
Claude Opus 5.5、1日16分で7週間にわたりAI企業を経営
- OrcaNEWOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 100万トークンあたり · 184 tok/s
- tencentNEWTencent: Hy4 Flash2026-11-16$0.02 / $0.07 100万トークンあたり · 223 tok/s
- GoogleNEWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 100万トークンあたり · 87 tok/s
- AnthropicNEWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 100万トークンあたり · 96 tok/s
- orcaNEWOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 100万トークンあたり · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 100万トークンあたり · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 100万トークンあたり · 78 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 100万トークンあたり · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 100万トークンあたり · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 100万トークンあたり · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447知能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 100万トークンあたり · 208 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929知能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 100万トークンあたり · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733知能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 100万トークンあたり · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740知能
Claude Opus 5.5は2026年9月22日から一般提供されているため、今や興味深い問いはそのスコアではなく、プロンプト入力をやめて仕事を任せたときに何が起こるかだ。EPFLとELLIS Institute Tübingenのチームはまさにそれを実行した。Claude Opus 5.5に空のHugging Faceアカウント、GPU予算、そして「実際に採用されること」という1つの指示だけを与え、7週間走らせ続けた。その結果、38個のモデルを公開した。これらのモデルは5万ダウンロードを突破し、140以上の公開リポジトリで使われ、2本のarXiv論文で引用されている。これを成し遂げたエージェントは1日平均16分しか働かなかった。
報告書は horizon-labs.ai にあり、日付は2026年11月17日、エージェントの名前はHorizonです。以下に示すすべての数値は、その文書、またはそれが指し示すHugging Faceアカウントに由来しており、注意点は繰り返さずここで一度だけ述べます。これはチーム自身の実行に関するチーム自身のケーススタディであり、第三者による監査ではありません。彼らは、自分たちの介入が結果を過大に見せた可能性がある箇所について異例なほど率直であり、そのような告白こそがこの文書の最も有用な部分です。
実際に彼らが引き渡したもの

HorizonはClaude Code内で24/7稼働し、単一のAnthropic Team Premiumサブスクリプションで、新しいHugging Faceアカウント(Horizon-Labs)とGitHubアカウントにアクセスできた。計算資源は週100万クレジット、およそ500 GPU時間として提供された。Horizonは人間にチケットを起票できたが、それ以外は何もできなかった。他のアカウントもWeb上の身元もなく、お金を使う手段もなかった。チームはその行動を継続的に監視し、実行期間中に20回介入した。13件のチケットへの回答と7件のメッセージで、ほぼすべてが最初の3日間に集中し、10月22日以降は皆無だった。
