Qwen 3.8 27B は過剰思考がデフォルト。Claude 全モデル透かし導入、Stripe の OpenRouter 買収ほか5件

今日の3行

• Simon Willison が Apache 2 ライセンスの Qwen 3.8 27B を実機テストしました。デフォルトの reasoning_effort=xhigh は過剰思考を招き、21 分かけて 22,276 トークンの推論で 3,223 トークンの出力を生成した例があります。ローカル実行するなら reasoning_effort の調整がコストと速度を左右します。
• Anthropic は EU 規制対応として Claude 全モデルにステガノグラフィ式のテキスト透かしを導入します。語選択に検出可能な痕跡を残す方式で、出力の語選択が変わる可能性があります。
• Stripe が AI モデルゲートウェイの OpenRouter を $7B 超で買収すると Bloomberg が報じました。400 モデル超に単一アクセスで接続できる OpenRouter が傘下に入れば、API 経由のモデル利用戦略を見直すきっかけになります。

深掘り: Qwen 3.8 27B の実力と過剰思考、reasoning_effort の設定ひとつで生成時間が 21 分から 2 分に変わる

要点 Simon Willison が Apache 2 ライセンスの Qwen 3.8 27B を実機テストしました。Alibaba の Qwen 研究室が金曜（8月16日）にリリースした 27B パラメータのビジョン対応モデルです。27B はそこそこのスペックのノートPCでも動かせる優れたサイズで、前世代の Qwen 3.6 27B も印象的でした。Qwen が自己申告するベンチマークでは、Qwen 3.6 27B と、5月時点でどのサイズでも最強クラスだったクローズドウェイトの Qwen 3.7-Plus の両方を上回るとされています。

問題はデフォルトの reasoning_effort=xhigh です。Qwen 3.8 は reasoning_effort を公式サポートしており、xhigh（デフォルト）は複雑なタスクの徹底分析向け、medium は精度と速度のバランス、low は速度とコスト優先と説明されます。Simon は「笑ってしまうほど悪いデフォルト。特にコンシューマー向けハードウェアでは良い動かし方ではない」と評しました。

実測でも差は顕著です。ペリカンが自転車に乗る SVG の生成に 21 分かかり、22,276 トークンの推論で 3,223 トークンの出力でしたが、同じプロンプトで推論をオフにすると 3,715 トークンで 137 秒（約2分）です。LM Studio のデフォルトの 8,192 トークンのコンテキストでは、些細な問題を考えているだけで上限を使い切ったため、最大の 262,144 トークンで読み込んで問題を解消しました。

なぜ重要か Apache 2 ライセンスの 27B モデルは、自分で運用する個人開発者にとってローカル実行に最適なサイズです。デプロイ先が手元のマシンになる分、reasoning_effort の設定ひとつで生成速度とコストが桁で変わります。同一プロンプトで 21 分と 137 秒の差が出るため、Simon の強い推奨は「デフォルトを無視して low または reasoning なしから始める」ことです。ローカルモデルを技術選定するたびに、この設定の見直しが体感速度とコスト判断を左右します。

仕組み reasoning_effort はモデルが回答前に使う思考トークン量を制御する設定で、Qwen 3.8 が公式サポートしています。デフォルトの xhigh は複雑なタスクの徹底分析を目的としており、LM Studio の GGUF もこのデフォルトを維持しています。「draw an svg of a circle」という単純な指示にも、同心円のガイドリングや目盛り、グラデーション、控えめなアニメーション、配色の検討といった凝り方で思考を始め、数分後に求めていない美しいアニメーション円を生成しました。

推論は悪い面だけではありません。バウンディングボックスを返すタスクでは 0-1000 スケールで2羽のペリカンを正確に検出し、その可視化ツールを1プロンプトでオフライン生成しました。xhigh のままだったため過剰に設計されたものの、画像 URL の入力と JSON の貼り付けだけでバウンディングボックスを描画する完全な UI ができ、例示 JSON のラベル「pelicans」に釣られてサンプル用のペリカンを自前描画するデモ機能まで付きました。推論オフではボックスがずれた位置に描画される版になり、ワンショットで動くツールは作れませんでした。Simon は「過剰思考は必要か？おそらく多少は必要」と結論しています。また、ローカルモデルがコーディングエージェントのループを動かせるかという問いにも触れており、長いコンテキストと強力なコード生成が要件になると述べています。

導入するなら

• reasoning_effort はデフォルトの xhigh を無視し、low または reasoning なしから始めます。xhigh はコンシューマー向けハードウェアには不向きです。
• LM Studio を使う場合はデフォルトの 8,192 トークンでは足りないため、最大の 262,144 トークンのコンテキストで読み込みます。
• 指示の複雑さに関係なく xhigh が過剰思考する前提で設計します。単純なタスクほど推論オフとの差が大きく、速度とコストの削減幅が大きくなります。
• バウンディングボックス描画ツールの例のように、1発で動く成果物が欲しいタスクでは推論を適度に残すと精度が上がる例があります。用途に応じて段階的に切り替えます。
• より大きい Qwen 3.8 2.4T-A95B は OpenRouter 経由で同じプロンプトを試せ、ローカルモデルとの性能差の確認に使えます。

原典 Qwen 3.8 27B is excellent, but it defaults to overthinking things

2. Claude 全モデルに導入されるテキスト透かしはステガノグラフィ式。語選択に検出可能な痕跡を残す仕組みが判明

要点 Anthropic は EU 規制への準拠として、世界中のすべての Claude モデルが生成するもの（テキストを含む）に「透かし」を入れると発表しました。ただし発表のタイトルは「How Claude Marks AI-Generated Content」でありながら、その仕組みについては一切説明がありませんでした。その後、別のページに「How Claude’s Text Watermark Works」を公開し、一般向けの言葉で実装方式が説明されました。

