上海AI Lab（Shanghai Artificial Intelligence Laboratory）が、研究やソフトウェア開発などの複雑な作業を複数の段階にわたって進められるAIモデル「Atria Dawn」の正式版を公開した。公式APIのコンテキスト長は最大512Kトークンで、Preview版の256Kから2倍に拡大している。これにより、長大な資料や過去の作業履歴を参照しながら、複数の工程にまたがるタスクに取り組みやすくなる。一方、正式版のモデルの重みはまだ公開されておらず、ダウンロード可能なPreview版とは提供状況が異なる。今回の更新を評価するには、API経由で利用できる機能と、自社環境で運用できる範囲を区別する必要がある。
512Kトークンに対応したAPI、正式版の重みは公開待ち
Atria Dawnは、7,440億パラメータの基盤モデル「GLM-5.2」をベースに開発されたエージェント型AIモデルだ。複数の専門的な処理を担うネットワークを組み合わせたMixture of Experts（MoE）方式を採用しており、周囲の環境や作業の進捗を把握しながら、ツールを利用して複数段階のタスクを進めることを目指している。単に質問へ回答するだけでなく、問題の分析から解決方法の設計、コードの実装、実験の実行、結果の検証まで、一連の作業を扱うモデルとして位置付けられている。
Pandailyの10月17日の報道では、コンテキスト長が512Kトークンに拡大した一方、GitHubのモデル配布表には256Kと記載されている点が指摘された。公式API文書では、提供中のモデルID「Atria-Dawn」のコンテキスト長が512Kと明記されており、この上限には入力と生成する出力の両方が含まれると説明されている。つまり、512Kトークンのすべてを参考資料の入力に使えるわけではない。システム指示や会話履歴、文書の抜粋に加え、ツールから返された実行結果もコンテキストを消費するため、回答を生成する分の余裕を確保しなければならない。長期間にわたる調査やコード修正で参照できる履歴は増えるものの、どの情報を保持し、何を整理・削除するかという設計は引き続き重要となる。
また、コンテキスト長と、一度の応答で生成できるトークン数は異なる。公式API文書によると、出力トークン数の上限を指定するパラメータには1〜65,536の値を設定できるが、実際の出力量は停止条件やコンテキストの残り容量によっても変わる。したがって、512Kトークンへの対応は、大量の文章を一度に生成できることを意味するものではなく、主に参照できる情報量の拡大と捉えるべきだ。
モデルの重みとは、学習によって決定された数値パラメータの集合であり、自社のサーバーなどでAIモデルを動かすために必要となる。2026年10月17日時点の提供状況を、公式GitHubリポジトリのモデル配布表、公式API文書、Preview版のモデルカードに基づいて整理すると、次のようになる。
| 対象 | 記載されたコンテキスト長 | 提供状況 |
|---|---|---|
| 正式版のAPI | 512K | 公式文書で呼び出し方法を公開 |
| 正式版・正式版FP8のモデル配布表 | 256K | Hugging Face、ModelScopeともに「Coming soon」 |
| Preview版・Preview FP8版 | 256K | 公式リポジトリにダウンロード先を掲載 |
公式APIでは512Kトークンへの対応が明示されている一方、GitHubの配布表には256Kと記載されており、この違いが生じている理由は説明されていない。そのため、今後公開される正式版の重みを自社環境で実行した場合にも、512Kトークンを利用できると断定することはできない。コードとモデルの重みをMITライセンスで公開するという説明も、正式版のファイルがすでにダウンロード可能であることを意味するわけではない。
公式ベンチマークでは20項目中17項目で性能が向上
上海AI Labが公開したベンチマーク結果によると、Atria Dawn正式版はPreview版と比較可能な20項目のうち、17項目でスコアが向上し、1項目で横ばい、2項目で低下した。研究、ソフトウェア開発、ツール利用、業務支援など、幅広い分野で改善が報告されている。ただし、すべての評価項目で性能が向上したわけではなく、正式版への更新によって一部の能力が低下した可能性も示されている。
この集計は、2026年10月17日時点の公式GitHubリポジトリに掲載された「Evaluation Results」を基に、正式版とPreview版の両方に数値が記載されている項目を抽出し、スコアを比較したものだ。片方の結果が未掲載となっているDeepSWE、Harvey LAB、OfficeQA Proの3項目は集計から除外している。また、未掲載の結果をゼロ点として扱ったり、評価指標が異なるスコアを平均したりすることも避けている。主な改善項目と、横ばいまたは低下した項目は次の通りだ。
| 評価項目 | Preview版 | 正式版 | スコアの差 |
|---|---|---|---|
| JobBench | 50.3 | 57.5 | +7.2 |
| WideSearch | 81.9 | 84.6 | +2.7 |
| PaperBench | 87.0 | 89.6 | +2.6 |
| SWE-bench Pro | 59.6 | 61.7 | +2.1 |
| Harbor-Index | 17.3 | 17.3 | 0 |
| BrowseComp | 92.5 | 91.3 | −1.2 |
