Gemini 4 ProはArenaに登場した可能性がある――しかし、より重要なのは再帰的自己改善である
Googleは、GeminiシリーズのProモデルについて、Flashモデルが急速に進化し続ける一方で、異例なほど沈黙を保っています。
Gemini 3.6 Flash、3.7 Flash、3.8 Flashは相次いで登場しました。Googleは2026年9月2日にGemini 3.8 Flashを正式リリースし、長期的なソフトウェアエンジニアリング、自律型エージェント、難しい多段階タスクに対応する、最も高性能なFlashモデルだと説明しました。
その後、奇妙なことが起きました。
同じgemini-3.8-flashというラベルを持つモデルがArenaに現れました。しかし、それをテストした開発者たちは、その挙動が、すでに知られている本番版のGemini 3.8 Flashよりも明らかに強いように見えると報告しました。
このモデルは、テスターが公開版の3.8 Flashに期待していた水準を超える、より洗練されたSVG、より完成度の高いWebインターフェース、より豊かな3Dシーン、そしてより強力なエージェント型の出力を生成しました。
そこから、次のような説が急速に広まりました。
Arenaのモデルは、実際にはGemini 4 Proの非公開テスト用チェックポイントではないか。
興味深い証拠ではありますが、まだ状況証拠にとどまります。GoogleはGemini 4 Proを発表していません。また、9月20日時点で、Googleの公開GeminiモデルドキュメントにもGemini 4モデルは掲載されていません。
したがって、この話でより重要なのは、別の部分かもしれません。AIシステムが次世代AIシステムの評価、最適化、構築を支援する動きが加速していることです。
ここで登場するのが、**再帰的自己改善（Recursive Self-Improvement、RSI）**です。
Googleが確認しているリリース記録は、背景を理解するうえで役立ちます。
Gemini 3.8 Flashは9月2日にリリースされ、Gemini 3.7 Flashのわずか3週間後の登場となりました。Googleは、これが6週間で3回目のFlashリリースだと説明し、Flashクラスの速度とコストを維持しながら、ソフトウェアエンジニアリング、エージェントタスク、難しい多段階推論を改善したと発表しました。
実際の3.8 Flashはすでに一般公開されているため、開発者は直接比較できる対象を持っています。
そのため、同じ名前を持つ別のモデルがArenaに現れ、公開版よりも大幅に強いように見えたとき、人々はすぐに気づきました。
広く共有された比較テストの一つでは、モデルにSVGを使って横向きの飼い猫を描くよう求めました。
掲載された3つの出力には、左から順に、Gemini 4 Proと疑われるモデル、GPT-6 Astra、リリース済みのGemini 3.8 Flashというラベルが付けられていました。
匿名のArenaの結果は、本番版Flashの出力よりも完成度が高く、プロポーションも洗練されているように見えました。
ただし、それだけで非公開モデルを特定することはできません。Arenaは、ブラインドまたは部分的にブラインド化された評価を中心に構成されています。より強力な匿名モデルは、新しいチェックポイント、異なる設定のシステム、または別の未公開Gemini派生モデルである可能性もあります。
それでも、その差は噂を持続させるには十分な大きさでした。
別のテスターたちは、より複雑な生成タスクでモデルを試しました。
あるユーザーは、疑われているモデルが、インタラクティブなボクセル風の塔のシーンを生成するのに、およそ8分を費やしたと報告しました。
同じテスターは、約10分で生成された詳細なAirbus H145ヘリコプターのページと、およそ14分で完成したモノクロのWebサイトについても説明しました。
別のコミュニティテスターは、疑われているモデルを使ってゲームを作成し、視覚的な品質と世界生成の完成度が高かったと報告しました。
共通していたのは、単純な処理速度ではありませんでした。このモデルは、通常のFlashモデルよりも長い時間をかけて推論や生成を行っているように見えることが多かったのです。
この挙動自体が、Arenaのラベルの裏にProクラスのチェックポイントが隠されているのではないかという説を強めました。
さらにセンセーショナルな主張は、開発者のQwinahから出ました。同氏は、Gemini 4 Proのバックエンドへ「ゴーストルーティング」したと述べています。
同氏は、G4P-ARGONやVIA_3.8_FLASHといった文字列を含む、内部向けに見えるモデルメタデータを示すスクリーンショットを投稿しました。
そのスクリーンショットでは、次のような機能も主張されていました。
これらの主張は、Google、Google DeepMind、Arena、公式Geminiドキュメントのいずれによっても確認されていません。
したがって、このスクリーンショットは仕様書ではなく、検証されていないコミュニティ発の資料として扱うべきです。