実装はステガノグラフィ式です。推論時に単語（またはその他のトークン出力）の選択が、後から確率的に検出できる可能性のある指紋を残します。モデルは次のトークンを生成する各決定ポイントで単語を「green」と「red」の2つのリストに分け、green の単語を red の単語よりわずかに選びやすくしますが、red の単語を選ぶことがなくなるわけではありません。単語のリスト分けは各トークン生成ポイントでその場で決定的に行われるため、同じ単語が green になることも red になることもあります。どの単語がどのリストに入るかを判別できるのは秘密鍵を持つ者のみで、固定的な「Claude が好む単語リスト」は存在しません。

検出はテキストの長さに依存します。green の単語が期待よりも多く red が少なければ、一定の信頼度でそのテキストが該当 AI システムによって生成・改変されたものと判定できます。信頼度はテキストサイズと単語に割り当てられるランダム化された重みによって変動します。透かしの検出は秘密鍵を保持する提供者にしかできず、Claude は Gemini の透かしを検出できません（逆も同様です）。

著者は、同義語はどれも正確には同じ意味を持たないと指摘します。「He leaped at the chance」と「He jumped at the opportunity」は同じ主旨を伝える非常に似た文ですが、同一ではありません。自分が使うツールには、生成するテキストの選択に自分のニーズ以外の要素が入り込むべきではない、と述べています。

なぜ重要か Anthropic は当初「知覚不能で、意味・品質・読みやすさは変わらない」と説明していましたが、実際には出力の語選択が変わる方式です。日常的に Claude を使う開発者は、出力の語選択が微妙に変わる可能性がある前提で、プロンプト設計や出力品質の基準を更新する必要があります。

原典 Anthropic’s ‘watermark’ text adulteration in Claude is a perversion of writing

3. Stripe が AI モデルゲートウェイの OpenRouter を $7B 超で買収。Bloomberg が確定報道

要点 Bloomberg の報道によると、Stripe は OpenRouter の買収契約をまとめました。OpenRouter は、顧客がニーズと予算に応じてタスク別に異なる AI モデルを選べるようにするサービスです。5月に $113M の Series B を調達し、報告された評価額は $1.3B でした（投資家は Sequoia、Andreessen Horowitz、Menlo Ventures、Alphabet の Capital G）。当時、CEO の Alex Atallah は同社を「AI における Stripe のような存在」と表現し、異なるシステムへの単一のアクセスポイントを提供してロックインを防ぐとしていました。同社は 800 万のグローバルユーザーを抱え、400 以上のモデルへのアクセスを提供していると主張していました。

WSJ は先月、Stripe と OpenRouter が買収交渉中と報じていましたが、Bloomberg はこの交渉が $7B 超の取引価格に至ったとしています。Stripe の広報担当者は TechCrunch に対し、噂や憶測にはコメントしないと述べました。

なぜ重要か 400 モデル超に単一アクセスで接続できる OpenRouter は、個人開発者がモデル選定と支払いを担う入口です。Stripe 傘下になれば価格・提供形態・ロックイン状況が変わりうるため、API 経由のモデル利用戦略を見直すきっかけになります。

原典 Stripe will reportedly acquire OpenRouter for $7B+

4. Nvidia が OpenAI のデータセンター建設資金の保証額を大幅に縮小。WSJ が報道

要点 WSJ の報道によると、Nvidia は OpenAI のデータセンター建設資金として保証する金額を大幅に縮小しました。

なぜ重要か OpenAI のインフラ拡張の資金力が縮小すれば、モデルの提供規模・料金・供給に波及します。海外一次情報として、国内メディアに降りる前に知っておくべき業界動向です。

原典 Nvidia dramatically reduces amount of OpenAI infra financing it may guarantee

5. CNBC 調査で 18〜34 歳の若年層が AI 経営者への信頼をほぼ全否定。9 人全員が「信頼しない」に

要点 CNBC の Generation Labs が実施した調査は、18〜34 歳の米国成人 1,000 人超に政治・AI・経済についての考えを聞きました。その中で、AI 企業を率いる 9 人の経営者に対する見解を尋ねたところ、結果は悲惨なものでした。「AI について責任ある行動を信頼できる人物は誰か」という質問に対し、参加者の大多数が 9 人全員を「信頼しない」と答えています。

最も低かったのは Palantir の物議を醸す CEO である Alex Karp で、81% が「信頼しない」を選択。Microsoft の CEO である Satya Nadella が最高でしたが、「信頼する」はわずか 35% という寂しい数字でした。その間には Peter Thiel の 79%、Mark Zuckerberg の 71%、Elon Musk の 70%、Sam Altman の 69% が「信頼しない」と続きます。

10 年前、若者は最先端の技術を求めて Google や Apple といった大手テック企業に集まっていました。しかし 2026 年、テック業界とそのビリオネア経営者に無条件に魅了される若者の状況は完全に消え去りました。AI が自身の人生に与える影響については 45% がキャリアにマイナスの影響を与えると答え、40% が政府による AI 規制を求めており、データセンターについては 60% が建設ブームを鈍らせるべきだと答えています。

なぜ重要か Altman や Musk ら AI 経営者への不信が若年層で 7 割超に達しています。AI プロダクトを個人開発する際のユーザー心理と、規制・ブランドリスクの前提が変わりつつあります。

原典 Young People Hate AI CEOs So Passionately That It’s Almost Hard to Believe