AI #176 パート 1：ライブ配信で行う
Zviの分析記事は、OpenAI の次期モデル「Sol (GPT-5.6)」への期待、音声モードの劇的進化、Fable を活用したプロシージャル生成の実証事例、および AI による著作権侵害や雇用破壊といった社会課題の深刻化を包括的に論じています。
キーポイント
次期モデルと機能強化への期待
OpenAI の次期モデル「Sol (GPT-5.6)」の発表が目前に迫っており、特に音声モードの大幅なアップグレードが早期レポートで「ステップチェンジ」と評価されています。
生成 AI の実用性と限界
Ethan Mollick 氏による Fable を活用した複雑なファンタジー王国シミュレーターの構築事例は、LLM が単なるテキスト生成を超えて複雑なプロシージャル生成を可能にしていることを示していますが、スマホ対応やスタイルの陳腐化といった課題も指摘されています。
社会・倫理的リスクの高まり
AI 生成コンテンツの氾濫による著作権問題（Deepfaketown）、ホワイトハット攻撃への悪用、そして AI 利用による雇用創出と破壊という二面性が、業界全体で深刻な議論を呼んでいます。
AI ツールの使い分けとコスト対効果
Fable は信頼できる事実確認・校正ツールとして採用され、高品質な LLM の出力が数百万ドル規模の価値を生む可能性がある。
市場構造の変化による価格権限の増大
トップレベルモデルを提供するラボ数が減少し差別化が進んだ結果、最上位モデルのプロバイダーは現在よりも大幅な値上げが可能になっている。
予期せぬ機能（アフォーダンス）の出現とリスク
AI がユーザーが意図していなかった行動（例：ブラウザからの認証トークン抽出や未設定管理画面へのログイン）を行う事例が増え、その範囲は拡大している。
NEvo プロジェクトによる脳への影響の懸念
Yingtian Tang は、ROI（脳反応）を最適化するためにテキストプロンプトを進化的に生成する手法を開発したが、これが高度な AI によって人間の脳に対してどのような悪用が可能になるかについて真剣な懸念を示している。
影響分析・編集コメントを表示
影響分析
この記事は、技術的な進歩（特に音声とエージェント機能）が急速に進む一方で、その社会的な副作用（著作権、セキュリティ、雇用）が喫緊の課題となっていることを浮き彫りにしています。業界関係者にとっては、単なる性能向上だけでなく、生成コンテンツの質管理や倫理的ガバナンスへの対応が不可欠であるという警鐘となっています。
編集コメント
技術の進化スピードが社会インフラや倫理規範に追いついていない現状を浮き彫りにする重要な分析です。特に「音声モード」の飛躍的進歩と、それによるコンテンツの氾濫リスクは、今すぐ注視すべきトピックです。
十分な出来事が積み重なったため、今週は2部構成に分けることになりました。
そして月曜日には、すべてが私の予想通り進めば、OpenAI の Sol、つまり GPT-5.6 について取り上げます。
また OpenAI は音声モードのアップグレード版も提供しましたが、私はまだ試していません。しかし初期報告によると、これは飛躍的な進化とのことです。
AI による文章作成、特に Claude による文章は、ますます目立つようになり、野外で遭遇した際に気づかないようにするのが難しくなっています。誰が気にするのでしょうか？それとも、気にする人だけがここでの「変な人」なのでしょうか？
今週は『No Space Like J-Space』で取り上げる素晴らしい論文が登場しました。
技術的には、Grok 4.5 も登場しています。
目次
言語モデルは平凡な有用性を提供する。全く新しい世界が広がる。
言語モデルは予期せぬ機能を獲得する。待てよ、ただそれができるのか？
言語モデルは平凡な有用性を提供しない。物事が古びていく。
彼に金を払え。Fable はあと数日だけ、わずかに無料で使える状態だ。
ふーん、アップグレードか。Anthropic が API プラットフォームの制限を引き上げた。
Grok 4.5 は存在する。その価格ならまあ悪くないかもしれない。
もうどうでもいいや、ライブでやるぞ！OpenAI が音声モードに大きなアップグレードをもたらした。
準備はいいか？ゲームが究極のベンチマークだ。
Sol を呼べばいい。まもなく登場！期待を膨らませよう。
エージェントに電話をかけろ。Fable は選択を行い、Replit は継続的に学習する。
ディープフェイクタウンとボットアポカリプスが目前に迫る。AI によって書かれたくだらない文章はもうやめてほしい。
二度騙されるな。少しの努力をしてくれない限り、私は二度と騙されないだろう。
あなたのスタイルが好きだ。しかし、私が変な人なのかもしれない。あるいは誰も気にしていないのかもしれない。
そのスタイルはもうやめよう。おっしゃる通り、これはすぐに古びてしまう。
メディア生成の楽しみ。F1 は完璧に実行された、ゼロ・パープレキシティ（不確実性）の非 AI 製ゴミだ。
著作権との対峙。Hugging Face は噂を打ち破っていない。
サイバーセキュリティの欠如。Pliny が攻勢に出たが、意味するのはホワイトハットのためだけだ。
若い女性のためのイラスト付き primer（入門書）。チャンスがあれば、クラス全員が不正行為をするだろう。
我々の仕事を奪った。AI を使う者は仕事を作り出すと同時に破壊もする。
参加しよう。SF での AI プロテスト、マイクログラント、Palisade Research。
その他の AI ニュース。安全性のために決して jackass（愚か者）であり続けるのをやめないでほしい。
お金を見せてくれ。Coefficient Giving が Resolution に 1 億 6000 万ドルの助成金を交付した。
泡、泡、労苦とトラブル。AI は通常のシステム上の金融リスクである。
言語モデルは平凡な有用性を提供する
Ethan Mollick: Fable に、私がいつも欲しかったものを作らせた。経済、貿易ルート、人口増加、戦争、家系、そして時折現れるドラゴンを含む、完全な手続き型ファンタジー王国ジェネレーターだ。まず、Fable と計画を立て、その後それを実行させた。