9月20日時点で、Googleが公開しているGemini APIドキュメントでは、Gemini 3.8 Flashの入力上限は1,048,576トークン、出力上限は65,536トークンと記載されています。Gemini 4 Proの公式モデルページやAPI識別子は存在しません。
別のベンチマーク表も広く拡散されました。
その表では、疑われているGemini 4 Proが、おおよそ次のスコアを達成したと主張されていました。
| ベンチマーク | バイラルな主張 |
|---|---|
| DeepSWE v1.1 | 88.7% |
| Terminal-Bench 2.1 | 95.3% |
| HLE-Verified | 72.1% |
| OSWorld 2.0 | 86.8% |
| GDPval-AA v2 | 2064 Elo |
もし本当であれば、これらの数値はコーディング、エージェント、推論、コンピューター操作の複数タスクにおいて、このモデルをいくつかの主要な最先端システムより上位に位置づけることになります。
しかし、この表には重大な問題があります。
公式のGoogleソース、Arenaによる検証、公開された評価設定、再現可能なベンチマーク実行結果がありません。また、他のモデルに関する比較値の一部も、公式に公開された結果と一致していません。
たとえば、OpenAIの公式GPT-6 Astraのリリース資料では、AstraのDeepSWE v1.1のスコアを**74.1%**と報告しており、他の複数カテゴリでも異なるバージョンのベンチマークを使用しています。
したがって、このベンチマーク表を検証済みのGemini 4の結果として提示すべきではありません。
現在の正確なステータスは、次のとおりです。
謎の強力なArenaモデル：観測済み
Gemini 4 Proであること：未確認
バイラルなベンチマーク表：未検証
1,000万コンテキスト／256K出力の主張：未検証
Googleの公開ドキュメントから見える状況は、より控えめなものです。
2026年9月20日時点で、次のことが確認されています。
gemini-3.8-flashは一般提供されている。これは、Gemini 4が社内でテストされていないことを証明するものではありません。
最先端の研究機関は、正式リリース前に未公開チェックポイントを日常的に評価しています。
ただし、公開されている証拠だけでは、「Gemini 4 Pro」を発表済み製品として扱う根拠にはならない、ということです。
元記事の第2部では、リークそのものから、より広いテーマである再帰的自己改善へと焦点が移ります。
RSIとは、AIシステムが将来のAIシステムの構築、評価、改善にますます関与し、より優れたモデルがさらに優れたモデルの開発を加速させるフィードバックループを形成するプロセスです。
単純化すると、次のようになります。
AIがAI開発を改善する
↓
次世代AIがより強力になる
↓
より強力なAIが研究開発にさらに貢献する
↓
開発サイクルが加速する
重要なのは、現在の最先端AI研究機関が、完全に自律した知能爆発を公に主張しているわけではないという点です。
人間は今も研究目標を定め、学習システムを設計し、計算資源を配分し、リスクのある変更を承認し、モデルをいつデプロイするかを決定しています。
変化しているのは、開発ループのうち、AIがすでに実行できる部分の割合です。
GoogleのGemini 3.8公式発表は、この傾向が現実のものであることを示す最も強力な証拠の一つです。
同社は、Gemini 3.8 Flashと3.8 Flash Cyberが、基盤モデルを再帰的に評価・改良するよう設計された、長時間稼働のエージェントループによって高速化されていると説明しています。
この表現が重要なのは、コミュニティの推測ではなく、Googleが直接述べているものだからです。
これは、Googleが完全に自律したRSIを実現したことを意味しません。
しかし、AI主導の評価ループが、すでに本番Geminiモデルの開発プロセスに組み込まれていることは意味します。
Google DeepMindの研究者であるShunyu Yao氏は、3.8のリリース後に短い公開投稿を行い、その意義を次のように表現しました。
アイデアを一文で入力するだけで、We0 AI が紹介サイト、ページ、CMS を生成し、公開後の顧客獲得と流入拡大を支援します。
無料登録で完全なプロジェクトを 1 つ生成
1 つの完全な生成フローを試し、最初のプロジェクトのドラフトをすぐに確認するのに最適です。
そのメッセージは、アポロ11号の言葉を言い換えたものでした。モデルにとっては小さな一歩でも、RSIにとってははるかに大きな一歩だという意味です。
9月14日、Google、Google DeepMind、メリーランド大学、バージニア大学の研究者たちは、Dream-RSI: Recursive Self-Improvement through Evolving Worldsを発表しました。
この論文は、エージェントが高コストなオンライン試行を何度も行わずに、難しい探索空間を探索する方法を改善するにはどうすればよいかという、特定のボトルネックに焦点を当てています。
Dream-RSIは、過去の探索履歴を中心としたループを使用します。
研究者たちは、次の分野を含む複数の領域で改善を報告しています。
