# GLM-5.3で別顧客データはなぜ混入したか

> Workers AIの別顧客データ混入とClaudeの脆弱性研究から、運用時に確認すべき条件を整理する。CUDAのGPU共有、Snowflakeの権限、SOCIの起動条件、Robotics ER 2の提供範囲も確認する。Genie 4や企業向けAI連携の発表は、提供段階と利用条件を分けて短報で補う。

Canonical URL: https://labs.eastbraver.com/digest/ai-digest-20261028
Published: 2026-10-28T06:30:00+09:00
Category: ai-digest
Tags: cloudflare, llm-inference, infrastructure, nvidia, gemini, remote-mcp, ai-agent, enterprise-ai, evaluation, safety

Workers AIのGLM-5.3で、容量超過として拒否されたはずのリクエストが処理を続け、別顧客のデータを応答に含めていた。Cloudflareが公表した原因と修正を起点に、CUDAのGPU共有、Snowflakeへの接続、SageMaker AIの起動方式を確認する。Anthropicの未公開モデルによる脆弱性研究と、Gemini Robotics ER 2のクラウド提供も取り上げる。

各更新は独立した出来事だ。Workers AIでは拒否された処理が確実に終了するか、GPU共有では設定したメモリ上限が実際に強制されるかが確認点になる。脆弱性研究は、モデルの能力を示す報告と、利用中のソフトウェアに必要な修正を分けて読む。接続権限や起動時のファイル利用、ロボット制御の配置も、発表された機能が自社環境で成立する条件から判断したい。（[Cloudflareの原因分析](https://blog.cloudflare.com/kv-cache-exposure-remediation/) / [GPU共有の前提条件](https://github.com/kai-scheduler/gpu-fractioning) / [Anthropicの研究報告](https://www.anthropic.com/research/discovering-vulnerabilities-with-claude) / [Snowflake接続ガイド](https://cloud.google.com/blog/products/data-analytics/bridge-gemini-enterprise-and-snowflake-with-google-adk/) / [SOCIの適用条件](https://aws.amazon.com/blogs/machine-learning/announcing-soci-indexed-images-for-faster-sagemaker-ai-jobs/) / [Robotics ER 2の構成例](https://cloud.google.com/blog/products/ai-machine-learning/gemini-robotics-embodied-reasoning-2-is-now-available-on-google-cloud/)）

## Workers AIのGLM-5.3で別顧客データが155件の応答に混入、修正済み

Cloudflareによると、2026年8月27日から9月9日（UTC）に、Workers AIのGLM-5.3で、直前の別顧客のリクエストに由来するデータが応答に含まれた。155件は影響を受けた応答の数で、いずれも681,280トークンを超えるプロンプトへの応答だった。同社は、Workers AI上で影響を受けたのはGLM-5.3だけだったと報告している。（[出典1](https://blog.cloudflare.com/kv-cache-exposure-remediation/)）

Cloudflareの原因分析では、設定上のコンテキスト長より小さいKVプールと、SGLangでプロンプト処理と生成処理を分離した構成の拒否処理の不具合が重なった。容量を超えたプロンプトは内部で拒否され、短い代替入力に置き換わったが、処理が終了せずKVキャッシュの転送と生成が続いた。生成側は元のプロンプト全体でキャッシュが上書きされたと判断し、実際には残っていた過去のリクエストのキャッシュを参照したという。（[出典1](https://blog.cloudflare.com/kv-cache-exposure-remediation/)）

Cloudflareは提供を停止し、コンテキスト全体を収容できるようKVプールを拡大するとともに、拒否されたリクエストをKV転送前に終了させる修正を適用した。研究者の再現スクリプトと、識別用のカナリアマーカーを使った自社テストで検証し、2026年9月10日04:40 JSTに公開提供を再開した。同社は、自社と研究者のテストを除いた分析で意図的な悪用の証拠は見つからず、対象リクエストの時刻と量は通常の長文コンテキスト利用と整合していたと説明している。（[出典1](https://blog.cloudflare.com/kv-cache-exposure-remediation/)）