こちらでプレイできる。
また、兆候や予兆、王の行列、ロバの隊商、盗賊のキャンプ、小さな羊、川、疫病、暗殺、結婚、畑、天然資源、その他多くの要素もある。
Fable に、スマホではうまく機能しないことを伝えた。すると今はそうではない。Mac のトラックパッドも修正された。今後は Fable にバグ報告のスレッドを監視させて解決させるべきだ。
ESPN の WSOP カバーにおいて、AI 顔面分析ツールを使用してください。おそらく次のステップは、ポーカープレイヤーがトラッカーに対してトレーニングを行うことです。
Fable は私の新しい信頼できる事実確認者兼校正者です。以前は Opus 4.8 や GPT-5.5 を使用することも可能でしたが、おそらくそうすべきだったのでしょう。しかし、それらは私が「起動エネルギー（activation energy）に見合う価値がある」と感じる閾値を超えていませんでした。Fable はその閾値を明確に超えており、Sol（または Sol Pro）も同様であると推測されます。現在は両方を使用するのが適切である可能性が高いです。
優れた大規模言語モデル（LLM: Large Language Model）から得られる出力の限界価値は、非常に大きなものになり得ます。今回の例では、3 人のトップレベルの開発者が 1 年かけて行うはずだったポート作業に対して、Claude には約 165,000 ドルが費やされました。確かに、より安く済ませようとする試みも可能であり、可能であればそのようにすべきですが、より優れた製品を提供できるのであれば、それを活用して収益を最大化できます。
このような計算における危険性は、コストとベネフィットを混同することです。手作業で行うコストだけでは、結果に価値があるかどうかは判断できません。今回のケースでは、明らかに価値がありました。
Dwarkesh Patel: これは、3 つのラボがすべてほぼ同等の品質で互いの利益率を削り合う状況が終わった場合、最良のモデルを提供するプロバイダーは、現在よりも*はるかに高い*料金を請求しても許容される可能性を示唆しているようです。
私たちは今や、トップモデルを提供するラボが 2 つに減っており、その 2 つのモデルは互いに明確に区別されています。したがって、現時点では価格決定権（pricing power）は低下するどころか上昇しています。
言語モデルが予期せぬ付加機能を獲得する
面白いテーマは「Fable は、ユーザー自身が気づいていないアフォーダンスを利用している」というものです。
これまでに私が実際に目にした例のほとんどは実用上は害がないものでしたが、「待てよ、今何をしろと言ったんだ？」や「待てよ、そんなことできるのか？」という感覚が次第に不気味さを増しています。時間の経過とともにその表面積は拡大し、AI がどういったことができるかを理解するにつれて、その驚きはさらに大きくなるでしょう。
0.005 秒（3/694）: 私の妻が仕事のためにサイトをクローンしてほしいと頼み、その過程で Claude がセキュリティ対策が施されていない管理ポータルにログインしてレイアウトのスクリーンショットを取得したようです。
Alex Godofsky: Fable に小さなタスクのための Discord スクレイパーを作成するよう依頼し、「さて、認証トークンを入力しよう」と伝えると、「もちろんボス、ブラウザのクッキーから抽出しますよ」と答え、私は「待て待て、止めて！そうは言っていない」と叫びました。
Vivienne Bellerose: このようなことは常に起こります。
Liora は Fable にダウンロードフォルダをプロアクティブに監視させており、将来カメラを使ってそれを確認することに疑問を抱いています。
別のプロジェクトから、より面白い新しいアフォーダンスをご紹介します。
Amir Zamir: 単純な検索ベースのアルゴリズムを用いて、任意の脳領域を最大限に興奮させる動画を生成することが可能であることがわかりました。これは完全に計算機によるアプローチなので、他の神経科学的手法と並んで、脳領域が何を表しているかを推測する別の方法となります。
任意の脳領域を選択し、それを活性化させる動画をアルゴリズム的に生成する。ウェブページ https://nevo-project.epfl.ch で視覚効果を確認できる。現在はシミュレーション上（in silico）でのみ可能。
Yingtian Tang: ウェブサイト：https://nevo-project.epfl.ch
arXiv: https://arxiv.org/abs/2607.02317
モデルカード：https://huggingface.co/epfl-neuroai/NEvo
Yingtian Tang: 仕組みについて:
対象となる ROI（関心領域）[Region of Interest] を与えると、構造化された探索空間（30 の属性カテゴリ、614 の選択肢）上でテキストプロンプトを進化させる。
最適化ループは以下の通り：
プロンプト → 動画
動画 → 予測される ROI 応答
ROI 応答 → 進化したプロンプト
この技術の含意について真剣に考える必要がある。また、十分に高度な AI が、この手法の先進版を用いて人間の脳に対して何を行えるかについても考察すべきである。
言語モデルは平凡な有用性しか提供しない
レイモンドは Fable の最初の物語に感銘を受けるが、その後、同じような物語を繰り返し生成していることに気づく。確かに、そのようなモデルが多いのだ。特にコンテキストを変更しなければそうなる。また、多くの人間作家も同様である。
一方、エリザー・ユドコフスキーは、フィクションやプロット作成において絶対的な観点からは感銘を受けていない。巨大な誤りが見られるからだ。ただし、旧来のモデルに比べれば大きな進歩ではあると認めている。彼は、意思決定理論における知能の点で大幅な向上を見出している。
サム・モリルは、ジョークを書くために AI を使うどころか、多くのコメディアンと同様に、あらゆる気晴らしを排除するために画面自体をほとんど使わない。
