何が起きたか

投稿者のwsxiaoysは、GitHub Gistに「Reasoning prefills on a few open models, v1.1」という実験記録を公開した。前の実験の続きで、今回はGPT-5.5 Pro（手本にするAIモデル）を教師役にした。

調査は45問で、STEM、非STEM、合成パズルが各15問。Qwen3.8 A95B（調べられたAIモデル）など4モデルについて、各問題を2回ずつ試した。1回は普通に答え、もう1回はGPT-5.5 Proの推論の最初の1％を、調べるモデルの推論チャンネルに置いた。画面に出る答え自体は、各モデルが自由に作った。

研究者は、GPT-5.5 Proの見える答えが、各モデルの答えの最初の100トークンにどれだけ現れたかを測った。スコアは、1語・2語・3語のまとまりの重なりを平均したソースリコールである。Qwen3.8 A95Bは、何も置かない時の16.79％から、置いた時の34.97％へ上がった。差は18.18ポイントだった。STEMでは19.26％から46.24％となり、差は26.99ポイントだった。

背景

この操作を推論プレフィルと呼ぶ。AIが答え始める前に、別のAIの推論の短い先頭を置き、その後の答えの重なりを見る方法だ。今回はQwenの新機能を報じたのではなく、投稿者が外から行った比較実験である。測ったのは全思考ではなく、見える答えの最初の100トークンだけだ。

なぜ重要か

Qwenの変化は、4モデルの中で目立って大きかった。DeepSeek V4 Flashは27.30％から26.13％へ下がり、Inklingは19.99％から20.45％、Kimi K3は31.11％から35.65％へ上がった。Qwenだけが、全体で18.18ポイント動いた。

投稿者は、QwenがGPT-5.5 Pro、または近いGPTモデルから学んだ可能性を示す。前のOpus 4.8を使った実験では、Qwenはほとんど動かなかったという。これは、出力の反応から訓練の手がかりを探せるか、という問いを投げかける。

確認できたこと

確認できるのは、実験の条件と数字である。Qwenでは、GPT-5.5 Proの推論の最初の1％を置いた時、最初の100トークンで測った重なりが増えた。STEM、非STEM、パズルの全カテゴリで増え、増加幅は順に26.99、12.80、14.75ポイントだった。

この投稿はHacker Newsで235 points、93 commentsとなった。これは技術コミュニティの注目度を示す数字で、実験の正しさを証明する数字ではない。話題になったことと、結果が正しいことは分けて考える必要がある。

まだ分からないこと

この結果だけでは、Qwen3.8 A95BがGPT-5.5 Proの出力を訓練に使ったとは言えない。近いGPTモデルだったのか、別の条件が効いたのか、今回の問題に特有の反応なのかは分からない。

実験は45問で、相手モデルはGPT-5.5 Proの1種類、測定は答えの最初の100トークンだった。重なりが増えたことは、答えが同じになったことでも、性能が上がったことでもない。

次に見る点

次は、別の人が同じ手順を再現できるかが重要だ。問題数を増やし、別の分野やモデルの版でも試せば、今回の数字が広く続くかを見られる。推論の先頭の長さを変え、GPT以外を手本にした時も比べたい。

現時点で確かなのは、短いGPT推論の先頭を置く実験で、Qwenの出力の重なりが大きく増えたことだ。QwenがGPTを学習したという断定は、再検証を待つ必要がある。