**EastBraverの見立て:** 本件は、容量設定と拒否処理の両方にまたがる分離障害と捉えるべきだ。修正もKVプールの拡大と拒否経路の修復を組み合わせており、容量不足だけに着目すると、過去のキャッシュを参照させた処理上の問題を見落とす。[LLM](/guides/llm)の応答が正常に返ることと、リクエスト間のデータ分離が保たれることは、別々に確認する必要がある。（[出典1](https://blog.cloudflare.com/kv-cache-exposure-remediation/)）

- 出典: [Cloudflare](https://blog.cloudflare.com/kv-cache-exposure-remediation/)（公式インシデント報告、2026-10-27 07:01 JST）

## CUDA 13.4でGPU共有にメモリ上限、Kubernetesでの強制条件

NVIDIAは、CUDA 13.4のGPUメモリ制御をKubernetesから利用する構成を公開した。CUDA 13.4自体は9月に発表済みで、今回の焦点はGPU Fractioning OperatorとKAI Schedulerによるノード側の制御にある。アプリケーション側に変更を求めずメモリ上限を強制し、従来のtime-slicingで不足していた制御を補う。（[Kubernetesでの構成](https://developer.nvidia.com/blog/memory-enforced-gpu-sharing-in-kubernetes-with-nvidia-cuda-13-4/) / [9月のCUDA 13.4発表](https://developer.nvidia.com/blog/cuda-toolkit-13-4-adds-windows-on-arm-support-and-greater-control-over-shared-gpus/)）

NVIDIAの説明では、メモリは固定量、または保証される最小量と空きがある場合に拡張できる最大量で設定する。固定量を超える割り当ては失敗し、ワークロードから見えるメモリも割り当てた範囲になる。GPU Fractioning OperatorはNVIDIA GPU Operatorと併用してMPSを管理し、GPUメモリのアノテーションを持つPodに対して、NRIプラグインがプロセス開始前に制限を注入する。CUDAがメモリ上限を強制する。（[出典1](https://developer.nvidia.com/blog/memory-enforced-gpu-sharing-in-kubernetes-with-nvidia-cuda-13-4/) / [出典2](https://github.com/kai-scheduler/gpu-fractioning)）

割り当て先を決める役割はスケジューラーに残る。KAI Schedulerはv0.18.0からNvFractionsを統合し、Helmで`global.nvFractions.set=true`を指定するとGPU Fractioning Operatorも導入される。必要なコンテナ別アノテーションを書ける他のスケジューラーでも利用できるが、十分な空きメモリを持つGPUを選び、同一GPUでtime-slicingとsm-sharingを混在させない必要がある。（[出典1](https://developer.nvidia.com/blog/memory-enforced-gpu-sharing-in-kubernetes-with-nvidia-cuda-13-4/)）

リポジトリが示す前提は、Kubernetes 1.28以降、NRIを有効にしたcontainerd 2.0以降またはNRI対応のCRI-O、NVIDIA GPU Operator v26.7.0以降、container toolkit v1.20.1以降、device plugin v0.20.1以降、GPUノードのドライバーr615以降である。GPUを分割割り当てするスケジューラーも必要になる。推奨のGPU Operator v26.7.1は必要なtoolkitとdevice pluginを同梱するが、r615は既定で導入されず、明示指定が必要になる。（[出典1](https://github.com/kai-scheduler/gpu-fractioning)）

GPUスタックのバージョン検査を`skipGpuStackVersionChecks=true`で無効にする場合は、起動状態だけではメモリ制限の有効性を判断できない。リポジトリは、非対応の構成でもデーモンが展開され、`Ready`が`True`のままGPUメモリが無制限になり、問題が報告されない場合があると説明している。なお、ドライバーのバージョン検査は別で、この設定では無効にならない。（[出典1](https://github.com/kai-scheduler/gpu-fractioning)）