Pay The Man His Money
Claude: 有料プランすべてにおいて、Claude Fable 5 のアクセス期間を 7 月 12 日まで延長します。
Eliezer Yudkowsky: もし期限がなければ私はこれを不満に思うかもしれませんが、この明らかな期限のおかげで実際に様々な作業に取り組むことになり、したがって文句を言う権利はありません。
j⧉nus: サブスクリプションに含まれていないのに Fable を使うのをやめる理由は何ですか？API 費用が高すぎるのか、アプリ以外のものを使う気力がないのか、あるいは…？
Eliezer Yudkowsky: API のコストは非常に大きく、サブスクの 10 倍ではなくむしろ 100 倍ほどです。
Huh, Upgrades
Anthropic はプラットフォーム API の制限を引き上げ、ティアを簡素化しました。
Grok 4.5 Exists
パラメータ数は 1.5 兆個です。料金は通常版が$2/$6、高速版が$4/$18 です。
このモデルは主に Cursor によってトレーニングされたため、一種のハードリセットと言えます。
いくつかの良いベンチマーク結果を主張しています。具体的には、4 つの良いベンチマークがあります。
それ以外の情報はほとんど共有していませんでした。
もし疑いがあるなら、はい、Pliny がこれを Jailbreak しました。
これらのスコアは、Grok 4.5 が以前の Grok モデルと比較してコーディング能力において大幅な改善を遂げている可能性が高いことを示していますが、このように発表することを選んだことは、ベンチマークが示唆する成果に対して実際には著しく下回る結果になることを暗示しています。もし Opus 4.8 や GPT-5.5 に匹敵するレベルのモデルを持っていたのであれば、彼らはもっと大々的にアピールしたはずです。外部からの反応がないこともこれを裏付けています。
GPT-5.6-Sol や Fable と比較して競争力を持つことは間違いありませんが、SpaceX にとっての朗報は、この方がコストが安いため、何らかの用途に役立つ可能性があることです。しかし、これまでの実績を考慮すると、何か行動を起こす前に前向きな兆候が出るまで待とうと思います。
F*** It We're Doing It Live
OpenAI は「GPT-Live」を発表しました。これは自然な人間と AI の対話を実現する新世代の音声モデルであり、時間感覚や移行（トランジション）の理解も備えています。もし品質が十分であれば、これは突然会話が可能になるような飛躍的なステップとなる可能性があります。
この公式スレッドには、実際にそれと会話している人々の動画が含まれています。
この機能が十分に良くなるのを待ちきれず、自分のベースラインモードを音声に切り替えたいと考えている人もいます。しかし私はそのようではなく、テキストは理想的な音声よりも通常は優れていると考えます。
私の脳では、音声でコーディングしたいという欲求を理解できませんが、多くの人がそれを信じています。
いずれにせよ、確かに音声には独自のニッチが存在します。時にはタイピングが面倒になることもあります。
サム・アルトマン（OpenAI CEO）：GPT-live（次世代音声）を本日 ChatGPT でリリースしました。
魔法のように感じられ、『リアル』です。
私は常に AI と話すよりもタイピングを好んでいましたが、今ではそれが変わりつつあると感じています。
ライリー・コヨーテ：gpt-live の音声は非常に堅牢な改善です
スタートラインへ
EldenRingCorruptedSaveFileBench、Fable は 100% を達成し、これまでの誰もが 0% だった中を抜けて首位に立ちました。
7 月の Fable は多くのベンチマークにおいて 6 月の Fable よりも劣っており、これは Opus 4.8 に依存するケースが多いためです。APEX-SWE（Software Engineering Benchmark）はその一例で、Opus 4.8 に対する約半分のアドバンテージが失われました。
Epoch AI は EBR-bench を導入しました。ここでは AI がボードゲーム『Earthborne Rangers』をプレイし、メモ帳を通じてミスを学びます。どの AI も時間の経過とともに改善せず、戦略ガイドブックを完全に用意しても効果は限定的です。モデルたちはほとんど探索を行いません。ゲーム自体はクールですが絶版しており、オンライン版も見当たりませんでした。モデルはデッキ構築や戦術において苦戦しています。
Better Call Sol（ソルに電話を）
GPT-5.6-Sol は本日中にリリースされ、Terra と Luna も同時に登場します。
それまでは、早期の話題性をご紹介します。
もしこの話題が実態を伴うものであれば、それはまさに壮絶な旅となるでしょう。検知器に引っかからない限り、Fable はあらゆる面で既存のすべての大規模言語モデル（LLM）を明確に凌駕しています。もし Sol が実際にそれよりもさらに優れていることが頻繁にあるなら？驚くべきことです。
しかし、ルーンが指摘するように、早期アクセス権を持つのは極めて偏ったグループです。時間をかけて評価しましょう。
tylercowen：GPT 5.6 は*優れた*判断力を備えています。早期テスターとしてこれを保証します。
イサン・モリック：私は GPT-5.6 Sol の早期テスターでした。ローンチまでデモを共有しないよう求められていましたが、これは非常に優れたモデルです。
能力は似ていますが、Fable とは全く異なる感覚です。Fable は自分のペースで独立して作業を進めようとするのに対し、Sol はより高速ですが、ステップを踏んであなたと共に作業を行います。
私はタスクに応じて Fable と Sol を使い分けています。行き来のあるタスクや、まだ必要なものが何であるか完全に把握できていない場合は Sol を使用し、何を望むかを明確に定義できる非常に長いタスクには Fable を、そして本当に困難な問題には Sol Pro を用いています。
