モデルリリースの話題が続く一方で、「そのモデルを本当に正しく評価できているか」「安全に使えるか」を問い直す動きが研究・政策の両面で活発になってきた。今週はベンチマークの信頼性、エージェントのセキュリティ、そして国家レベルでのAIデータ戦略を中心に整理する。
MathArena — ベンチマーク汚染に耐性を持つ数学推論の評価基盤
ETH ZurichとEPFLの研究チームがMathArenaを公開した。競技数学の問題（AMCやAIMEと呼ばれる米国の数学コンテスト）を使い、LLMの数学的推論能力をリアルタイムで評価するプラットフォームだ。
従来のベンチマークが抱える「データ汚染問題」とは、モデルが訓練中にテスト問題の答えをそのまま覚えてしまい、実力ではなく記憶でスコアが上がってしまう現象のことだ。MathArenaはコンテスト終了直後に新問題を取り込んで評価を更新するため、この問題を回避できる。現時点ではClaude 3.7 SonnetとGemini 2.5 Proがトップ2で、AIMEレベルでは40〜50%台の正解率を示している（論文）。
実務上の示唆
- 公開ベンチマークのスコアを鵜呑みにしない: GSM8Kのような有名ベンチマークは汚染リスクが高い。数学・科学・コード生成系のタスクでモデルを選ぶなら、MathArenaのように継続更新される指標を参照することで、実力に近い評価が得られる。
- 多段階推論が求められる業務に活用できる: 競技数学を解けるモデルは、法律文書の論点整理や財務モデルの検算など、複雑な推論が必要な業務にも強い傾向がある。選定の参考軸として使える。
- 社内評価も自社データで設計する: 公開ベンチマークはあくまで参考値。本番業務への適合性は、自社のタスクに近いテストケースで別途確認するのが基本だ。
AgentSafe — 自律エージェントへの攻撃耐性を測る安全性ベンチマーク
複数の研究機関が共同でAgentSafeを提案した。AIエージェント（ツールを自律的に使って複数ステップの作業を行うAI）を標的にした攻撃への耐性を評価するベンチマークだ。
対象とする攻撃は「プロンプトインジェクション（悪意ある指示を入力に混ぜてエージェントを乗っ取る手法）」「ゴール乗っ取り（目的をすり替えること）」「記憶操作（長期メモリに汚染データを混入すること）」など。評価結果では、現在の主要モデルはいずれもプロンプトインジェクションに対して脆弱で、最上位モデルでも防御の成功率が30〜60%にとどまるケースがあることが示された。
実務上の示唆
- 外部データをそのままエージェントに渡さない: Webスクレイピング結果やユーザー入力を無加工でエージェントのコンテキストに流し込む設計は危険だ。入力のサニタイズ（無害化）と権限の最小化が不可欠。
- 記憶機能への汚染リスクを評価設計に組み込む: RAG（検索して答えを生成する仕組み）や長期メモリに外部ソースのデータを自動追加する設計は、悪意あるデータが混入するリスクがある。特に外部APIやユーザー生成コンテンツを扱う場合は要注意。
- 本番リリース前にレッドチーム演習を行う: セキュリティの専門チームがあえて攻撃側に回り、エージェントを乗っ取れるか試す演習のこと。AgentSafeのシナリオを参考にすることで、想定外の脆弱性を事前に発見できる。
Scale AI × 米国防総省 — AIデータ整備が国家安保の核心に
AIデータラベリング企業のScale AIが、米国防総省（DoD）と複数年にわたる大型契約（数百億円規模）を締結したと報じられた（VentureBeat）。内容は軍事用AIモデルの訓練データ整備・評価・レッドチーム支援で、自律システムの安全性検証から戦場情報分析モデルの精度向上まで多岐にわたる。
Scale AIのCEOは「データ品質が軍事AIの信頼性を決める」と発言している。この動きは、AI開発における「データインフラ」が技術そのものと並ぶ戦略資産と位置づけられ始めたことを象徴している。
実務上の示唆
- データ品質のガバナンスが競争力の源泉になる: 高品質なアノテーション（データへのラベル付け）はモデルの性能と信頼性の基盤だ。特に医療・法務・セキュリティなど高リスク分野では、データ品質の管理プロセスへの投資がROI向上に直結する。
- AI人材の需要構造が変わる: 政府・防衛分野でのAI活用が本格化するにつれ、セキュリティクリアランスを持つAI人材の需要が急増する。グローバルで動く企業は採用・人材戦略への影響を予測しておく必要がある。
- 「AI能力の差＝データ整備能力の差」が鮮明に: 自社のAI活用においても、訓練・評価データの品質管理プロセスを整備することが、モデルのパフォーマンス差を生む主要因になりつつある。
Microsoft Phi-4-reasoning — 14Bの小型モデルが大型モデルの推論性能に並ぶ
MicrosoftがPhi-4-reasoningをAzure AI Studioで一般公開した。パラメータ数は140億（14B）と小型ながら、CoT（Chain-of-Thought：「まずAを確認し、次にBを考える」という段階的思考を連鎖させる手法）を活かした強化学習で訓練されており、数学・科学・コード推論で70〜100Bクラスの大型モデルに匹敵するスコアを記録している。AIME 2025（米国数学招待試験）では80.4%の正解率でGPT-4oを上回った（TechCrunch）。オープンウェイトでHugging Faceからもダウンロード可能。
実務上の示唆
- APIコストの高いモデルの代替候補になる: 数学・科学計算・複雑なコード生成タスクでGPT-4oやClaude Opus系を使っているなら、Phi-4-reasoningを試す価値がある。小型モデルで同等の品質が出れば、コストを大幅に下げられる。
- 機密データを扱う業務には特に有力: オープンウェイトのため社内インフラやAzureのプライベート環境で動かせる。外部APIにデータを送れない場合の「高品質な社内推論エンジン」として候補に入れたい。
- レイテンシとのトレードオフを理解する: 推論トークンを多く使う設計のため、応答速度は遅め。リアルタイム応答が必要なアプリには向かないが、バッチ処理や非同期タスクなら費用対効果が高い。
まとめ
今週のキーワードは「評価の信頼性」と「安全性の実装」だ。MathArenaはベンチマーク汚染という業界の構造的問題に正面から取り組み、AgentSafeはエージェント時代の新たなセキュリティリスクを可視化した。Scale AIの国防契約はデータインフラが戦略資産になったことを示し、Phi-4-reasoningは「小型モデルでも推論は勝てる」という設計思想を証明した。モデルの性能を「どう測るか」「どう守るか」という問いが、これからのAI実装の核心になっていく。