| NL2Repo-Bench | 51.4 | 50.0 | −1.4 |
※スコアの差は、正式版からPreview版の値を引いたもので、改善率を示すものではない。
特に改善幅が大きいのが、実際の業務に近いタスクを評価するJobBenchだ。Preview版の50.3から正式版では57.5へと7.2ポイント上昇しており、Pandailyも注目する改善項目の一つとなっている。ただし、同じ公式比較表ではGLM 5.3が58.2、Claude Opus 5が68.0を記録しており、Atria Dawn正式版の57.5を上回っている。従来版から性能が向上したことと、競合モデルを含めた比較で最高性能を達成したことは、明確に区別する必要がある。
一方、BrowseCompは92.5から91.3へ1.2ポイント、NL2Repo-Benchは51.4から50.0へ1.4ポイント低下した。正式版への更新が、すべての能力を一様に改善したわけではないことが分かる。また、20項目中17項目でスコアが向上したからといって、実際の業務でも85％の確率で性能が改善すると解釈することはできない。導入を判断する際には、任せたい作業に近いベンチマークを選び、その評価結果を重点的に比較する方が適切だろう。
なお、これらの数値は開発元が公開した評価結果であり、第三者機関による独立した再検証の結果ではない。ツールの構成、試行回数、計算資源の使用量などの条件が、比較対象のすべてで統一されているかも、公開された表と説明だけでは確認できない。したがって、17項目での改善という結果は、あくまで開発元が公表したスコアの変化を集計したものとして捉える必要がある。
512Kの長いコンテキストを実際の業務にどう生かすか
上海AI Labは、Atria Dawnの主な用途として「Discovery」「Creation」「Delivery」「Cybersecurity」の4分野を挙げている。Discoveryは情報や証拠を収集・整理し、研究課題を実行可能な計画へ落とし込む作業、Creationはソフトウェアや機械学習システム、アプリケーションなどの開発を指す。Deliveryは文書やデータ、設計要件を基に報告書やプレゼンテーションなどを完成させる業務であり、Cybersecurityは許可された環境での脆弱性検証、修正、再検証などを対象としている。いずれも、単発の質問に回答するだけでは完結せず、複数の作業を連続して進める必要がある分野だ。
これらの用途に共通するのは、途中で得られた結果を確認し、その内容に応じて次の作業を決めるという流れである。例えばソフトウェア開発では、コードを書くだけでなく、実行結果を確認し、エラーがあれば原因を調べて修正し、再びテストする必要がある。研究でも、情報収集から仮説の検討、実験の実行、結果の分析まで、各段階の成果を次の判断に生かさなければならない。上海AI Labは公式GitHubリポジトリで、こうした作業を「実行可能で、検証可能かつ再現可能な成果」につなげることを開発目標として掲げている。ただし、これはモデルの設計思想を説明したものであり、あらゆる作業を正しく完了できると保証するものではない。
512Kトークンという大きなコンテキストは、こうした複数段階の作業で役立つ可能性がある。従来より多くの参考資料やコード、過去の試行結果を一つの文脈に保持できれば、途中の経緯を参照しながら作業を継続しやすくなる。しかし、コンテキスト長が増えたことと、エージェントとしての作業能力が向上することは同義ではない。APIを利用するだけでコードの実行環境や外部ツールとの連携が自動的に整うわけでもなく、実際のツール実行はアプリケーションやエージェント側が担当し、その結果をモデルに返す仕組みが必要となる。長い履歴を保持できる能力に加え、適切なツールを選び、実行結果を検証する仕組みがあって初めて、複雑な業務への活用が可能になる。
入力形式にも制約がある。Atria Dawnが受け付けるのはテキストのみであり、画像やPDFファイルをそのまま読み込んで内容を理解できるマルチモーダルモデルではない。論文や技術報告書を分析させる場合は、あらかじめ必要な情報をテキストとして抽出し、モデルへ渡す必要がある。コンテキスト長が512Kに拡大しても、画像や図表に含まれる情報を直接理解できるようになるわけではないため、資料をどのように前処理するかも、最終的な成果の品質を左右する。
Atria DawnのAPIは、Chat Completions、Messages、Responsesの3形式に対応しており、既存のアプリケーションやAIエージェントから利用できる。導入を検討する際には、実際に任せたい業務を使って回答や生成コードの正確性、指示への追従性、応答時間、トークン使用量などを測定することが重要だ。特に長いコンテキストを利用する場合は、単に大量の情報を入力できるかだけでなく、必要な情報を正しく参照し、作業全体を通じて一貫した結果を得られるかを確認する必要がある。
正式版の重みが公開されれば、API経由での利用に加えて、自社環境での運用も具体的な選択肢となる。ただし、その判断には配布時のコンテキスト長や必要な計算資源、推論速度などの仕様を確認しなければならない。今回の正式版では、APIのコンテキスト長が512Kトークンに拡大し、開発元の評価でも多くの項目で改善が報告された。一方、その性能が実際の研究・開発業務でどこまで発揮されるかは、今後の検証次第だ。正式版の重みの公開とともに、長い文脈を扱う際の正確性や処理性能が、Atria Dawnの実用性を見極める重要な判断材料となる。