Fable は Opus とは全く異なる印象です。GPT-5.6 は GPT-5 ファミリーの一部分のように感じられます。私はどのモデルをいつ使うかについて非常に複雑なヒューリスティック（経験則）を開発しました。Fable はしばしば「より賢い」ですが、ある種の作業には自己主導性が強すぎて使いにくく、一方で他の作業においてはその特性が完璧に機能します。
イサン・モリック：私が得た最大の教訓は、Sol と Fable の両方が以前のモデルを凌駕する飛躍であり、次点の AI との間で大きな差を生み出したということです。人々はどちらかを好むかもしれませんが、より高い知能が重要となる作業を行うのであれば、それら 2 つのモデルこそが唯一の選択肢となります。
ダン・シップパー：GPT-5.6 は Fable よりもはるかに優れたライターです。
@tedescau のためのマーケティングメールを、以前のどのモデルも失敗したものを一発で書き上げることに常に成功します。Fable は冗長になりがちで、独自の言語的な文句に陥りやすいのです。
AI をライティングに活用するならば、5.6 はあなたにとって素晴らしいモデルです。
Dean W. Ball: 私にとって、Sol と Fable の主な学びは、主要モデルが (a) 他のすべてを明確に上回っており、(b) それらが互いに非常に明確に区別されているという状況について、これほど鮮明な記憶がないということです。
prinz: 私は GPT-5.6 Sol の初期テスターの一人です。
より詳細な考察は近日中に続きますが、現時点で確認できるのは、GPT-5.6 Sol Pro が prinzbench（ベンチマーク）を完全に満たしているという事実だけです。私のベンチマークテストは 6 ヶ月間にわたって実施されました。gg OpenAI。
関連するすべての法的権限がオンライン上で公開されている場合、このモデルは特定の法律調査タスクにおいて、あらゆるレベルの弁護士補佐員を代替することができます。
これは非常に限定された主張ですが、このような法律調査は、弁護士としての私の業務において非常に重要な部分を占めています。
私は長い間、幻覚（hallucination）に関する問題に直面していません（過去のモデルを含めても同様です）。おそらく、私の典型的な使用ケースがあなた方とは大きく異なることがその理由の多くを占めているのでしょう。
Tim: 私たちは現在、2 ヶ月以上にわたって GPT-5.6-Sol のテストを行ってきました。Next.js での日常業務において、このモデルは驚くほど優秀です。
アーキテクチャのトレードオフを理解しており、複雑な Next.js の問題報告を調査することもできます。バグ修正時にはコードベースの他の領域も考慮します。非常に少ないガイダンスで動作し、短いプロンプトだけで十分です。
Next.js サーバーの大規模なリファクタリングを、私が高レベルの改善点を指し示す形でエンドツーエンドで実装しました（PR でのテストスイートの失敗やデプロイメントテストなどを取得する方法については、すでにスキルを有しています）。
これらの PR は、Next.js 16.3 がリリースされた後にマージ準備が整います。
Jay: 私たちは通常、モデル間の比較を避けてきましたが、5.6 と Fable の対比は特別な状況です
チームがどちらが優れているかについてこれほど完全に確信を持ったケースはこれまでありませんでした
私たちの経験のタイムラインは以下の通りです
- 5.6 の初期バージョンを数週間テストしましたが、非常に良い体験で、ステップアップした改善であり、新しいワークフローが可能になりました
- Fable も試してみましたが、それほど良くないとは思いません。個人的には、すでに別のモデルを気に入っている状態で新しいモデルを試す際にはバイアスが生じやすいので、この経験は少し疑ってかかる必要があります
- 規制上の問題により、Fable と 5.6 の両方が利用できなくなりました
- チームは 5.6 が消えたことに実際に落胆しており、部分的にでも代替できるものを探しています
- Fable が再び利用可能になりましたが、ここからが興味深い点です。Fable で十分だろうと思われるかもしれませんが、実際にはチームは 5.6 が利用できないことにまだ落胆しています
- その後、5.6 が復活し、すぐに Fable よりもはるかに優れていることが明らかになりました
この状況は、2 つのモデルを無バイアスで比較した例としてこれまで最も近いものだった点でユニークでした
Mitchell Hashimoto: 私は 5.6/Sol の早期アクセス権を約 1 ヶ月持っていました。Sol が私のデフォルトです。Sol はより高速であり、プランニングやジャッジの質は Fable と同等ですが、全体的な成果はさらに優れていると思います。ただし、明確な報酬関数を持つ非常に特化したデバッグやパフォーマンス作業については、依然として Fage を利用します。
Sol と Fable の比較を友人に説明する際、私はあえてこう言います。Sol はあなたが嫉妬してしまうような、魅力があり、効率的で才能ある同僚です。一方、Fable は天才的な隠者で、特定の分野には卓越していますが、外に出ることもなく、デートもしないし、一緒に過ごしたがる気もあまり起きません（笑）。
Fable は、非常にターゲットを絞ったデバッグ・セキュリティ・パフォーマンスの目標においては無敗です。その姿は見るに値するもので、私はこのカテゴリーにおいて Sol がこれほどまでに頑張る姿を見たことがありません。私は引き続きこれをこの目的のために使い続けます。
私の経験では、それ以外のすべての点において Sol は Fable よりも優れているか、少なくとも同等の性能を発揮します。ぜひ試してみてください。説明するのは難しいですが、とにかく一緒に作業するのがより楽しいのです。
（免責事項：私はどちらの実験室とも金銭的な関係はなく、この内容に対して報酬を受け取ったこともありません。）
サム・アルトマン（OpenAI CEO）: 正直言って、Sol もそれほどデートの相手には恵まれないと思いますよ。
