能力を分解すると、本当に追いついたのは1つの分野だけ

「追いついた」という言葉が証明にも反証にもなるのは、能力がそもそも分野ごとに分かれているからです。あるモデルがコード作成で相手に追いついていても、別の分野では数世代遅れていることがあります。この分析に出てくる分野を一つずつ並べると、格差はすぐに浮き彫りになります。

コード作成は最も目に見えやすい分野です。公開ランキングが最も多く、誰もが毎日使う能力でもあります。一方、他の項目は専門の評価機関が走らせる必要があるか、自己評価リストに載っていません。「追い付いた」という世間の認識は、基本的に最初の行から生まれています。

でも、コード作成こそが最も重要な項目

現在最も堅固に測定されているトレンドはソフトウェアエンジニアリングにあります。AIが単独で完了できるタスクの長さは、約4ヶ月ごとに2倍になります。著者も、このトレンドは数学など他の分野でも成立する可能性が高いが、ソフトウェアエンジニアリングの測定が最も充実していると述べています。この「タスクの長さ」には専門用語があり、タイムホライズン（時間枠）と呼ばれます。

このトレンドをあと2〜3年先まで伸ばすと、「人が数ヶ月から数年かかる仕事を、AIが引き受けられる」時代が来ます。このトレンドがコード作成だけで成り立つとしても、超人的なプログラマーモデルを先に握った者が、追い付くのが難しい戦略的ポジションを握ることになります。数ヶ月の差を正確に計算することに労力をかける価値があるのは、このためです。

AI Futures Model（2025年12月版、パラメータは2026-04-02更新）。左下の2つの日付は、この推測が中央パラメータで示す結果です。自動化プログラマー2028年6月、スーパーインテリジェンス2029年5月。重要パラメータの欄で、コーディングのタイムホライズンの倍増周期は4ヶ月に設定されています。これは予測モデルの出力であり、実測データではありません。出典：AI Futures Project

比較は中米間でのみ行われます。最高のモデル、最も多くのAI研究、最も多くの計算資源がこの両側に集中しているからです。欧州には理論上、資金と人材がありますが、これまでのところ真剣に競争に参入する意思は見せていません。

そこで問題は、分野別の格差がこれほど明確なのに、ランキングではなぜ「総合的に追い付いた」となるのか、です。2層に分けて説明できます。第一層は「ギャップ」という言葉そのもの。実は2つのことを同時に言っており、多くの人はそのうちの1つしか使っていません。

「ギャップ」という言葉が同時に2つのことを指している

ギャップの定義は一言だけです。ある研究所が、別の研究所がすでに達成した能力を作り出すのにどれくらいかかるか。でも、この一言には方向がまったく異なる2つの問題が隠れています。

概念図であり、実際のデータではありません。図の6.3ヶ月と10.0ヶ月は、概念を説明するために描かれた架空の数字です。左側の部分は「リード側が、遅れ側の今日のスコアにいつ到達したか」、右側の部分は「遅れ側が、リード側の今日のスコアにいつ到達できるか」を測定しています。出典：scaling01

もう一つ見落とされがちな層があります。能力は分野ごとに分かれているということです。あるモデルがコード作成で別のモデルに追い付いていても、他の分野や総合では劣っている可能性があります。「追い付いた」と言うときは、どの項目で追い付いたのかを明確にしなければなりません。

モデルはバッチでリリースされる。連続した曲線はない

実際に計算しようとすると、現実的な問題にぶつかります。進歩は非連続なのです。モデルは数週間から数ヶ月ごとにリリースされ、2つのモデルのスコアがちょうど等しくなることもありません。間にどれだけの時間が空いているかを直接測ることはできません。3つの方法にそれぞれトレードオフがあります。

著者は3番目の方法を選びました。対称的で、背後にある大きなトレンドをより反映し、ギャップが拡大しているのか縮小しているのかが分かるからです。コストも明確に説明されています。結果は回帰モデルの選び方に依存し、トレンドの断点を平滑化してしまいます。これはKimi K3にとって不利で、もし本当に断点であるなら、回帰線はそれを元に戻してしまいます。

