今日のピックアップ｜2026.07.30
⬛️ 8 GBのMacでも26Bモデルが動く、TurboFieldfareというオープンソースエンジン
Gemma 4 26B というかなり大きなモデルを、わずか約 2 GB の RAM で動かせるという Swift 製のオープンソースエンジンです。
開発者は iOS・Metal エンジニアの方で、モデル全体を一度にメモリへ読み込むのではなく、共有部分だけを常駐させつつ、必要な専門家（エキスパート）モジュールだけを SSD から都度ストリーミングで読み出す設計になっています。
これによって、8 GB の M2 MacBook Air でも動作を確認しており、M5 Pro であれば毎秒 31〜35 トークン程度で生成できるというベンチマークも公開されていました。
llama.cpp や MLX のラッパーではなく、このモデル専用に設計されたランタイムだという点も特徴的です。
ローカルで LLM を動かす環境として、こういう「工夫でハードの壁を越える」系の話にはやっぱり惹かれますね。
メモリが少ないマシンでも大きいモデルを試せる可能性が広がるのはいいなと思います。
個人開発でここまで作り込めるというのも、モチベーションになる話でした。
⬛️ GPT-5.6 対 Claude Fable 5、物理AIとしての性能を比較検証
GPT-5.6 vs Claude Fable 5 for Physical AI, which performs best?
JuliaHub が、航空機や粒子の運動などの物理シミュレーション課題で、GPT-5.6 系（terra・sol・luna）と Claude Fable 5 を比較検証した記事です。
専用のエージェントハーネスに5つの物理課題を解かせて、コンパイルできるかどうかではなく、実際の物理として正しいかどうかで採点するという内容でした。
正解率では Claude Fable 5 が最も高いスコアを出し、4 つの基礎課題を全問正解した唯一のモデルだったそうです。
ただしコストは GPT-5.6 系の 3〜8 倍かかっていて、コスパの面では GPT-5.6 の sol が優勢という結果でした。さらに興味深かったのは、同じモデルでも専用のハーネス（作業環境）を使うかどうかでスコアが大きく変わったという指摘で、モデルの違いより環境の違いの方がスコアへの影響が大きかったそうです。
モデル単体の性能だけでなく、それをどう使わせるかという設計の部分が結果を大きく左右するというのは、納得感がありました。
「良いモデルを使う」だけじゃなく「どう使わせるか」まで考える必要があるんだなと、改めて感じました。