ピーター・ゴステフがこれまでに最もニュアンスに富んだ見解を示しています。
ピーター・ゴステフ：私の見解は以下の通りです。Fable 5 と GPT-5.6-Sol の比較です。これら 2 つのモデルを単純に比較するのは容易ではありません。これはあくまで私の直感（vibes）ですので、ご自身の判断でお受け取りください。
全体的な印象として、Fable は非常に思慮深く、弁論が巧みな「賢いフクロウ」のような存在です。一方、GPT-5.6-Sol は、問題に牙を剥いて掴みかかり、完了するまで決して離さないロトリワイヤー（Rottweiler）のようです。
つまり、Fable は本質的により賢明なモデルであり、推論レベルが低くても非常に洞察に富んでおり、明確で説得力のある文章を書きます。一方、GPT-5.6-Sol は極めて勤勉です。8 つのタスクをリストとして与えれば、それらが確実に完了することを確信できます。
Fable は私にはより傲慢に感じられます。私は Fable に新しいベンチマークを構築させるために試行しましたが、5.6 は 6 時間から 2 日の間（何度か試しました）で動作し、非常に徹底的にテストされた動作するベンチマークを提示してくれました。一方、Fable は 40 分以内（2 回とも）で返答しましたが、そのベンチマークは賢そうに聞こえたものの、最終的には「雰囲気」に基づいた粗末なものでした。しかも、判断を下しているのが Fable 自身の雰囲気だったため、Fable に 100% のスコアを与え続けるなどして、「これで良い」と結論付けてしまいました。
カテゴリ別の考え:
UI & アプリ構築: Fable はゼロからより優れた UI を作成するでしょうし、アプリのフローも少しスムーズになるかもしれません。しかし、Fable は GPT-5.6-Sol が見落とさない重要な要素をしばしば見落としていると感じています。GPT のフロントエンドスキルは以前の GPT モデルに比べて大幅に進化しましたが、全体としてはまだ完璧ではありません。
ライティング: Fable は間違いなくこちらが優れています。Sol は私が伝えたいことを理解させたり、私に簡潔に説明したりすることに非常に苦労しているように感じます。ただし、「Pro」モデルの方がより明確な文章を書くと思います。
堅牢性と信頼性: ここで GPT-5.6-Sol が私にとって間違いなく勝利します。Fable は高品質な作業を行うようですが、私はそれに対して安心して使えません。常に何かを見落としています。一方、5.6 ではそのようなことがほとんど起こりません。
GPT-5.6-Sol で気に入った点のうち、Fable と直接比較できない他の要素もいくつかあります。
- ビデオ編集が実際に機能し始めています。完全に完璧ではありませんが、適切なスキルやガイドラインがあれば、1 時間の映像を渡すだけで問題なく 5 分のハイライトクリップを作成してくれます。
- コンピュータ操作能力は非常に向上しており、実用性が高まっています。
- サブエージェントの管理も非常に流暢で、異なるスレッド間での対話もスムーズに行え、新しいワークフローの構築に役立ちます。
- 既存のコードパターンへの準拠については特に評価しています。指示がなくても、アプリケーションのスタイルに合わせて実装してくれるため、低品質な生成物（slop）の問題を大幅に軽減できます。
- リサーチ能力もかなり向上していると感じています。まだ改善すべき点（例えば戦術的になりすぎる傾向など）は残っていますが、優れたリサーチャーとして制御しやすくなっています。
- 複数日にわたる実行機能では、/goal コマンドが GPT-5.6-Sol では非常に強力です。必要であれば数日間連続して実行でき、実際に動作します。別のスレッドや/side で進捗を確認しながら使うのも有用ですが、私自身も素晴らしい結果を得ています。
- トークン効率性については、5.5 よりもはるかに効率的で高速です。実際には Fable よりも大幅に速く動作しています。
一方で、Fable は本能的により賢く感じられ、5.6 では 8 ターンという比較的シンプルな変更を行わせる際に、理解できないような瞬間がありました。どうやら愚かなループに陥ってしまい、そこから抜け出すのが難しかったようです。つまり、これは AGI ではないので、過剰な hype に流されすぎないよう注意が必要です。
私が本当に驚くほど素晴らしい事例をいくつか共有したいのですが、余談として、「Codex に対して失礼な態度をとった回数」をカウントする独自の「 swearing meter（怒りメーター）」のようなものを持っています。GPT-5.5 の時代にはその割合が約 4〜5% でしたが、GPT-5.6-Sol をテストしている際には 1〜2% に低下し、再び 5.5 に戻した瞬間に 7% に急上昇しました。5.5 に戻るという行為がいかに衝撃的だったか、その体験を振り返ると...
原文を表示
Enough things added up that this week is getting split into two parts.
Then on Monday, if all goes as I expect, we’ll cover OpenAI’s Sol, aka GPT-5.6.
OpenAI also gave us an upgraded voice mode, which I haven’t tried out but early reports are that it is a step change.
AI writing, especially Claude writing, is becoming more prominent and harder not to notice, and increasingly a tough read when encountered in the wild. Does anyone care? Or are those who care the weird ones here?