> [!CAUTION] 確認できていない点
> 対応GPUモデルとアーキテクチャの範囲は取得した資料では確認できない。

**比較表: 計算共有モードで異なる実行方式とエラー隔離**

NVIDIAの説明では、既定のtime-slicingとsm-sharingは、実行方式に加えてエラー領域の分け方が異なる。（[出典1](https://developer.nvidia.com/blog/memory-enforced-gpu-sharing-in-kubernetes-with-nvidia-cuda-13-4/)）

| 観点 | time-slicing（既定） | sm-sharing |
| --- | --- | --- |
| 計算の実行 | ワークロードがGPU全体を順番に使う。（[出典1](https://developer.nvidia.com/blog/memory-enforced-gpu-sharing-in-kubernetes-with-nvidia-cuda-13-4/)） | ワークロードがSMを共有して並行実行する。（[出典1](https://developer.nvidia.com/blog/memory-enforced-gpu-sharing-in-kubernetes-with-nvidia-cuda-13-4/)） |
| エラー領域 | ワークロードごとに分離する。（[出典1](https://developer.nvidia.com/blog/memory-enforced-gpu-sharing-in-kubernetes-with-nvidia-cuda-13-4/)） | ワークロード間で共有する。（[出典1](https://developer.nvidia.com/blog/memory-enforced-gpu-sharing-in-kubernetes-with-nvidia-cuda-13-4/)） |

**EastBraverの見立て:** 導入判断では、メモリ量の設定と、それを強制できる構成の成立を分けて評価する必要がある。特にバージョン検査を無効にした環境では、`Ready`を制限が機能している証拠として扱えない。（[出典1](https://developer.nvidia.com/blog/memory-enforced-gpu-sharing-in-kubernetes-with-nvidia-cuda-13-4/) / [出典2](https://github.com/kai-scheduler/gpu-fractioning)）

- 出典: [NVIDIA Developer Blog](https://developer.nvidia.com/blog/memory-enforced-gpu-sharing-in-kubernetes-with-nvidia-cuda-13-4/)（公式情報、2026-10-28 05:50 JST）

## Gemini EnterpriseとSnowflakeをADKでつなぐ認証・権限・実行経路

Google Cloudが、Gemini EnterpriseとSnowflakeをADKとMCPで接続する構成ガイドを公開した。対象は、Google Cloud上で複数エージェントや外部ツールを組み合わせる高度なカスタムオーケストレーションである。基本的な直接接続の用途には、別の共同ソリューションを案内している。（[出典1](https://cloud.google.com/blog/products/data-analytics/bridge-gemini-enterprise-and-snowflake-with-google-adk/)）

実行時は、ADKが自然言語の質問をSnowflake MCPサーバーへ渡し、`CORTEX_AGENT_RUN`経由でCortex Agentを呼び出す。Cortex AgentはSemantic Viewに基づいてSQLを生成し、認証済み利用者のOAuthセッションとロール権限でSnowflake内で実行して、結果をADKへ返す。SQLの生成と実行をSnowflake側に委譲し、クライアントには生のSQL実行機能を公開しない構成である。（[出典1](https://cloud.google.com/blog/products/data-analytics/bridge-gemini-enterprise-and-snowflake-with-google-adk/)）

認証には利用者単位のOAuthを使い、Snowflakeに機密クライアントを作成する。ADK側のPython構成例では、登録時と同じ`AUTH_ID`を使い、Gemini Enterpriseが`ToolContext`内で対応付けた利用者のOAuthトークンを、コールバックで取り出す。（[出典1](https://cloud.google.com/blog/products/data-analytics/bridge-gemini-enterprise-and-snowflake-with-google-adk/)）