ただし、過去5年ほどで、トレンドの断点と言えるのは1〜2回だけです。2024年第3四半期の推論モデル、そして2025年11月のClaude Opus 4.5発表後のエージェンティックモデルの台頭が、2回目かもしれません。この2回はモデルサイズとは無関係です。DeepSeek-V4-Proの2倍にも満たない規模のモデルが、サイズだけでトレンドを断ち切るのは説明が難しいのです。

そのため、以降の結論はすべて2組の数字を示します。隣接モデル区間（現在の瞬間的なギャップ。図では区間内の内挿値も示します）と、トレンドライン推定（時間を伸ばして見た長期水準）です。方法が決まったので、次は意見の対立の第二層、そして最も重要な層です。どの問題で測るか、です。

ランキングの問題選びが結論を直接左右する

「35項目中30項目で勝利」という言葉の重みは、その35項目がどう選ばれたかに完全に依存します。構成を分解すると、欠けている問題の種類こそがより多くを物語っています。

ビジュアルとエージェンティックの2カテゴリで24項目。このランキングの約7割を占めます。コーディング系には、著者がシグナル品質が高いと考えるProgramBenchやSWE-Marathonなども含まれます。これらはタスクの範囲が広く、タイムホライズンも長めです。

第三者のランキングにも同じ偏りがある

では、第三者のArtificial Analysis Indexに替えてみましょう。これは今日最も人気のある指数の一つですが、著者はこれでモデルの総合的な強さを判断すべきではないと考えています。理由は2つあります。

第一に、重みです。指数の構成が明らかにエージェントと短いタイムホライズンのコーディング問題に偏っています。

指数の4カテゴリの重み：Agents 34％、Coding 24％、General 18％、Scientific Reasoning 24％。最初の2つで合計58％になります。最も大きな割合を占めるGDPval-AA v2は、220タスクのエージェント用ベンチマークです。出典：Artificial Analysis

第二に、難易度です。各ベンチマークがどれほど難しいか、成績が出たときにどれだけの情報量があるか。この指数は完全に無視しています。すべてのベンチマークを人為的に設定された重みで加重平均しており、誰でも簡単に通過できるベンチマークと、ほとんどどのモデルも正解できないベンチマークが、同じ重みで指数に入ります。

これは役に立たないという意味ではありません。ランキングは日常利用の体感と一致します。経済的に本当に役立つ作業を測っているからです。著者の対処法は、その位置付けを変えることでした。日常的な使いやすさの指標であり、総合的な知能の指標ではない、と。ですから彼の記事では、この指数はArtificial Analysis Indexと呼ばれ、正式名称にあるIntelligenceという言葉は外されています。では、人手で重みを選ばず、問題の難易度も計算に入れられる物差しはあるのでしょうか。あります。しかもAnthropic自身も使っています。

ECIがどうやって問題の難易度もスコアに組み込むのか

Epoch AIの能力指数（Capability Index、略称ECI）は、上記の2つの欠点を対象としています。モデルの根底にある総合的な能力値を測り、すべてのモデルを同じ物差しに載せることを目指します。使われる方法はItem Response Theory。日本語では項目反応理論と呼ばれることが多いです。

具体的には、各ベンチマークで2つのパラメータを推定します。

これらのパラメータを推定したら、統一された統計モデルをフィットさせ、すべての観測スコアを最もよく説明できる能力値を見つけます。この能力値がモデルのECIです。

Anthropicも最近、同じ方法を採用してモデルの強さを測定しています。自社のシステムカードでAECIと呼ばれているものです。彼らの図は、さまざまなベンチマークの難易度を同時に描き出しています。

そのうちの1マスを検算してみると、この方法が何をしているのかが分かります。GPQA Diamondの50点の目盛りは129付近に落ちます。能力値が約129のモデルが、このベンチマークで約50点取れるという意味です。Claude 3 OpusのAECIは約126で、129より少し低い。このモデルによれば、わずかに50点を下回ると予測されます。実測は50.4点で、予想より少し高かった。

Anthropicのシステムカードのデータに基づいて描かれたAECIの図。赤い点は各世代のClaudeモデルの能力値、カラフルな四角は各ベンチマークの難易度の範囲（枠は25％〜75％のスコアに必要な能力をカバーし、中央の横線は50％の目盛り）。左から右へ、GPQA Diamondの横線が最も低く、GSO-Benchが最も高く、難易度が順に上がります。出典：Mythos Previewシステムカード

