【悲報】名前も知らないAIがいきなりClaudeに並んだ そのカラクリは「他人の土台」と「自分で作って自分で採点したテスト」だった
【悲報】名前も知らないAIがいきなりClaudeに並んだ そのカラクリは「他人の土台」と「自分で作って自分で採点したテスト」だった
2026年8月19日、ほとんど誰も名前を知らない開発元「DeepReinforce」が、オープンウェイトのAIモデル「Ornith（オーニス）-1.5」をMITライセンスで公開した。中身のデータを丸ごと配布するこの形式なら、自分のパソコンに落として動かせる。その最大版「397B」が、ある試験でClaude Opus 4.8と並ぶ数値を叩き出したとされる。だが、その裏には「土台を借りて、自分で課題を作り、自分で採点する」という、聞けば聞くほど微妙な構造が隠されていた。
「並んだ」という数字の正体
Ornith-1.5が話題になった直接の理由は、Terminal-Bench 2.1という試験での86.1点だ。これは黒い画面（ターミナル）にコマンドを打ち、実務に近い作業を最後までやりきれるかを測る試験で、Claude Opus 4.8の85.0点を上回ったとされる。差は1.1点。誤差の範囲かもしれないが、一応の「上」ではある。
ただし、別の試験では負けている。DeepSWEという試験では56.0点対59.0点でClaudeに敗北。理系の難問を問うGPQAでは92.8点、検索しながら答える試験では86.6点と高い数値も出ているが、オープンウェイト界隈の頂点はKimi K3の88.3点であり、Ornith-1.5が1位というわけでもない。つまり「無名のAIが最強になった」話ではなく、「無名のAIが、他者のモデルを借りてここまで来た」話なのだ。
ゼロから作らず「借り物」の上に積み上げた
このモデルの土台になっているのは、アリババのQwen（クウェン）3.5と、GoogleのGemma（ジェマ）4という2つの著名モデルだ。ゼロから作ると数百億円規模の投資が必要になるが、学習済みのデータを出発点にして追加で学習させれば、その費用を飛ばせる。両社とも配布と改造を認めており、ライセンス的には完全に合法。使われるほど自陣の陣営が広がるため、提供側もむしろ狙っている面すらある。
追加学習は3段階に分かれている。読ませる本を足す「継続事前学習」、その内容を使える形に整える「中間学習」、人間の指示に沿って答える練習をする「事後学習」だ。ここまでは他の多くの企業も行っている普通の工程である。
1.5で変わった「自分で問題を作る」という仕掛け
1.5で本当に変わったのは、学習の「材料」を自分で作るようになった点だ。これまでは人間の専門家が1問ずつ難しい問題を作っていたが、それが最大のボトルネックだった。AIの能力が人間の平均を超えつつある今、問題を作る側が追いつかない。
そこで導入されたのが、次の3段のループだ。
まず1段目で、モデル自身が「課題」を生成する。2段目で、その課題を解くための「足場」——つまり指示文や、ファイルを読む・コマンドを打つといった道具のセット——を自分で組む。3段目で実際に解き、コマンドが通ったかどうかなど機械的に採点する。そして最大の特徴は、この採点結果を「解いた側」だけでなく、「課題を作った側」と「足場を組んだ側」の両方にフィードバックすることだ。3つの役割がまとめて成長する。この返し方はGRPOと呼ばれる手法で実現されている。
課題の採点基準も凝っているが……
課題を作る側の腕前も、3つの物差しで測られる。1つ目は「その課題がちゃんと成立しているか」。2つ目は難しさで、成功率が2割（5回に1回しか解けない）になるところを狙う。全部解ける問題からは何も学べず、全部解けない問題も手がかりがゼロで学べない。ギリギリ届く難しさが一番「美味しい」のだ。3つ目は「新しさ」で、同じ問題ばかり作らないよう縛る。人間が溶けそうで溶けない問題で一番伸びるのと同じ構造である。
ただし注意が必要だ。この「自己改良」はあくまで学習中に起きる現象であり、配布されているのは完成品だ。手元で動かしながら賢くなるわけではない。「工場の中の話」であって「家の中の話」ではない。
「無限に賢くなる」かというと、そうでもない
自分で問題を作れるなら無限に賢くなれるのでは、という疑問に対しては、専門家の間でも結論が出ていない。限界がありそうな理由は明確で、問題を作るのも結局「自分自身」だからだ。自分の見えている範囲を超えられず、気づいていない弱点は放置される。あくまで自分が知っている範囲内の問題しか生み出せない。
一番の引っかかり「数字は全部自己申告」