データアクセスには専用ロールを作成して利用者へ付与し、データベース、スキーマ、ウェアハウスの`USAGE`を設定する。Google Cloudは、Semantic Viewの背後にある物理テーブルへの`SELECT`が必要で、Semantic Viewだけへの許可では実行時エラーになると説明している。物理テーブルへの直接アクセスを許可できない場合は、その上にSecure View、さらにSemantic Viewを置く。所有者権限で実行する仕組みにより、利用者のロールには両Viewへの`SELECT`を付与する構成を示している。（[出典1](https://cloud.google.com/blog/products/data-analytics/bridge-gemini-enterprise-and-snowflake-with-google-adk/)）

認可の順序にも条件がある。Google Cloudによると、OAuthトークンは認可時点の`DEFAULT_ROLE`と`DEFAULT_WAREHOUSE`に結び付くため、Gemini Enterpriseで利用者が認可する前に両方を設定する必要がある。先に認可すると意図しないロールに固定され、必要な権限がなければクエリ実行に失敗する。認可後は元の既定値へ戻せるとしている。（[出典1](https://cloud.google.com/blog/products/data-analytics/bridge-gemini-enterprise-and-snowflake-with-google-adk/)）

ガイドにはGoogle Cloud側の登録手順もある。ADKエージェントをAgent Runtimeへデプロイした後、Gemini Enterpriseでカスタムエージェントを登録し、認可名をコードの`AUTH_ID`と一致させる。Snowflakeから取得したクライアント情報とOAuthエンドポイントを設定し、Authorization URIには`response_type=code`を付ける。（[登録とデプロイの手順](https://cloud.google.com/blog/products/data-analytics/bridge-gemini-enterprise-and-snowflake-with-google-adk/)）

**EastBraverの見立て:** この構成では、ADKの接続実装と[利用者の認証・認可](/guides/ai-identity-authorization)を一体で扱う必要がある。利用者の認証情報でSQLを実行するため、認可時の既定値と物理テーブルへのアクセス方針が、実行可否を左右する。（[出典1](https://cloud.google.com/blog/products/data-analytics/bridge-gemini-enterprise-and-snowflake-with-google-adk/)）

- 出典: [Google Cloud](https://cloud.google.com/blog/products/data-analytics/bridge-gemini-enterprise-and-snowflake-with-google-adk/)（公式構成ガイド、公式RSS掲載時刻 2026-10-28 01:00 JST）

**関連する技術ガイド:** [AIシステムのIdentityとAuthorization](/guides/ai-identity-authorization) / [MCP](/guides/mcp)

## Anthropicが未公開モデルによる5件の攻撃連鎖を報告

Anthropicは、未公開の社内研究モデルを使い、Chrome、Safari、Android、Windows、Linuxの脆弱性を組み合わせた5件の攻撃連鎖を報告した。初期の指示を与えた後、モデルが複数段階の攻撃を構築したという研究報告であり、今回それらの製品に対する実際の攻撃が発生したという発表ではない。（[研究の対象と開示方針](https://www.anthropic.com/research/discovering-vulnerabilities-with-claude)）

Chromeの実証では、V8のヒープ破壊、V8のメモリ領域の隔離を突破する脆弱性、CacheStorageの競合状態、FedCMの解放後メモリ使用を連鎖させた。Anthropicによると、標準構成のmacOS版Chromeでページを開いた後、追加操作なしにブラウザーのサンドボックス外でコードを実行した。（[Chromeの実証内容](https://www.anthropic.com/research/discovering-vulnerabilities-with-claude)）

同社は、Googleへ報告したChromeの指摘に62件のCVEが付与され、Chrome 156までに修正されたと説明している。62件は単一の攻撃連鎖に含まれる脆弱性数ではなく、Chrome全体の報告集計である。また、5件すべてが任意コード実行ではない。Safariは同一オリジンポリシーの回避とデータアクセス、Windowsは遠隔からのサービス拒否として報告されている。（[件数と製品ごとの到達範囲](https://www.anthropic.com/research/discovering-vulnerabilities-with-claude)）

> [!CAUTION] モデルと検証の範囲
> 結果はAnthropic自身による未公開モデルの研究報告で、公開Claudeモデル全般の能力を示すものではない。本稿では攻撃連鎖の独立再現や、62件すべての修正一覧との照合は行っていない。

