おはようございます。 先週1週間（8/8〜8/14）のAI市場についてのまとめ記事となります。
「AIにAI研究そのものを任せられるのか」に、同じ週で逆向きの答えが出ました。Princeton と UK AI Security Institute が実施した検証では、エージェントが書いた論文が元論文の著者から Reject と Strong Reject を付けられています。一方で Import AI が伝えた、モデルの事後学習（ポストトレーニング）を扱うベンチマークでは、Intology の Locus が人間の基準値（ベースライン）を上回りました。
並行して、中国勢のオープンウェイト（重みを公開する方式）のモデル公開が連日続き、Hugging Face の定点観測がその規模を数字で示しています。さらに Anthropic が Claude の電子透かしの仕組みを公開した同じ日に、Google は画像や動画の可視の透かしをオフにできるようにしました。測り方・出し方・見分け方が、それぞれ別方向に動いた一週間です。
📰 Pickup News
Princeton と UK AI Security Institute の検証で、AIの自律研究は査読で不合格。同じ週に人間超えの報告も
8/14 に THE DECODER が伝えたところによると、Princeton と UK AI Security Institute の研究者が Shadow Evaluation という手法の結果を公表しました。まだ公開されていない NeurIPS 2026 の論文から研究課題だけをエージェントに渡し、元論文の著者本人が査読者として成果物を採点するという設計です。対象は論文2本で、Claude Opus 4.8 に 6日間・APIクレジット$3,000・GPU予算を与えています。結果は2本とも不合格で、判定は Reject と Strong Reject でした。片方は本文中に図が1枚もなく、人間が書いた元論文には15枚の図がありました。
使い切らなかった点も報告されています。Personas の試行では、探索フェーズに36〜48時間を見込んでいたのに5時間で切り上げ、約140時間の試行を通じて $3,000のうち$1,130しか使いませんでした。研究チームの結論は、フロンティアモデルは工学的なタスクはこなすものの “cannot solve weeks-long, open-ended AI research questions” というものです。反証の対象として名指しされているのは、Anthropic が6月に公開した社内の研究加速データ “When AI Builds Itself” と、OpenAI の「GPT-5.6 Sol が小型モデルのポストトレーニングを助け、研究者の数週間を節約した」という主張です。ログと査読、リポジトリは cruxevals.com で公開されています。
逆の結果も同じ週に出ています。Import AI 468（Jack Clark 氏）によると、標準ベンチの10時間GPU制限を外した PostTrainBench+ で Intology の Locus が 51.6% を記録し、人間のベースラインを上回りました。Opus 4.8 は44.3%、GLM 5.2 は42.7%で、Locus が使った計算資源は H100 換算で4,000時間超です。加えて THE DECODER が伝えたところでは、Anthropic 社内では Claude Code が日次の保守作業を回しており、数週間で **388本のPRのうち180本がマージ（46%）**されています。同社の Boris Cherny 氏の評価は “surprisingly positive”、”early signs of life” でした。要は、同じ問いでも「数週間の未解決課題を最後まで走り切れるか」と「決まった作業を大量にこなせるか」では答えが割れる、ということです。