この研究は、AIが自律的に自己のあらゆる部分を再設計するという一般的なイメージよりも限定的です。
それでも、現実の再帰的な仕組みを示しています。システムの過去の成果が、将来の改善を探索する方法を向上させるための学習素材になるのです。
同じ週、Anthropicは、自社の研究プロセスにAIがどの程度入り込んでいるかを示す、異例に詳細な内部指標を公開しました。
Anthropicによると、2026年8月時点で、次の状況です。
Anthropicは「AIが主導する」とは、人間が監督するなかで、モデルが高レベルのプロンプトからタスクの大部分を最初から最後まで完了することだと定義しています。
26%という数字が特に注目されるのは、その割合が年初には1%未満だったとAnthropicが説明しているからです。
Anthropicはこの指標を公開した理由の一つとして、最先端AI研究機関が自らのモデル開発プロセスをどの速さで自動化しているのかについて、外部の観察者がより明確に把握する必要があると考えていることを挙げています。
Z.aiも、役立つ事例を公開しています。
同社によると、GLM-5.3を搭載したInfra Agentが、GLM-5.3-Flashを提供する推論インフラの構築と最適化を支援しました。
Z.aiの9月の発表によると、次のとおりです。
Z.aiは、これが完全な再帰的自己改善ではないと明確に述べています。
同社の説明はより控えめです。あるモデルが別のモデルを提供するシステムの最適化を支援する、最小規模のループが現れたという位置づけです。
この違いは重要です。
現在のシステムには、依然として人間による目標設定、フィードバック設計、インフラ制約、高リスクな変更のレビューが必要です。
しかし、このループはもはや純粋な理論ではありません。
元記事の最後のセクションでは、RSIと、最先端AIのリーダーたちの間で生まれた新たな議論を結びつけています。
9月12日、AnthropicのCEOであるDario Amodei氏は、モデルの能力に安全性に関する取り組みが追いつくための時間を確保できるよう、業界は最先端の開発ペースを抑えるべきだと公に主張しました。
同氏の提案には、独立した第三者評価者に対する恒久的かつ従業員レベルのアクセス、さらに能力のしきい値や安全対策に関する、より広範な協調が含まれていました。
Sam Altman氏、Elon Musk氏、Demis Hassabis氏も、特定の状況では最先端開発により強い安全策や、より遅いペースが必要になる可能性があるという一般的な考えに、それぞれ異なる程度の支持を示しました。
しかし、慎重さが必要だという点で合意することは、誰が最初に減速するのかで合意することよりも簡単です。
すべての最先端AI研究機関は、同じ戦略的問題に直面しています。
ある企業が能力開発を減速する一方で競合他社が進み続ければ、技術的リーダーシップ、人材、顧客、市場シェアを失うリスクがあります。
同じ論理は国家レベルでも働きます。
最先端開発に厳しい制限を検討する国は、競合国が加速を続ける可能性を懸念するかもしれません。
そのため、主要研究機関がリスクの深刻さに同意している場合でも、協調的な減速案を実行することは構造的に難しくなります。
この緊張は、現在のモデルサイクルにも表れています。
GoogleはFlashモデルを急速に出荷しており、より強力な非公開チェックポイントをテストしている可能性があります。Anthropicは、Claudeが自社の研究開発をどれほど実行しているかを公に測定しながら、将来のモデルリリースも検討しています。OpenAIは、第三者評価と安全要件を拡大しながら、最先端システムのリリースを続けています。
これは単純な矛盾ではありません。
問題は協調にあります。同じ組織が最先端のリスクを心から懸念しながら、同時に最先端にとどまり続ける強い動機にも直面しているのです。
元記事では、他の研究機関も既存の製品インターフェースの背後で次世代モデルをテストしている可能性を示す、コミュニティからの報告も取り上げています。
広く共有された投稿の一つでは、Claude Codeの一部のリクエストにclaude-opus-5-2という識別子が表示されたと主張されていました。
これはAnthropicによる公式製品発表ではありません。
同様に、コミュニティ投稿では、現在発表されているラインアップ以外のOpenAIモデル識別子を目撃したという主張も出ています。
これらの報告も、Gemini 4 Proの説と同じように扱うべきです。何かがテストされている可能性を示す材料としては有用ですが、公式リリース、仕様、発売日と同等ではありません。
| 主張 | 2026年9月20日時点のステータス |
|---|---|
| Googleは9月2日にGemini 3.8 Flashをリリースした | 確認済み |
| Gemini 3.8は、基盤モデルを再帰的に評価・改良する長時間稼働のエージェントループを使用している | Googleが確認済み |
gemini-3.8-flashというラベルの強力なモデルがArenaに登場した | 報告済みかつ広く観測済み |
| ArenaのモデルはGemini 4 Proである | 未確認 |