能力値が共有された物差しに載り、人手で選んだ加重指数よりもバイアスが少ない。これがECIの効用です。2つの物差しが揃いました。では、同じモデル群をそれぞれ載せて測ってみましょう。

2つの物差しで同じモデル群を測ると、差が3倍以上開く

同じモデル群、同じ期間。物差しを替えるだけで、中米のギャップの数字も方向も変わります。

まずAAIの物差し

Kimi K3はこの指数で57.1点です。指数が0〜100に固定されているため、著者はsigmoid曲線で両国のフロンティアトレンドをフィットさせました。

AAIでフィットした中米のフロンティアトレンド。右下の情報ボックス：隣接モデル区間37〜49日（1.22〜1.61ヶ月）、局所内挿45日（1.48ヶ月）、トレンドライン口径88日（2.89ヶ月）、中米交差点2027-11-09。出典：scaling01

この物差しでは、中国のフロンティアは米国のフロンティアより1ヶ月余り遅れており、トレンドラインを延ばすと2027年11月9日に逆転します。

ECIに替えると、同じモデル群の結論が逆転する

EpochがKimi K3の予備スコアを発表した後、そのスコアにMoonshot AIが公表した成績を加えた合計9つのベンチマークから、ECIを直接フィットできます。155.53。90％区間は153.87〜158.21です。これは著者自身の計算であり、Epoch公式発表のECIではありません。GPT-5.3 CodexとGPT-5.4 Proの間に位置し、前者に近いです。

ECIでフィットした中米のフロンティアトレンド。右下の情報ボックス：隣接モデル区間133〜161日（4.37〜5.29ヶ月）、局所内挿160日（5.27ヶ月）、トレンドライン口径185日（6.08ヶ月）、中米交差点の欄はnone。年間進歩率は米国14.6、中国11.0。出典：scaling01

研究所レベルに分解すると、ランキングはほぼ逆転する

国家のフロンティアだけを見ると、個々の研究所のペースは隠れてしまいます。そこで両方の図で研究所別のバージョンを作成しました。両方の年間進歩率を並べると、この評価方法の違いがどれほど大きいかが見えてきます。

Moonshotは左側の首位から、右側ではOpenAIの後ろに転落。Anthropicは左側の5位から、右側では断トツの1位に浮上。7研究所のうち順位が変わらなかったのはGoogleだけです。21.4と6.3で、両方とも最下位です。

AAIの研究所別トレンドによると、Moonshotの勾配が最も急で、2027年2月8日に米国のフロンティアラインを横切ります。原文の本文ではAnthropicを超えるという表現です。ECIの研究所別トレンドによると、Moonshotの交差点の欄も同じくnone。たとえMythos PreviewをAnthropicのデータから除外しても、進歩率は年間18.1ポイントで最速です。

2枚の研究所別トレンド図と、Kimi K3のECIの推定方法

AAI研究所別トレンド。右下は7研究所の年間進歩率とMoonshotの交差点2027-02-08。出典：scaling01

ECI研究所別トレンド。同じ研究所群でも、順位は上の図とほぼ逆転しています。出典：scaling01

Epochのスコアが出る前に、著者は先に一度推定していました。コミュニティの投票ではKimi K3のECIは158〜159に収まると予想され、著者自身は156〜157、アナリストのTeortaxes氏は157〜158と予想しました。

直感に頼らないために、彼はAAIとECIの高い相関を利用して換算しました。単純な直線を当てはめるのはダメです。AAIは0〜100に固定され、両端に近づくほどスコアが密集します。一方、ECIには上限がなく線形です。結果として、直線は弱いClaude 2やClaude 3のあたりで過大評価し、中間で過小評価し、強いモデル側でまた過大評価します。

方法は、まずAAIにlogit変換（sigmoidの逆演算）を施し、圧縮された両端を引き延ばしてから、フィットさせるというものです。

logit変換後のフィット。平均絶対誤差は直接線形フィットより37.2％減少。出典：scaling01

換算による推定値は158.33、bootstrap 80％区間は154.49〜162.02。その後Epochのスコアが発表され、9つのベンチマークからの直接フィットで155.53となり、この区間内に収まりましたが、換算値よりは低くなっています。以降の分析では155.53を使用し、換算式は将来のために取ってあります。