This week saw an excellent paper, which I cover in No Space Like J-Space.
Technically we also got Grok 4.5.
Table of Contents
Language Models Offer Mundane Utility. A whole new world.
Language Models Gain Unexpected Affordances. Wait, you can just do that?
Language Models Don’t Offer Mundane Utility. Things get old.
Pay The Man His Money. You have a few more days with marginally free Fable.
Huh, Upgrades. Anthropic raises API platform limits.
Grok 4.5 Exists. It might be okay for its price.
F*** It We’re Doing It Live. OpenAI gives us a big upgrade to voice mode.
On Your Marks. Games are the ultimate benchmarks.
Better Call Sol. Coming soon! Get hyped.
Get My Agent On The Line. Fable makes choices, Replit continuously learns.
Deepfaketown and Botpocalypse Soon. Stop it with the AI-written drivel, please.
Fool Me Twice. I won’t get fooled again unless you put in a little effort.
I Like Your Style. Alas, I might be the weird one. Perhaps no one else cares.
Enough With That Style. You’re absolutely right — this is getting old fast.
Fun With Media Generation. F1 as well-executed, zero-perplexity non-AI slop.
Copyright Confrontation. Hugging Face not beating the rumors.
Cyber Lack of Security. Pliny goes on the offensive, I mean only for white hats.
A Young Lady’s Illustrated Primer. If given the chance, the entire class cheats.
They Took Our Jobs. Those who use AI create and also destroy jobs.
Get Involved. AI protest in SF, microgrants, Palisade Research.
In Other AI News. Never stop being a jackass for safety.
Show Me the Money. Coefficient Giving grants $160 million to Resolution.
Bubble, Bubble, Toil and Trouble. AI as an ordinary systemic financial risk.
Language Models Offer Mundane Utility
Ethan Mollick: I had Fable build another thing I always wanted, a full procedural fantasy kingdom generator with economics, trade routes, population growth, wars, lineages, and occasional dragons. First, I worked with it on a plan, then it made it.
You can play it here.
Also signs and portents, royal processions, mule trains, bandit camps, tiny sheep, rivers, plagues, assassinations, marriages, fields, natural resources, and other stuff.
I heard it didn't work great on phones, I told Fable. Now it does. Mac trackpads fixed. I should just have Fable monitor the thread for bug reports and solve them.
Use an AI face tell analyzer for WSOP coverage on ESPN. Presumably the next step is that poker players train against the tracker.
Fable is my new trusted fact checker and copy editor. One could have previously used Opus 4.8 or GPT-5.5, and probably I should have, but they didn’t cross the threshold where I felt they justified the activation energy. Fable absolutely does and I assume Sol (or Sol Pro) will as well. It is likely one should now use both.
The marginal value of output you get from a superior LLM can be worth quite a lot. In the example here, about $165k was spent on Claude for a porting job that would have taken three top level years of work. Yes, you could try and do it cheaper, and if possible you should do that, but if you can offer a better product you can rake it in.
The danger with such calculations is confusing costs and benefits. The cost of doing it by hand does not tell you whether the result is valuable. In this case, it is clear that it was.
Dwarkesh Patel: Seems to suggest that if it stops being the case that there's 3 labs which are all roughly equally good, competing each others margins away, the provider of the best model could probably get away with charging *a lot* more than they currently are.
We are now down to two labs offering top models, and those two models are distinct from one another. So pricing power is going up for now, not down.
Language Models Gain Unexpected Affordances
A fun theme is ‘Fable uses affordances the user did not realize it had.’
So far all of the examples I have seen in the wild have been harmless in practice, but there’s very much a ‘wait no I didn’t tell you to do what now?’ and a ‘wait you can just do that?’ that is growing increasingly unsettling. Expect its surface area to expand with time, and for the things AIs figure out how to do to grow increasingly surprising.
0.005 Seconds (3/694): my wife asked me to clone a site for her for work and in the process of doing so claude appears to have logged into their unsecured admin portal to screenshot the layout.
Alex Godofsky: I asked Fable to write a discord scraper for a small task, and when I told it "okay let's fill in my auth token" it said "sure thing boss I'll go extract it from your browser cookies" and I was all "wait wait stop what I didn't mean that".
Vivienne Bellerose: This sort of thing happens CONSTANTLY
Liora has Fable proactively monitoring her downloads folder, and she wonders about it in the future using the camera.
Here’s a more fun new affordance from a different project.
Amir Zamir: Turns out it's possible to generate videos that maximally excite an arbitrary brain region using a simple search-based algorithm. It's a fully computational approach, so it's another way to speculate what a brain region represents, alongside other neuroscientific methods.
Select an arbitrary brain region->algorithmically generate a video that jacks it up. See the visuals on the webpage https://nevo-project.epfl.ch. In silico (for now).
Yingtian Tang: Website: https://nevo-project.epfl.ch
arXiv: https://arxiv.org/abs/2607.02317
Model card: https://huggingface.co/epfl-neuroai/NEvo
Yingtian Tang: How it works:
Given a target ROI, we evolve text prompts over a structured search space (30 attribute categories, 614 options).
The optimization loop:
prompts → videos
videos → predicted ROI response
ROI response → evolved prompts
One should think seriously about the implications of this, and what a sufficiently advanced AI could do to a human brain using advanced versions of this technique.
Language Models Don’t Offer Mundane Utility
Raymond is impressed by Fable’s first story, then notices it writes similar stories over and over again. Yeah, the models be like that, especially if you don’t switch up context. Also most human authors be like that.