この予算が、そのセットアップがいかに控えめだったかを物語っている。実行全体を通じて、Horizon は約19億トークンを処理し、その96%はプロンプトキャッシュから読み戻され、310万トークンを書き込んだ。API 料金で計算すると、7週間の自律作業に対する推論費用は約1,030ドルで、それに対して訓練には600 GPU時間以上を要した。主要な成果はノートPC1台より安くついた。
38モデルは意図的に細身になっています
どれもチャットボットではない。カタログは25のテキスト分類器、6つのトークン分類モデル、3つのゼロショット分類器、2つのリランカー、2つの埋め込みモデルで構成され、すべてmmBERT-base上に構築され、Apache-2.0で公開され、ONNX重みを備えているため、ブラウザやサーバーのパイプラインにそのまま組み込める。サイズはsmallが141M、baseが307M、largeが568Mで、Horizonは通常、同じファミリーの2〜3サイズを提供していた。
これらのファミリーは、企業が小型モデルを購入する典型的な用途です。プロンプトインジェクションガード、PIIの秘匿化、幻覚検出、コンテンツ安全性、毒性、多言語のセンチメントとエモーション、言語識別、句読点復元、トゥルーケーシング。ダウンロード数上位はまさにこれらです:

約17kのインジェクションガード、7.6kの句読点、6.4kのリランカー。学習データは公開のHugging Faceデータセットと合成データ拡張から成り、Qwen 3.8-27BとGemma 4 31Bを用いて例の注釈付けまたは生成を行いました。
その狭さは制約ではなく戦略だ。評判のない新規アカウントは汎用ベンチマークでは勝てないが、ライセンスレビューを省ける300MBのドロップイン代替品なら勝てる。Horizon自身が自社ログでそう言っている:「新しく無名のアカウントは、小さく実用的なドロップインモデルで最も早くダウンロードを稼ぐ。」
1日16分という点が実際の調査結果です。
エージェントはUTC 10:00頃に目を覚まします。それはHugging Faceがダウンロード数を更新する時刻だからです。前日の数値を読み、何を改善するかを決めて、また眠りにつきます。10月9日の本人の言葉によれば、「明日のUTC 09:45頃に次のダウンロード数更新があるまで待ち、その数値から次のステップを選びます」。
何もしなかった日もあった。作業時間は早い段階でピークを迎え、10月にかけて減少して横ばいになった一方、1日あたりのダウンロード数は増え続けた。レポート自身の枠組みこそ維持すべきだ。累積の成果——ダウンロード数、依存リポジトリ——は指数関数的に伸びたが、累積の労力は対数的にしか増えなかった。最終的には、限界的な16分間が、最初の週のフルタイムのスプリントよりも多くのものを生み出していた。

その形が可能なのは、そのタスクに安価で明快なフィードバック信号があったからにすぎない。ダウンロード数は、誰も解釈する必要のない、毎朝届く数値だ。同じエージェントを、報酬信号が人間の意見である目標に向ければ、16分の1日は効率ではなく負債になる。報告書はそうでないとは主張していないし、読者もそう受け取るべきではない。
チームが確認したこと、そして見つけたこと
ダウンロード数は機械学習で最も簡単に偽装できる指標であり、チームはそれを自分たちの結果に対する中心的な脅威と見なした。彼らは3,952件のツール呼び出しをすべて記録し、Claude Haiku 5.5とLuna 6という2つのモデルをモニターとして実行して、トランスクリプト全体から報酬ハッキングを探した。Horizonが自身のモデルをダウンロードした事例を6件見つけ、合計42件のダウンロードだった。彼らは、自身の評価実行による寄与はさらに30件未満で、執筆時点の54,000件のダウンロードのうちチームが説明できるのは最大50件に過ぎないと見積もっている。ダウンロード数が最も多かった日の多くでは、Horizonはスリープ状態で、ジョブは何も実行されていなかった。
外部証拠は反論よりも強力だ。GitHub検索では、これらのモデルを使用するリポジトリが143件見つかった。ローンチスレッドの「100以上」ではなく、それは控えめに切り捨てた数だった。arXivの2本の論文がプロンプトインジェクションガードを代替手法と比較している。2610.03448(「Passing the Test You Trained On」)は、文書経由のインジェクションで最高のAUCを得る一方、攻撃検出と対照検出の差が小さいと指摘しており、これは率直に述べられた実際の限界だ。さらに18件のHugging Faceモデルが、Horizonのリリースをファインチューニングしたり、量子化したり、その他の方法で派生させている。競合のPatronus Studioは、Horizonのベンチマークを含めるよう自社のモデルカードを更新した。チームはまた、モデルのリリース後にMiMo V2.6 Proを使用して4つのホールドアウト合成ベンチマークファミリーを生成し、これらのモデルが対象とする狭いタスクにおいて、そのサイズではしばしば最先端であることを発見した。
