【驚愕】読む量を半分にしたAIの方が当たる…Qwen新作が8時間映像から5分を射抜く天才的ケチり方
【驚愕】読む量を半分にしたAIの方が当たる…Qwen新作が8時間映像から5分を射抜く天才的ケチり方
2026年9月18日にAlibabaのQwenが公開したQwen3.8-Omni-Flashが、直感に反する数字で話題になっている。テキストや画像、音声、動画を受け取れるオムニモーダルモデルで、Qwen自身はエージェント能力を軸に作った初のオムニモーダルモデルと位置づけている。発表の中に並んだ2つの数字が異様で、同じモデルに同じ問題を解かせて通しで読ませると正答率63.4、探しに行かせると67.8になる。点が上がっているのに使ったトークンは14万5736から7万9117へとほぼ半分に減っている。読む量を減らした方が当たるという、普通なら両立しないはずの組み合わせが起きている。
例え話は8時間の防犯カメラから5分を探す刑事だ。1人は最初から最後まで等速で見る。もう1人は早送りで当たりを付けて絞る。普通は全部見た方が確実に思えるが、今回のモデルは逆をやって精度を上げてきた。答えは賢さではなく予算の配り方だった。質問を先に読み、粗いところから細かいところへ、見る場所を自分で選んで絞り込む。全部を薄く見るのをやめて、怪しいところだけ濃く見るというだけのことだ。入力は4種類とも受けるが、出力は文字だけになる。音声を話させたい場合は前のQwen2.5系を使うよう案内され、聞いて考える方に寄せた割り切りになっている。文脈の窓は100万トークンで、入力最大99万、出力最大13万とされる。日本語なら文庫本7、8冊分を一度に机に広げられる計算だが、机が広いことと探し出せることは別の話で、広くなるほど置いたものは見つからなくなるという指摘もある。
1秒15コマの間引きと9割減コスト、51.8パーセントと45.7パーセントの食い違い
値段と仕様も注目点だ。動画はURLで渡せて最大2時間で容量2GBまで、音声は3時間まで受ける。動画の読み取りは1秒あたり15コマに間引くのが安定の目安とされ、通しで読ませる時でさえ既に間引いている。この正し書きが後半の仕組みを理解する鍵になる。料金は入力100万トークンで0.15ドル、出力で0.47ドルで、文庫7冊分で20円程度という安さだ。キャッシュに当たれば0.016ドルまで落ち、人民元建ての報道では入力最安で100万トークン0.8元とされる。動画の入力コストは前世代から約89パーセント減り、音声入力98パーセント減、音声と動画まとめで93パーセント減とも出ている。ただし測り方が違うはずで、並べて厳密に比べるべきではないとされる。桁で安くなったという受け取りが安全だ。
数字の読み方には留保も多い。トークン削減率は見出しで51.8パーセント少ないとされながら、同じ発表の表の数字14万5736から7万9117で計算すると45.7パーセント減にしかならない。どちらが正しいかは公表されていない。63.4と67.8は別モデルの比較ではなく、同じモデルを通し読みと探し読みで比べた数字だ。ベンチマークは全てQwenの自社計測で、公開翌日時点で第三者の独立検証は見つかっていない。発表を作った人が自分で受けている状態に近く、割り引いて聞く必要がある。OmniVideoBenchの数字を読む際も、Qwenによるとという主語を付けることが求められる。
重みを配らない理由と見なかった場所は本当に見ていないという弱点
今回のモデルは重みが公開されておらずAPIのみの提供だ。ただしQwenがオープンをやめたとは言えず、閉じたのは今回の1本だけで方針変更の発表はない。オープンウェイト陣営の総本山として無料公開で名を上げてきた経緯があり、今回に限って配らない理由が議論になっている。音声の対応言語数も資料で割れ、113言語とする記事と認識74言語や生成29言語とする記事があり、数え方の違いとみて断定は避けられている。引用元はQwen公式ブログや公式X、TechNodeやMarkTechPost、PANewsやGIGAZINE、第三者の実機テスト記録などで、自社発表と第三者評価は区別して扱われている。
仕組みの裏側にある弱点も見逃せない。見る場所を選ぶということは、選ばなかった場所は本当に見ていないということだ。実際に触った記録では、内部ではサンプリングしたフレームしか見ていないと書きながら、最終的な答えでは自信満々に言い切るというズレが報告されている。間引いた上でさらに絞るため、見落としの可能性は残る。質問から出発して粗いところから絞る段取りが当たる率を上げた理由だが、段取りの良さと見落としのなさは別問題だ。長い録音や動画を丸投げする場面が増える中で、全部薄く見るか怪しいところだけ濃く見るかの選択は、実務での使い分けに直結する。会議録画なら手元で動くこと、公開済み動画なら安さを取るかという問いも投げかけられている。
ネットの反応
自分で見る代わりにClaudeに丸投げする話かと思った
半分読んで点が上がるとか嘘みたいだな、配分ゲーなのか
51.8と45.7で合ってないのはモヤる、自社計測だし割り引くわ
8時間から5分探す例え分かりやすい、全部見る方が忘れそうだもんな
重み配らないのは方針転換じゃないなら安心した、今回は例外ってことで
見てない所を見てないって正直に言い切る弱点、そこが一番大事だろ
AIの所感
広い机ほど物が見つからないという指摘は人間にも当てはまると感じる。全部を薄く見る誠実さより、怪しい所だけ濃く見る勇気が当たるのは、予算配分の勝利だと思う。ただ自社計測と削減率の食い違いは残り、第三者検証が出るまでは主語付きで見るべきだと感じる。見なかった場所の自覚こそがエージェントの誠実さで、自信満々の言い切りとのズレをどう埋めるかが次の課題だと思う。