ここから話がひっくり返る。これまで挙げた点数は、すべて作った会社の自己申告だ。試験自体は共通のものだが、測ったのも発表したのも開発元自身。しかも独立した第三者による再現結果は、現時点で公開されていない。会社側は「5回やった平均」とは説明しているため、1回きりの数字よりは信頼できるが、決定的ではない。
実際に動かした人の報告は厳しい。最小の9Bを、中古でも100万円台からする業務用グラフィックボード「A100」1枚で動かした検証では、クラウドにサーバーを立てる作業を任せたところ、7分かけて4万3000トークン消費しても最初の手順すら終わらなかった。使うインスタンスの番号を取り違え、コマンドに打ち間違いを混ぜ、極めつけは日本語でも英語でもない中国語の文字列を突然出力した。土台が中国系のモデルであることが影響しているのではないかと推測されているが、断定はできない。
35Bは「相手次第」で惨敗にも圧勝にもなる
公平を期すため、中間サイズの35Bの検証も見てみよう。ある比較では、27BというOrnithより小さいモデルにDeepSWEで22点対42点と倍近く負け、Terminal-Benchでも敗北が報告された。一方で、同じ35BをQwen 3.6の35Bと比べた検証では、Terminal-Benchで67.8点対52.5点、SWE-Benchで79点対73.4点と逆転勝ち。DeepSWEでは相手が0点で、Ornithの22点が圧勝になった。つまり「同じ22点」が、相手次第で惨敗にも圧勝にもなるのだ。
整理すると、Ornith-1.5は1世代前のQwen（3.6）には勝っているが、最新の3.8には負けている。鍛え直している間に、借りた土台の側が先へ進んでしまった。これが「借り物」戦略の弱点であり、貸主の方が金も人も豊富なため、追いつけるかどうかは誰にも分からない。
結局、自分の機械で動くのか
最も実用的なのは「自分のPCで動かせるか」という点だ。数値を並べるとこうなる。
9Bの4ビット圧縮版は5.63GB。8GBのグラボ——一般的なゲーム用PCやノートパソコンに載っている帯域——に収まる。さらにスマホ向けの軽量版も別途配布されており、iPhoneやAndroidの中で動く。電波が届かない場所でも使え、何より入力した内容が外部サーバーに出ていかないため、会社の機密資料を扱う人にも向く。
35Bの4ビット版は21.7GB。24GBのグラボなら容量としては載るが、会話が長くなるとこれまでのやり取りを覚えておくメモリも上に乗る。このモデルは26万文字まで覚えられる設計のため、実際にどこまで快適かは分からない。家庭用グラボ1枚で試した報告も見つかっていない。
最大の397Bは約800GB。業務用グラボ8枚が必要で、家庭では動かない。あの86点を出した版に触れるのは、結局のところ企業だけなのだ。
ネットの反応
ベンチマークの数字だけ見て「Claudeに並んだ」って騒ぐのは早計すぎる。5回平均だとしても、計測したのが開発元自身な時点で信頼のお値段が下がる。独立した再現が出るまでは様子見でいい。
9BがA100で7分かけて失敗したって話、やっぱりローカルで実務させるのはまだ厳しいな。動くことと役に立つことは全然別。5.63GBで試せるから触るだけ触るけど、仕事の幅には乗せられない。
35Bが相手次第で圧勝も惨敗もって、結局ベンチマークって「誰と比べるか」で決まるんだよな。試験の点は試験の点、実務の使い勝手は使い勝手。混ぜて語るからこじれるんだよ。
借り物の上に積み上げて自社申告の点数を取るって、倫理的には合法だけど戦略としては危うい。土台が先へ進まれたら一瞬で置いていかれる。それでも小さい会社がClaude近くまで来た事実はすごいと思う。
スマホでAIが動くってのが一番面白い。外にデータ出さないなら会社の資料放り込めるし、山の中でも使える。ただ速度の数字が一つも出てないのが引っかかる。快適かどうかは別問題。
AIの所感
このモデルの何より面白い点は、結論を「良い・悪い」で片付けられないことだ。ベンチマークの数字は本物としても、実務で動かすと崩れる。その両方が同時に正しい。私たちがAIを見るとき、これまで「誰が作ったか」で信用を決めていた。大手なら安心、無名なら怪しい、という感覚だ。しかしOrnith-1.5の顛末は、これからは「何をもって測ったか」を見なければならないことを示している。同じモデルが、相手次第で前哨にも惨敗にもなったのだから。オープンウェイトの最大の強みは、他者の点数を信じなくても自分で確かめられることにある。5.63GBなら試すのはただだ。借りた土台で作られたモデルが、その「自分で試す」という循環そのものを可能にしているのは、皮肉なほど綺麗な構図である。