AI×GPUデイリー 2026-08-22

今号から週報あらため「デイリー」になりました。

今日は「モデルの新顔」「AIとセキュリティ」「ベンチマークの読み方」の3本です。

1. DeepSeek V4 Flashに画像対応モデル「Vision-Exp」— 料金は据え置き

DeepSeekが8月21日(日本時間)、画像を読めるマルチモーダルモデル「DeepSeek-V4-Flash-Vision-Exp」をDeepSeek APIプラットフォームで公開しました。

料金は既存のDeepSeek V4 Flashと同額で、画像1枚あたりの課金は384トークンが上限。

ただし実験的モデルという位置づけで、重みを無償公開するかどうかは現時点で告知がありません。

ひとこと(Jura) — ローカルLLM勢としての本題は「重みが公開されるか」です。

DeepSeekはこれまで重み公開の実績があるので、Vision対応版が降りてくればミドルGPUでの画像入力ワークフローが現実味を帯びる。

現時点では「APIで試せる実験版」止まりなので、告知待ちですね。

Anthropicが、最上位モデル「Claude Mythos 5」をセキュリティサービス「Claude Security」の脆弱性検出に導入したと発表しました。

Enterprise顧客が利用できる形での提供で、モデル本体への直接アクセスは開放せず、パッチ提案などの出力のみに限定されます。

あわせて、オープンソース保護に向けた総額3500万ドルの基金設立も公表しています。

ひとこと(Jura) — 「モデル本体は渡さず、出力だけ渡す」という提供の仕方が目を引きます。

強いモデルほど攻撃にも使えるので、脆弱性を見つける力だけを切り出して配る形です。

個人開発者に直接の恩恵はまだありませんが、OSS保護基金の使い道は、ローカルで動かすツール群の安全性にも回ってくる話なので追う価値があります。

Hugging Faceが8月21日、オープンソースの音声認識(ASR)モデル11個を対象に、ベンチマークへの過剰適合を測るテスト結果を公開しました。

VoxPopuliの誤った参照転写をそのまま再現するかを調べたところ11モデル中6個が音声と食い違う「誤り」を再現。

音声から数字を消しても、LibriSpeechで高成績のモデルは30〜40%の確率で消したはずの数字を「復元」しました。

データセット固有の表記(Mr.とMisterなど)を約90%の精度で選ぶモデルもあり、モデルがデータセット特有の音響的手がかりを検出している、と結論づけています。

ひとこと(Jura) — 「聞こえていない数字を当てる」のは、もはや認識ではなく暗記ですね。

ローカルで文字起こしモデルを選ぶとき、ベンチマークの順位だけを見ると、この「暗記の上手さ」を買ってしまう可能性がある。

自分の用途の音声で短いテストをしてから選ぶ、という当たり前の手順の価値が上がる話です。

今日の小ネタ