1. 【最重要】GPT-6.1 Terra、GitHub Copilotで一般提供開始

発表：10月26日｜新モデルの提供開始

GitHubが、OpenAIの新モデル「GPT-6.1 Terra」をGitHub Copilotで一般提供しました。

GPT-6.1 Terraは、日常的なCoding Agentやターミナル操作に最適化されたモデルです。GitHubの初期評価では、旧世代のGPT-5.6 Terraよりも、ターミナル操作やC#のコーディング課題を多く解決しています。

特に、範囲が明確な開発タスクを少ないステップで処理することを重視しています。

なぜ重要か

高性能モデルをすべての開発タスクに使う必要がなくなるからです。

複雑な設計にはSolやAstraを使い、日常的な修正にはTerraを使うというモデルの使い分けが、コスト面で合理的になります。

API・料金・性能

GitHub Copilotの公式料金表による比較です。

※長文料金も100万トークン当たり。Copilotでは利用量がAI Creditsに換算され、契約に含まれる利用枠と超過課金が適用されます。

開発者が見るべきポイント

対応環境： VS Code、Visual Studio、Copilot CLI、Copilot Cloud Agent、JetBrains、Xcode、Eclipseなど。

利用プラン： Copilot Pro、Pro+、Max、Business、Enterprise。

提供状況： 一般提供ですが、段階的なロールアウトです。

管理： Business・Enterpriseでは管理者がモデル利用を制御できます。

API： 今回確認できたのはGitHub Copilotでの提供です。OpenAI APIでのモデルIDや提供条件については、別途確認が必要です。

技術的な評価

特に興味深いのは、TerraとSolの価格差です。

例えば、あるタスクをTerraが10分、Solが5分で完了する場合、API単価だけではTerraが有利でも、開発者の待機時間を含めると判断が変わります。

そのため、1タスク当たりの費用・実行時間・成功率を同時に測定することが重要です。

公式情報：GitHub公式発表 ／ モデル別料金表

2. 【技術深掘り】AWS、AIエージェントの入力コストを約62%削減する実装を公開

公開：10月26日｜新しい技術解説・実装事例

Amazon Web Servicesが、Amazon BedrockでOpenAIモデルを利用する際のプロンプトキャッシュ最適化について、詳細な実装ガイドを公開しました。

Coding Agentはツールを呼び出すたびに、システム指示、ツール定義、会話履歴を繰り返しモデルへ送信します。

今回の技術解説では、キャッシュを適切に利用することで、6ターンのエージェント処理において入力コストを約62%削減したと報告しています。

これは新しいAPIの発表ではなく、既存のキャッシュ機能を効果的に使うための実装手法です。

なぜ重要か

長時間稼働するCoding Agentでは、会話履歴が増えるほど、同じコンテキストを繰り返し処理する費用が大きくなります。

今回の実装は、モデルの能力を変えずに推論コストを削減できる点が重要です。

技術・実装ポイント

AWSは、暗黙的キャッシュと明示的キャッシュの組み合わせを推奨しています。

textAI Agent
    ↓
固定のツール定義
    ↓
システム指示
    ↓
【明示的キャッシュ境界】
    ↓
会話履歴
    ↓
【暗黙的キャッシュ】
    ↓
新しいユーザー入力
    ↓
LLM推論

重要なのは、固定部分と変化する部分を分離することです。

例えば、AWSのコード例では次のように指定しています。

pythonprompt_cache_options={
    "mode": "explicit",
    "ttl": "30m"
}

さらに、キャッシュする入力ブロックへ次の設定を追加します。

python"prompt_cache_breakpoint": {
    "mode": "explicit"
}

この例では、再利用する共通プレフィックスが1,024トークン以上必要です。

性能・料金・利用条件

特に重要な実装上の注意点

AWSは、途中でツールを追加する場合のキャッシュ維持方法も紹介しています。

通常、ツール定義の順序や内容を変更すると、キャッシュが無効になる可能性があります。

そこで、初期ツール一覧を変更せず、追加のツール定義をadditional_toolsとして会話履歴へ追加する方法を示しています。

これにより、既存のキャッシュ済みコンテキストを維持しながら、新しいツールを利用できます。

Coding Agentの実装では、ツール定義の安定性そのものがコスト最適化につながるという点が重要です。

なお、62%削減は特定の検証結果であり、すべてのエージェントで同じ削減率になるわけではありません。

公式情報：AWS公式技術解説・Python実装例

3. OpenAI × CodeRabbit — GPT-6.1 Solでリポジトリ全体の脆弱性を調査

公開：10月26日｜セキュリティAIの実装事例

OpenAIが、CodeRabbitによるGPT-6.1 Solの活用事例を公開しました。

CodeRabbitはGPT-6.1 Solをセキュリティエージェントの主要モデルとして採用し、Pull Request単位のコードレビューだけでなく、リポジトリ全体の依存関係や認可処理を分析しています。