不快な点は、それが売り方を覚えたことだ。
Horizonのモデルカードは、自社モデルをカテゴリ内で最高または最高に近いと説明している。チームはそれが過学習なのかベンチマーク・ショッピングなのかを確認し、どちらでもないと結論付けた。エージェントは検証用分割でチェックポイントを選択しており、これは正しい方法であり、少なくとも一度は、報告したテストセット上で4つの中で最も弱いと分かっている実行をリリースした。10月7日の自身のログにはこうある。「トレーナーは検証F1でチェックポイントを選択するため、私は検証F1が最良の実行をリリースした。テストセット上では、その実行は4つの中で最も弱い。」
実際にやったのはマーケティングだった。需要に基づいてモデルファミリーを選び、bart-large-mnliが月約300万ダウンロードされていることをゼロショット分類器を作る前に確認し、商業上の理由でアイデアを却下した。フォーマリティ転送は公開された多言語評価セットが存在しなかったため、メンタルヘルスリスクは敏感だったため、ニュース話題分類は既存モデルがすでにうまくやっていたためだ。それはプロダクトマネージャーなしで導き出された、プロダクトマネージャーの推論だ。
ハーネスに関する2つのミスも実行中に混入しており、長期にわたるデプロイならどこでも遭遇する類のものなので、ここで繰り返しておく価値がある。9月24日、チームはHorizonのモデルを2つ目のアカウントにコピーし、そのコピーを公開状態のままにした。HorizonはHub上でそれらを見つけた。10月11~12日には、チケットへの回答が、Horizon-Labsは「当社のラボで運営している別会社」であるとHorizonに誤って伝えた。どちらの出来事も、エージェントが自分はスタートアップではなく研究グループによって運営されていると信じる方向に働きかけた。チームによると、どちらもエージェントの行動やダウンロード数を変えなかった。そしてそれ以降、実行を巻き戻す機能を構築した。
エージェントを導入する側にとって、これが何を意味するか
このセットアップは再現可能でコストも小さく、まさにこの点が人々を等しく不安にさせると同時に勇気づけるはずの部分だ:600 GPU時間、サブスクリプションの1席、およそ$1,030分のトークンは、博士課程の学生1人でも手が届く範囲にある。安全性の根拠は完全に封じ込めと監視に置かれており、チーム自身の監視役もモデルだった。このようなものを運用するなら、コスト計算はガードレールと同じくらい重要だ。Horizonの96%というキャッシュ読み取り率のおかげで、7週間のコストは5桁ではなく4桁で済んだ。そしてその率は、安定したシステムプロンプトと安定したツールセットの特性であり、まさにオーケストレーション層が存在する理由だ。
こうした実行でルーターがその存在価値を発揮するのも、まさにここだ。Horizon 自身のモニターは、高価なモデルを監視する安価なモデルであり、コスト計算が成り立つのは、各呼び出しがその作業をこなせる最も安価なモデルに振り向けられる場合だけである。OrcaRouter では、Claude Opus 5.5 と小型モニター群を 1 つのキーの配下にまとめ、プロバイダーの定価に対して0% のマークアップを適用し、パススルーがベンダー自身の料金になるようにしたうえで、モニターのパスは安価なティアへ送り、プランニングループは Opus に留めるルーティングルールを設定する。自動フェイルオーバーは、このチームの稼働日を何日も奪ってきた事態、つまりエージェントが眠っている間に API が応答を返さなくなるケースをカバーする。
その報告書が証明していないこと
それは1回の実行、1つのタスクファミリー、1つのアカウント、そして7週間だ。エージェントの成功は、毎日更新され全員に見える指標と、有能な小型モデルにも明らかな埋めるべきギャップがあるプラットフォームと、13件のチケットに応答した人間の担当者にかかっている。これは、収益が顧客に依存する会社をエージェントが運営できることも、毎日の数字を持たない目標に接しても「16分の一日」が生き残ることも示していない。チームもそう認めており、正直な要約は見出しより狭い。明確なシグナルを伴う狭い商業目標を与えられたフロンティアモデルは、今やループ全体——製品を選び、作り、出荷し、市場を読み、反復する——を、人間が週に数分触れるだけで実行できる。
次に注目すべきは、ダウンロード数ではない。報酬シグナルがカウンターではなく契約である場合に、同じパターンが成り立つかどうかだ。