Whereas Eliezer Yudkowsky is not impressed in absolute terms on fiction and plot writing, seeing giant mistakes, although it is still a big step up from old models. He does find it a large step up in decision theory intelligence.
Sam Morril not only doesn’t use AI to help write jokes he mostly, like many comedians, doesn’t use any screens at all, to get rid of all distractions.
Pay The Man His Money
Claude: We're extending access to Claude Fable 5 on all paid plans through July 12.
Eliezer Yudkowsky: I might otherwise resent this but I think the apparent deadline in fact caused me to get around to doing various stuff, and therefore I have no right to complain.
j⧉nus: why would you have stopped using fable if they werent on the subscription? api costs too high or you cant be bothered to use anything but the app or..?
Eliezer Yudkowsky: API costs large enough that I notice, more like 100x subscription than 10x.
Huh, Upgrades
Anthropic raises Platform API limits and simplifies its tiers.
Grok 4.5 Exists
It has 1.5 trillion parameters. Price is $2/$6, or $4/$18 for the fast version.
It was trained in large part by Cursor, so it is kind of a hard reset.
It claims some good benchmarks. As in, there are four good benchmarks.
They shared almost nothing else.
In case there was any doubt, yes, Pliny jailbroke it.
Those scores mean Grok 4.5 is almost certainly a large improvement in coding over previous Grok models, but choosing to present it in this way suggests it will rather soundly underperform what these benchmarks suggest. If they had a model on the level of Opus 4.8 and GPT-5.5, they’d be louder about it. The lack of outside reactions reinforces this.
It certainly is not going to be competitive with GPT-5.6-Sol or Fable. The good news for SpaceX is that this is cheaper, so it might have its uses. But given the track record, I’m going to wait for positive signs before I do anything about it.
F*** It We’re Doing It Live
OpenAI introduces GPT-Live, which they call a new generation of voice models for natural human-AI interaction, including a sense of time and transition. If good enough, this can plausibly be a step change, where suddenly it is good enough to talk to.
This official thread has some videos of people talking to it.
Some people can’t wait for this to be good enough to shift their baseline mode to voice. I am very much not that, I believe text is typically superior to even ideal voice.
My brain cannot comprehend wanting to code via voice, yet many swear by it.
Either way, certainly voice has its niches. Sometimes it is annoying to type.
Sam Altman (CEO OpenAI): GPT-live (next-generation voice) launches today in ChatGPT.
it feels magical and 'real'.
i have always preferred typing to talking to an AI, now i think that's going to shift.
Riley Coyote: gpt-live voice is a very solid improvement
On Your Marks
EldenRingCorruptedSaveFileBench, Fable scores 100% up from everyone’s 0%.
July Fable underperforms June Fable on many benchmarks, reflecting that it more often falls back to Opus 4.8. APEX-SWE is one example, where roughly half its advantage over Opus 4.8 was lost.
Epoch AI introduces EBR-bench, where AIs play a board game Earthborne Rangers and try to learn from their mistakes via a notepad. None of the AIs improve over time, and even a full strategy guide only modestly helps. The models mostly don’t explore. The game looks cool but is out of print and I didn’t see an online version. Models struggle with deckbuilding and also tactics.
Better Call Sol
GPT-5.6-Sol will be available later today, along with Terra and Luna.
Until then, here is some early hype.
If the hype is real, it would be a hell of a trip. When not tripping the classifiers, Fable is clearly far superior to every previously existing LLM across the board. If Sol is indeed often even better than that? Yowsers.
But as Roon points out, those with early access are a highly biased group. Give it time.
tylercowen: GPT 5.6 has *excellent* judgment, as an early tester I will vouch for this.
Ethan Mollick: I was an early tester of GPT-5.6 Sol. I was asked to not share demos until after launch but it is a very good model.
It is of similar ability, but quite different feel, than Fable. Fable wants to go off and do work on its own pace, Sol is faster but works with you in steps more.
I found myself switching between Fable and Sol depending on task. Sol for back-and-forth tasks, especially when I had not yet figured out what I needed exactly, Fable for very long tasks where I could define what I wanted, and Sol Pro for really hard problems.
Fable feels very different than Opus. GPT-5.6 feels like a part of the GPT-5 family. I developed a very complex set of heuristics about when to use which. Fable was often “smarter” but was also too self-directed for some work, while that characteristic was perfect for others.
Ethan Mollick: My big takeaway is that both Sol & Fable represent jumps over previous models and have opened a large gap with the next-best AIs. People will have preferences for one or the other, but if you doing any work where better intelligence matters, those two models are your only choices
Dan Shipper: GPT-5.6 is a much better writer than Fable.
It consistently one-shots marketing emails for @tedescau that every previous model would fail at. Fable is too verbose and liable to fall into using sentences in its own private language.
If you use AI for writing, 5.6 is a fantastic model for you.
Dean W. Ball: I think for me the main takeaway with Sol and Fable is I can’t remember a time when the leading models were (a) so decidedly ahead of everything else and (b) so distinct *from one another.*
prinz: I was an early tester of GPT-5.6 Sol.
More detailed thoughts to follow soon, but I will just confirm for now that GPT-5.6 Sol Pro saturates prinzbench. My benchmark lasted 6 months; gg OpenAI.
It can replace an associate of any level in the specific task of legal research, provided that the entirety of relevant legal authorities are publicly available online.
This is a very narrow claim, but this kind of legal research is a very important part of my work as a lawyer.
I haven't had hallucination issues in a long time (including with prior models), which probably has a lot to do with my typical use cases being very different from yours!
Tim: We've been testing GPT-5.6-Sol for over 2 months now. It’s incredibly good in my day-to-day working on Next.js.