Mythos Preview側も推定が必要です。Anthropicは自社のスケールのAECIしか公開していません。換算が必要です。SubstackのコラムPoint EstimateはECIメソッドで161.5、Ramez Naam氏は最小二乗法で161、著者自身も161（90％区間158〜166）を得ました。この数値はClaude Fable 5の実際のECI 160（区間158〜165）に非常に近いです。判断根拠は、Fable 5がおそらくMythos Previewから蒸留されたより小さいモデルで、追加の安全トレーニングも行われており、どちらもスコアを少し押し下げるからです。

前方ギャップ：今日の最強に追い付くまでどれくらいか

問題を前方の問いに置き換えると、答えはこうなります。国のトレンドラインによると、中国モデルがMythos Previewの161点に到達するのは2027年3月7日。つまり約11ヶ月後です。90％信頼区間は2026年12月28日から2027年6月18日。遅れの期間に換算すると8.72〜14.38ヶ月です。

最も難しい問題では、差がより顕著になる

Epochが発表した予備結果の中に、特に問題点を示す項目があります。FrontierMath Tier 4、研究レベルの難易度を誇る数学問題で、Kimi K3は約39点。7ヶ月前に発表されたGPT-5.2 Pro（約45点）にも及びません。同じ図で、Claude Fable 5は88点です。

FrontierMath Tier 4（v2）、Epoch AI内部スコア、40モデル、最高スコア88％。赤枠で囲まれた緑の点がKimi K3で約39点。上の紫の点はClaude Fable 5（max）で約88点。出典：Epoch AI

このアルゴリズムはまだ5つのものを見落としている

著者自身の判断では、上記の2つのギャップの数値はどちらも小さめです。影響が大きいいくつかの事柄が、そもそも式に入っていないからです。理由は通常、それらの数値が公開されていないことです。

1つ目はモデルサイズ。Kimi K3は2.8兆パラメータ。CursorのMichael Truell氏は、OpusとGPTシリーズの規模はCursorが新たに発表した1.5兆モデルに近いと述べています。おそらくClaude Opus 4.8とGPT-5.4を指しています。GPT-5.5とGPT-5.6は3兆に近いと推定されています。つまり、2.8兆のモデルが1.5兆規模のClaude Opus 4.8にいくつかの項目で勝ったとしても、アーキテクチャの観点からはあまり多くを語りません。

2つ目は推論効率。あの35のベンチマークには、これを測る項目が一つもありません。著者の判断では、Kimi K3の推論効率は依然として米国モデルに劣ります。同じパラメータ規模でも、より多くのトークンを費やして同じスコアを得ている。このコストはどのランキングにも載りません。

3つ目は実際のサービスコストと総計算資源。手元にあるのが100万枚の最新Blackwellなのか、スループットの低い旧型Hopperなのかで、同時に起動できるインスタンス数と、ユーザーへの供給速度が決まります。両国が全力で競争する状況になれば、この要素はモデルのスコアに劣らず重要です。

4つ目は安全テストの時間。米国の研究所の安全テストは中国の研究所よりはるかに徹底しています。この作業がギャップにさらに1ヶ月加わる可能性があります。

5つ目はベンチマーク自体の代表性。多くのベンチマークは実際の仕事のタスクを代表しておらず、コストと時間の制約から、実行時にモデルの最大性能を引き出していません。

ただし、ギャップが過小評価されているからといって、中国の研究所が実際に加速していないという意味ではありません。彼らは確かに速くなっています。異常なほどに。

もう一つの層：米国の研究所が公開を控えているモデル

Mythosは10兆パラメータのモデルという噂です。SpaceX AI、OpenAI、Metaも独自の10兆級モデルを開発しています。著者の見解では、今回のKimi K3の「追い付き」は、中国モデルが前世代に追い付いたものであり、米国の研究所はすでに次世代に進んでいる。ネットワークや生化学の能力にまつわる法的な不確実性のため、最強のモデルを公開せずに留めているだけ、という可能性が高いです。

もしAnthropicとOpenAIが本当にClaude Fable 5.1とGPT-6を公開したら、「追い付いた」という議論は起きないでしょう。この10兆パラメータのモデル群はまったく別物だからです。Lisan al Gaib、scaling01

中国モデルが去年の8月から急に速くなった理由

中国の研究所の進歩速度は確かに速くなりました。そして、その起点は非常に具体的です。著者は指数の時間微分でこの転換点を見つけようとしましたが、あまり良い推定方法ではないと認めています。