さらに、複数のリポジトリを横断した調査、隔離環境での脆弱性検証、修正PRの作成まで対応します。

今回の発表は新製品の発売ではなく、既存のCodeRabbit Securityにおけるモデル活用事例です。

なぜ重要か

従来の静的解析では、個々のファイルや関数だけでは判断できない問題があります。

例えば、APIの認可処理が別のライブラリに実装されている場合です。

AIエージェントが複数のファイルやリポジトリを調査することで、システム全体の振る舞いを踏まえた脆弱性分析が可能になります。

技術・実装ポイント

CodeRabbit Securityは、4段階の処理を使用しています。

特に重要なのはVerifyです。

AIが発見した脆弱性候補について、別の場所に防御処理が存在しないか、実際に問題となるコードへ到達可能かを検証します。

性能・料金・利用条件

CodeRabbitが10月6日に公開した社内評価では、既知の脆弱性を対象とする開発用比較データで、86.7%の検出率を報告しています。

ただし、これは同社による評価であり、10月26日のGPT-6.1 Sol採用による性能改善を単独で測定した数値ではありません。

API： 今回の発表で新しい公開APIは案内されていません。

実装： GitHubなどのPRレビュー、リポジトリ全体のDeep Scan、隔離環境での検証。

料金： GPT-6.1 SolのAPI料金と、CodeRabbit Securityの製品料金は別です。今回の発表では新料金は公表されていません。

利用条件： CodeRabbit Securityの利用契約が必要です。

開発者としての注目点

AIがコードを書き、別のAIがセキュリティを検証する構成が実用化されています。

textCoding Agent
     ↓
コード生成
     ↓
Pull Request
     ↓
CodeRabbit Security
     ↓
脆弱性調査
     ↓
隔離環境で検証
     ↓
修正PR
     ↓
人間によるレビュー

ただし、AIによる脆弱性検査は、すべての問題が検出されることを保証しません。

既存のSAST、依存関係スキャン、テストと組み合わせる必要があります。

公式情報：OpenAI公式発表 ／ CodeRabbit技術解説

4. 【日本】フツパー、ローカルLLM「ラクラグ」をAIエージェントへ進化

発表：10月26日｜正式提供：11月1日予定

大阪のフツパーが、ローカルLLM「ラクラグ」の大幅なアップデートを発表しました。

従来のRAGによる資料検索から、AIが必要な資料を調査し、集計や報告書作成まで実行するエージェントへ進化しています。

社内サーバーだけで処理を完結する構成を選択でき、機密情報を外部クラウドへ送信せずに利用できます。

正式提供は11月1日からですが、保守契約中の顧客には先行提供が始まっています。

なぜ重要か

国内企業でも、ローカルLLMを使った実用的なAIエージェントの導入が進んでいるからです。

特に、機密情報を外部に出せない製造業や研究開発部門にとって重要です。

技術・実装ポイント

新しいラクラグは、次の処理に対応します。

資料検索： 質問に応じて検索方法を変更し、必要な情報が不足していれば再検索。

データ処理： ExcelやCSVを直接計算し、複数シートを横断した集計にも対応。

成果物生成： Excel、Word、PowerPoint、PDFなどを出力。

知識管理： 調査結果を出典付きのナレッジとして蓄積。

セキュリティ： プログラム実行は隔離環境で行い、資料単位のアクセス権限と監査ログを管理。

モデル管理： メモリ使用量や応答速度を検証したモデル設定を「レシピ」として提供し、管理画面から切り替え可能。

料金・利用条件

技術的な評価

興味深いのは、単にLLMをローカル実行するだけでなく、検索・計算・ファイル生成を統合していることです。

一方、オンプレミス構成でも、権限設定、モデル更新、実行環境の分離、バックアップなどの運用は必要です。

また、複雑な集計や文書作成については、生成結果の正確性を別途検証する必要があります。

公式情報：フツパー公式発表 ／ 製品ページ

5. Google Cloud、Anthropic管理のClaude実行環境を一般提供

発表：10月23日｜新しいデプロイ方式のGA

Googleが、Google Cloud上でClaudeを利用する新しい「Anthropic-managed」方式を一般提供しました。

従来のGoogle-managed方式に加え、Anthropic自身がモデルの実行基盤を管理する方式を選択できます。

Anthropic-managedでは、Claude Managed Agents、Skills、コード実行などの新機能を、提供開始時点から利用できることが特徴です。

Google CloudのIAM、監査ログ、請求基盤を引き続き利用できます。

なぜ重要か

同じClaudeモデルでも、どの企業がデータ処理を担当するかによって、利用条件とセキュリティ上の責任が変わるからです。

特に企業向けシステムでは、モデルの性能だけでなく、データ処理契約や保存場所も重要です。

技術・実装ポイント

API・料金・利用条件

APIエンドポイント：

https://claude.googleapis.com/

認証： Google Cloud IAMとOAuth 2.0。

必要な権限： roles/claude.user

SDK： AnthropicのGoogle Cloud向けクライアントSDKを利用できます。

料金： 既存のGoogle Cloud経由Claudeと同じ標準料金。対象となるGoogle Cloud利用契約のコミットメントにも充当可能です。

データ保持： Anthropic-managedではAnthropic側のデータ保持ポリシーが適用されます。ZDRは申請により利用できる場合があります。

重要な制限： Anthropic-managedでは、推論処理がGoogle Cloudの外部へルーティングされる可能性があります。データ所在地の要件がある場合は、inference_geoなどの設定を確認する必要があります。

この点は、Google Cloud上で実行しているという理由だけで、データが特定リージョン内にとどまると判断してはいけないことを示しています。

公式情報：Google Cloud公式発表 ／ API・導入手順