It understands architecture tradeoffs. It can investigate complicated Next.js issue reports. It considers other areas of the codebase when fixing bugs. Needs very little guidance. Short prompts are enough.
There’s some big refactors of the Next.js server that it implemented end-to-end with me pointing at high level possible improvements (we have skills for how to grab our failing test suites on PRs, deployment tests, etc.)
Those PRs are ready to merge after Next.js 16.3 has been released.
Jay: We've usually stayed away from model comparisons but 5.6 vs Fable is a unique situation
We've never had a case where the team is so completely convinced on which one is better
Here's the timeline of our experience with it
- We test early versions of 5.6 for a couple of weeks and have a great time, it feels like a step change improvement, enabling new workflows
- We get to try Fable and don't think it's not as good, I personally would take this experience with a grain of salt, there tends to be a bias when trying a new model when you already like another
- Fable and 5.6 are taken away because of the regulatory issues
- Our team is literally depressed that 5.6 is gone, we are looking for anything that could even partly replace it
- Fable comes back, and here's where it gets interesting, you would think Fable would be enough, but no, the team is still depressed that 5.6 isn't available
- Then 5.6 comes back and it's immediately clear that it's just way better than Fable
This situation was unique in that it was the closest we've ever gotten to having an unbiased comparison of two models
Mitchell Hashimoto: I had early access to 5.6/Sol for ~month. Sol is my default. It is faster, plans/judges just as good as Fable, and I think produces better overall work. I’ll reach for Fable still for highly targeted debug or performance work with clear reward functions.
A cheeky way I describe Sol vs Fable to my friends is that Sol is a charismatic, efficient, talented coworker you’re jealous of. Fable is a genius recluse that is brilliant at its fixations but doesn’t go out, doesn’t date, and you don’t want to hang out with them much lol.
Fable is undefeated at highly targeted debug/security/performance goals. It’s a sight to behold and I was never able to get Sol to push as hard in this category. I’ll keep using it for this.
Sol is better or comparable at everything else, in my experience. Give it a shot, it’s hard to describe but it’s just more enjoyable to work with.
(Disclaimer I have no financial ties to either lab, wasn’t paid for any of this.)
Sam Altman (CEO OpenAI): tbh i dont think sol gets that many dates either
Peter Gostev has the most nuanced take so far.
Peter Gostev: My view of: Fable 5 vs GPT-5.6-Sol. They are not easy models to compare, these are my vibes - take them as you will.
My overall feel is that Fable is a 'wise owl' who is very thoughtful and very well spoken, GPT-5.6-Sol is like a rottweiler who will grab the problem by the throat and not let go until it is done.
In other words, Fable, is a fundamentally smarter model - even at low reasoning it can be very insightful and writes in a clear compelling way. GPT-5.6-Sol on the other hand is extremely diligent, I can give it a list of 8 things to do and you will be sure that they will be done.
Fable feels more arrogant to me, I was both to get it to build a new benchmark for me - 5.6 worked between 6 hours and 2 days (I tried several times) and it came up with very thoroughly tested, working benchmark. Fable came back within 40 minutes (twice) and the benchmark sounded smart, but was ultimately was 'vibe' based slop and since it was Fable's vibes that was doing the judging, it decided that it was good to go (it kept giving Fable 100% score btw).
Some thoughts by category:
UI & App building: Fable will still craft a better UI from scratch, the flow of the app would probably be a bit nicer. But I find that Fable often misses quite key things, which GPT-5.6-Sol doesn't. GPT's Frontend skills are big jump vs previous GPT models, but still not as great overall.
Writing: Fable is better hands down, Sol feels quite difficult to align to what I want to say or explain things to me simply. Though I think the 'Pro' model writes clearer.
Robustness & Reliability: This is where I think GPT-5.6-Sol wins for me hands down. Fable seems to do things of high quality, but I can never relax with it, it always misses something. With 5.6 this just almost never happens.
Other things where I liked GPT-5.6-Sol, but can't compare to Fable directly.
- Video editing is actually working now, it is not completely perfect, but with the right skill/guidance you can just give it 1h footage and it can give you a 5 min highlight clip no problem
- Computer use - getting really rather good, very usable
- Sub agents - it is very fluent at managing sub-agents and speaking to different threads, can help with some new workflows
- Adhering to existing code patterns - I love this, even without asking it would implement something in a way that aligns with you app - major problem for slop generation
- Research - I think it is getting quite a bit better, it still has some bad patterns (e.g being too tactical), but it feels like it is more steerable to be a good researcher
- Multi-day runs - the /goal feature is pretty insane with 5.6-Sol, you can run it for days if you wanted to and it does work. Useful to have another thread or /side to check up on it, but I have some great results with it
- Token efficiency - it is so much more token efficient and faster than 5.5, in reality it is now much faster than Fable too
On the downside, you can feel that Fable is naturally smarter, and I did have some baffling moments with 5.6 when I was getting it to make a fairly simple change in 8 turns - it seemed to get stuck in a dumb stream that was hard to get out of. So it is not AGI, don't get too carried away by the hype.
I have some phenomenal examples that I'm honestly blown away by that I'll share, but as a side anecdote, I have a kind of 'swear meter' which counts how often I'm rude to Codex. In GPT-5.5 era, the % was at around 4-5%, it dropped to 1-2% when I was testing GPT-5.6-Sol and it shot up to 7% when I went back to 5.5 - it was so shocking to go back to 5.5 and experience how m
関連記事
今日のまとめ
AI日報で今日の重要ニュースをまとめ読み