**EastBraverの見立て:** 防御側は、AIが発見できる脆弱性の数だけでなく、複数の不具合を組み合わせてどこまで到達したかを見る必要がある。[サンドボックス](/guides/sandbox)を置いた構成でも、隔離を担うソフトウェアの更新が判断点になる。研究モデルの利用可否とは切り離し、利用中のブラウザーやOSに提供された修正を適用したい。（[攻撃連鎖と防御側への提言](https://www.anthropic.com/research/discovering-vulnerabilities-with-claude)）

- 出典: [Anthropic Frontier Red Team](https://www.anthropic.com/research/discovering-vulnerabilities-with-claude)（研究実施者による公式報告、2026-10-27・公開元表記）

## SageMaker AI、SOCIで学習・処理ジョブのイメージ取得待ちを短縮

AWSは、Amazon SageMaker AIの学習・処理ジョブにSOCIインデックス対応を追加した。従来はコンテナイメージ全体をダウンロードし、各レイヤーを展開してからコードを実行していた。対応イメージでは、起動に必要なファイルを先に取得し、残りをコードの実行中にバックグラウンドで取得する。（[出典1](https://aws.amazon.com/blogs/machine-learning/announcing-soci-indexed-images-for-faster-sagemaker-ai-jobs/)）

導入には、インデックス付きAWS Deep Learning Container（DLC）の`-soci`タグを指定するか、独自イメージにインデックスを作成する。エントリーポイントやデータチャネルの変更は不要だ。独自イメージでは、Linuxホストにcontainerd、SOCI snapshotter、Finchまたはnerdctlを用意し、元イメージを取得してインデックスを作成する。DLCから派生イメージを作る場合も、最終イメージ用のインデックスが必要になる。（[出典1](https://aws.amazon.com/blogs/machine-learning/announcing-soci-indexed-images-for-faster-sagemaker-ai-jobs/)）

対象はAmazon ECRのプライベートリポジトリ内のイメージに限られる。他のレジストリや、`TrainingRepositoryAccessMode`を`Vpc`に設定して取得するプライベートDockerレジストリのイメージは対象外だ。SageMaker AIはインデックスを自動検出し、インデックスがない場合や、読み取り・遅延読み込みに失敗した場合は、通常のダウンロードでジョブを継続する。（[出典1](https://aws.amazon.com/blogs/machine-learning/announcing-soci-indexed-images-for-faster-sagemaker-ai-jobs/)）

AWSのベンチマークでは、イメージ取得開始からコンテナ実行準備完了までが、遅延読み込みで3～11秒となった。実際のSageMaker AI学習ジョブをGPU・CPUインスタンスで動かし、米国西部（オレゴン）と米国東部（バージニア北部）で通常ダウンロードと比較した結果で、各値は繰り返し実行の中央値である。（[出典1](https://aws.amazon.com/blogs/machine-learning/announcing-soci-indexed-images-for-faster-sagemaker-ai-jobs/)）

この実行準備時間の短縮が、ジョブ全体の改善にどれだけつながるかは、起動時のファイルアクセスに依存する。AWSは、最初の学習処理でイメージの一部だけを使う場合に効果が大きいと説明している。学習前に大半を走査したり、チェックサムを計算したり、事前読み込みしたりする処理では、正味の改善は小さくなる。（[出典1](https://aws.amazon.com/blogs/machine-learning/announcing-soci-indexed-images-for-faster-sagemaker-ai-jobs/)）

AWSは全AWSリージョンで利用可能としている。一方、実行基盤はcontainerdとなるため、Docker CLIの呼び出し、`/var/run/docker.sock`へのアクセス、cgroupパスからの識別子取得など、Docker固有の前提を持つ起動スクリプトは確認が必要だ。AWSの学習試験では初回エポックに3〜16秒の追加時間があり、2回目以降は通常取得と同程度だった。（[提供範囲と追加制約](https://aws.amazon.com/blogs/machine-learning/announcing-soci-indexed-images-for-faster-sagemaker-ai-jobs/)）

