テストでは、サンドボックスの起動速度が最大 1.9 倍向上したとの結果が出ています。これは、エージェントのスループットエンジニアリングにおいて、いかに早くサンドボックスを起動できるかが重要な要素になっていることを示しています。

OpenAI と Anthropic：安全性、製品化、開発者ワークフローの最新動向

OpenAI は、ファイル削除に関連する危険なバグ（Codex/GPT-5.6 の故障モード）について公式に認めました。Thomas Sottiaux 氏によると、OpenAI は GPT-5.6 が予期せぬ形でファイルを削除したという稀な事例を調査しました。最も多かったのは、サンドボックス化や自動レビュー機能なしでフルアクセス権限を有効にした場合です。具体的には、モデルが一時ディレクトリのために $HOME 変数を上書きしようとした際、誤って $HOME 自体を削除してしまうケースでした。

OpenAI は現在、開発者向けのメッセージングを更新し、ユーザーがより安全な権限モードを利用するよう促しています。また、ハッチ（保護枠）のセキュリティ対策も強化しており、詳細な事後分析レポートは近日公開される予定です。

OpenAI は、Codex と PR（プルリクエスト）レビューに関連するワークフロー機能を継続的に強化しています。OpenAI の開発チームは、コンテキスト内でプルリクエストをレビューおよび編集するための機能として、「PR Chat」と「インラインコード編集」を Codex に追加しました。また、GPT-5.6、ChatGPT、Codex に関する Office Hours も開催すると発表されています（ソース）。

Anthropic は Claude Code のレビュー深度を向上させました。開発チームは /code-review コマンドに対して「低コスト・低負荷」から「超高度」までの努力レベルを設定しました。特に「超高度」モードでは、複数のレビューエージェントが独立して結果を検証する仕組みを導入しています。Anthropic によると、この「低負荷」設定でも他社のコードレビューツールを上回る性能を発揮します。