| GoogleはGemini 4 Proを正式発表した | いいえ |
| Googleの公開モデルドキュメントに現在Gemini 4が掲載されている | いいえ |
G4P-ARGONは実在するGoogle内部モデル識別子である | 未検証 |
| Gemini 4 Proは1,000万超のコンテキストと256K出力に対応する | 未検証 |
| バイラルなGemini 4のベンチマークスコアは公式のものである | いいえ |
| Dream-RSIは2026年9月に発表された実在の研究論文である | 確認済み |
| AnthropicはClaudeが測定対象のAI研究開発業務の26%を主導していると述べている | 確認済み |
| Anthropicは測定対象のAI研究開発業務の90%以上が、少なくともAIとの協働であると述べている | 確認済み |
| Z.aiはGLM-5.3 Infra AgentがGLM-5.3-Flashのサービングスループットを3.2倍に向上させる支援をしたと述べている | ベンダー報告の結果として確認済み |
| Claude Opus 5.2のコミュニティ上の目撃情報は公式リリースを意味する | いいえ |
いいえ。GoogleはGemini 4 Proを正式発表しておらず、現在の公開Gemini APIドキュメントにもGemini 4モデルは掲載されていません。現在の話は、Arenaに登場した異例に高性能なモデルと、その正体に関するコミュニティの推測に基づいています。
非公開モデルにはgemini-3.8-flashというラベルが付いていましたが、SVG、Web、3D、エージェント型のテストでは、公開されている本番モデルよりも強力に見えました。また、より遅く慎重な挙動を示したことから、一部のテスターはFlashモデルというよりProクラスのチェックポイントに近いと考えました。
検証されていません。拡散された表にはGoogleやArenaによる公式な裏付けがなく、再現可能な評価環境もありません。また、他社が公式に発表したベンチマーク結果と完全には一致しない比較値も含まれています。
再帰的自己改善とは、AIシステムがより強力なAIシステムを生み出すプロセスの改善を支援し、フィードバックループを形成することです。現在の最先端AI研究機関は、完全に自律したRSIを公に主張していません。しかし、AIはすでに評価、コーディング、インフラ最適化、モデル研究開発に貢献しています。
Googleは、Gemini 3.8が基盤モデルを再帰的に評価・改良する長時間稼働のエージェントループによって高速化されていると説明しています。これは実際の自己改善メカニズムですが、人間の監督なしに完全自律的なシステムが後継モデルを設計する状態よりは、はるかに限定的です。
Dream-RSIは、Google、Google DeepMind、学術機関の共同研究者による、2026年9月の研究フレームワークです。過去の探索履歴をリプレイシミュレーターとして利用し、エージェントが探索ポリシーを低コストで改善したうえで、改善されたポリシーを実環境に再投入できるようにします。
Anthropicによると、Claudeは同社が測定したAI研究開発業務の26%を主導しており、90%以上が少なくともAIとの協働によって行われています。またAnthropicは、測定対象となったどの業務領域でも、Claudeが完全に自律しているわけではないと説明しています。
ある企業が単独で減速すると、開発を続ける競合他社に遅れを取るリスクがあります。同じインセンティブの問題は国家間にも存在します。そのため、共通の評価ルールや能力のしきい値は提案しやすくても、実行するのは難しいのです。
gemini-3.8-flashというラベルの、予想以上に強力なモデルがArenaに登場しました。コミュニティのテスターは、Gemini 4 Pro説をもっともらしいと感じさせるほど、通常とは異なる出力を確認しています。しかし、もっともらしいことと確認済みであることは同じではありません。GoogleはGemini 4 Proを発表しておらず、バイラルになったバックエンドのスクリーンショットは未検証で、オンラインで拡散されているベンチマーク表にも公式な裏付けはありません。
より長期的に重要なのは、AIがAI開発を支援する動きの加速です。Googleは、Gemini 3.8が基盤モデルを再帰的に評価・改良する長時間稼働のループを使用していると明言しています。Dream-RSIは自己改善型の探索ループを体系化しています。Anthropicによると、Claudeはすでに同社が測定したAI研究開発業務の26%を主導しています。またZ.aiは、GLMベースのインフラエージェントがGLM-5.3-Flashのサービングスループットを3倍にする支援をしたと述べています。
この状況は、AI業界の減速論を簡単にするどころか、難しくしています。最先端AI研究機関は、独立した評価とより強力な安全策が必要だという点で合意しながらも、開発を続ける強い動機に直面しています。
Gemini 4 Proは依然として噂の段階です。しかし、AIシステムが次世代AIの構築を支援する方向への変化は、すでに現実になっています。
ひとことから始めて、数分で完全なサイトを手に入れましょう。