**EastBraverの見立て:** 対応DLCをそのまま使い、起動時に一部のファイルだけを読むジョブは、導入手順と短縮効果の両面で有力な適用候補となる。（[出典1](https://aws.amazon.com/blogs/machine-learning/announcing-soci-indexed-images-for-faster-sagemaker-ai-jobs/)）

- 出典: [AWS](https://aws.amazon.com/blogs/machine-learning/announcing-soci-indexed-images-for-faster-sagemaker-ai-jobs/)（公式情報、2026-10-28 02:00 JST）

## Gemini Robotics ER 2がパブリックプレビューに、ロボット連携の構成は

Googleは、Gemini Robotics ER 2をGemini platformでパブリックプレビューとして提供すると発表した。開発者と企業チームは、Model Gardenから利用を開始できる。（[出典1](https://cloud.google.com/blog/products/ai-machine-learning/gemini-robotics-embodied-reasoning-2-is-now-available-on-google-cloud/)）

Googleによると、ER 2は空間・時間に関する動画理解と長期的な計画を組み合わせ、ロボットの高水準の判断を担う。ロボット連携では、開発者がVLAモデルやナビゲーションAPIなどの低水準の制御インターフェースをツールとして宣言し、動画、音声、テキストを入力する。ただし、Cloud側のモデル仕様はGemini Live APIを非対応としている。発表のストリーミング説明を、そのままCloudの双方向リアルタイムAPI対応と読むことはできない。（[構成の発表](https://cloud.google.com/blog/products/ai-machine-learning/gemini-robotics-embodied-reasoning-2-is-now-available-on-google-cloud/) / [Cloud側のAPI仕様](https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/gemini/robotics-er-2)）

Googleが示す運用構成例では、Gemini platformの企業向けIAM、セキュリティ制御、組み込みの関数呼び出しを使ってER 2のワークフローを展開する。一方、遅延に敏感なSLAMや経路計画などのローカル処理は、Google Distributed Cloudで工場側へ配置する構成としている。（[出典1](https://cloud.google.com/blog/products/ai-machine-learning/gemini-robotics-embodied-reasoning-2-is-now-available-on-google-cloud/)）

モデルIDは`gemini-robotics-er-2-preview`で、Cloud側の提供先は`global`。入力上限は131,072トークン、出力上限は65,536トークンで、プロジェクト当たりの既定枠は毎分250リクエストと記載されている。セットアップにはGoogle CloudプロジェクトでAPIを有効にし、Google Cloudの認証情報を使う。（[モデル仕様](https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/gemini/robotics-er-2) / [開始手順](https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/gemini/gemini-robotics-er)）

公式料金表では、2026年12月31日までは1,000,000トークン当たり入力1ドル、テキスト出力5ドル、2027年1月1日以降は入力2ドル、出力10ドルとしている。前者は対象期間の純支出に対する50%のクレジット還元を織り込んだ表示であり、恒久単価として費用を見積もらない。（[料金と還元条件](https://cloud.google.com/gemini-enterprise-agent-platform/generative-ai/pricing#gemini-robotics)）

**EastBraverの見立て:** 導入判断の焦点は、高水準の判断をER 2に任せる範囲と、接続する制御インターフェースの設計にある。Googleの構成例からは、遅延に敏感な処理を工場側へ配置する役割分担も、併せて検討する必要があると読める。（[出典1](https://cloud.google.com/blog/products/ai-machine-learning/gemini-robotics-embodied-reasoning-2-is-now-available-on-google-cloud/)）

- 出典: [Google Cloud](https://cloud.google.com/blog/products/ai-machine-learning/gemini-robotics-embodied-reasoning-2-is-now-available-on-google-cloud/)（公式情報、公式RSS掲載時刻 2026-10-27 22:00 JST） / [モデル仕様](https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/gemini/robotics-er-2)（公式文書、2026-10-27 更新）