瞬間進歩率（AA指数ポイント/年）。2本の縦線は追い越しの時点です。Moonshotは2025-08-06からAnthropicを超え、GLMは2025-10-19から超えました。ピーク時、Moonshotは約39.8、Z AIは約36.5。一方、Anthropicは約31、OpenAIは約30.3。出典：scaling01

この事実自体が異常です。米国の研究所はより多くの計算資源、データ、人材を持ち、研究開発を加速するためのより強力なモデルもあるのに、進歩速度はむしろ遅いのです。著者はまず技術的な説明を排除しました。指数に上限があるため、米国側はすでにスコアが高く、上昇が難しく、遅く見えるだけではないか？ 彼はlogit変換を適用してこの圧縮を取り除きましたが、MoonshotとZ AIのピーク速度は依然として高かったです。

蒸留はその一つ。しかし、すべてではない

厳密な意味での蒸留はモデルそのものを入手する必要がありますが、より強いモデルに弱いモデルの出力を採点させるだけでも、このカテゴリに入ります。Anthropicは何度も、蒸留攻撃を中国の研究所まで追跡できたと報告しています。つまり、これは実際に存在するものであり、規模がどれほどで、どれだけ役立ったかは外部には不明です。著者の表現では、中国モデルが獲得した能力のうち、多かれ少なかれ一部は蒸留に由来する、ということです。

その他にもいくつかの説明があり、著者は実際にはそれらの組み合わせだと考えています。

もう一つの限定条件を付け加える必要があります。この追い上げの物語はAAIでのみ成立し、ECIでは成立しません。

逆の証拠：タスクが難しく長くなるほど、差が露呈する

英国AI安全研究所のネットワークレンジは、現在最も難しい部類のベンチマークです。タスク自体が非常にハードで、モデルは1億トークンを消費して初めて限界まで押し込まれます。EpochのMirrorCodeはさらに極端で、単一モデルで10億トークンを使用します。

この32ステップの企業ネットワーク攻撃シミュレーションで、GLM-5.2は平均約11ステップ。Claude Opus 4.5と同じ水準です。一方、GPT-5.6 Solは約29ステップ、Anthropicの新しいClaude Mythos 5は約27ステップ。しかし、自己申告のコーディングベンチマークでは、GLM-5.2の成績はClaude Opus 4.8に近いのです。

UK AISIの「The Last Ones」ネットワークレンジ、32ステップの企業ネットワーク攻撃シミュレーション。横軸は累積消費トークン（対数スケール）、各モデルを10回実行し、各回1億トークン。GLM-5.2（緑線）とOpus 4.5はどちらも約11ステップで停止。DeepSeek-V4-Pro（青線）は約8ステップ。出典：UK AI Security Institute

同じモデルが、公開され最適化しやすいコーディングランキングでは最新のClaude Opus 4.8に近づき、長いチェーンの推進が必要な難しいタスクでは7〜8ヶ月前のClaude Opus 4.5に後退する。この落差自体がシグナルです。

記事の最後に一つの観察が残されています。中国モデルが本当に米国の最前線と同じくらい強いなら、これまで解かれていなかった数学や物理の問題もいくつか解けているはずだ、と。これまでのところ、それは見られていません。

同じモデル群を、同じ期間に、2つの評価体系にそれぞれ入れて測ると、出てくるのは数字の違いだけではありません。方向まで逆転します。

加速している側まで逆転します。AAIでは中国の4研究所の年間進歩率がすべて米国の3研究所より速く、Moonshot AIの39.4が全体1位。ECIに替えると、Anthropicが25.0で断トツ1位。Moonshotは13.8に落ち、OpenAIの14.3の後ろに回ります。

手法は試験評価から借りたもので、項目反応理論（Item Response Theory）と呼ばれます。一言で言えば、2人とも60点でも、一方は小学校の問題、もう一方は数学オリンピックの問題なら、示すレベルは天地の差。比較するには、それぞれの試験がどれほど難しいかを知る必要がある、ということです。

「3倍の差」は抽象的ですが、日数にすると実感できます。同じ問い、中国のフロンティアの今日の水準は、米国のフロンティアの何日前に相当するか。2つの物差しの答えはこうです。