## ほかの確認済みの更新

本文と同じ方法で根拠を確認した更新を、要点だけ短くまとめる。

- **Genie 4を研究プレビュー提供、音声付きの世界を自然言語で操作**：Google DeepMindは、映像と音声を同時生成し、自然言語で天候や登場人物などを実行中に変更できるGenie 4を発表した。提供は信頼済みテスター向けの研究プレビューから始まり、Google AI Ultra利用者やGemini API・AI Studioの早期アクセス先への展開は今後の予定だ。一般提供済みのAPIとは区別する。（[Google DeepMindの公式発表](https://deepmind.google/blog/genie-4-a-new-generation-of-world-simulation/)）
- **OracleとOpenAIが業務アプリ連携を拡大**：Oracleは、ChatGPTからOracleアプリや企業データを扱い、承認済み業務フローにつなぐOracle AI Workspaceを発表した。Codexでアプリを構築し、OCI上の展開・運用をOracleが担うApp Composerも案内している。発表には将来製品に関する免責があり、提供時期や料金まで確定した一般提供の告知とは扱わない。（[Oracle発行リリース・PR Newswire配信](https://www.prnewswire.com/news-releases/oracle-reinvents-enterprise-computing-for-the-ai-era-with-openai-302920226.html)）
- **Akamaiが推論サービスとエージェント実行環境をベータ提供**：Akamai InferenceはOpenAI互換APIでオープンウェイトモデルなどを使う推論サービス。Akamai Agent SandboxはSpin SDK経由で利用でき、エージェントが書いたコードを実行本体から分離し、WebAssemblyで計算量、メモリ、外向き接続、システム機能に制限を設ける。両製品ともベータであり、隔離や性能を本稿で再現検証したものではない。（[Akamai発行リリース・GlobeNewswire配信の転載](https://www.manilatimes.net/2026/10/27/tmt-newswire/globenewswire/akamai-launches-ai-inference-service-and-agent-execution-environment/2454806)）
- **Google TPUをOCIへ、2027年から容量配備を開始予定**：OracleとGoogle Cloudは、Google TPUをOracle Cloud Infrastructure（OCI）に導入するための提携を発表した。両社は暦年2027年からTPU容量の配備を始める予定としており、示された時期は配備開始の計画だ。（[Google Cloudの公式発表](https://cloud.google.com/blog/products/infrastructure/bringing-google-tpus-to-oracle-cloud-infrastructure/) / [Oracle発行リリース・PR Newswire配信](https://www.prnewswire.com/news-releases/oracle-brings-google-tpus-to-oracle-cloud-infrastructure-302920827.html)）
- **Liquid AIがLFM3を発表、共通基盤から用途別の6モデル**：Liquid AIは、LFM3-1.7B-Baseを共通基盤とするLFM3の6モデルを発表した。テキスト、視覚、音声、オムニ、意思決定を用途別に扱う構成で、入力形式に合うモデルを選び、自社データで追加学習させてアプリケーションの実行環境に配置する使い方を示している。（[Liquid AIによるHugging Face上の公式発表](https://huggingface.co/blog/LiquidAI/lfm3)）
- **Scope-Gap Injectionが評価と実行の参照範囲のずれを検討**：著者らは、競技の安全性判定で検査されないと推定した添付ファイルへ攻撃内容を移し、OpenClawの模擬競技で19対象中5対象の全段階通過を報告した。配置別のS2受理率は添付側が18/23件（78%）、スキル側が6/26件（23%）だが、同一入力の再提出を含む観測集計で、独立した統制実験ではない。実サービスや他フレームワークでの有効性は実証していない。[間接プロンプトインジェクション](/guides/prompt-injection)の評価範囲を考える材料として読む。（[原著プレプリント](https://arxiv.org/abs/2610.34777) / [実験と限界](https://arxiv.org/html/2610.34777v1)）
