Writer、AIエージェントのコストを52％削減するPalmyra X6を発表

Writerは2026年8月13日、企業向けAIエージェント・プラットフォーム用の新たな主力モデルPalmyra X6を発表した。これに合わせて、タスク調整層であるWriter Agent harnessを再構築し、利用状況の追跡と支出上限の設定を行うガバナンスツールを追加した。同社は、自社製品をPalmyra X6と組み合わせて運用すると、コストを平均52％削減でき、速度が48％、品質が10％向上するとしている。

今回の動きは、企業におけるAI技術の購入判断で、エージェントのコストが主要な要因になった時期に行われた。エージェントは通常、1つの回答を生成するだけでなく、計画、検索、ツール呼び出し、検証、再試行を繰り返すため、従来のチャットボットよりも多くのトークンを消費する。記事に記載されたGoldman Sachsの予測によると、エージェントが常時稼働するようになることで、トークン消費量は2026年から2030年の間に24倍となり、月間120 quadrillionトークンに達する可能性がある。

オープンウェイトを基盤とするモデル

Writerは、Palmyra X6をゼロから訓練したとは主張していない。このモデルは、中国企業Z.ai（旧称Zhipu AI）が提供する、オープンウェイトのmixture-of-expertsモデルGLM-5.2に追加学習を施したバージョンである。同社の技術報告書によると、X6はGLM-5.2のアーキテクチャを維持し、7,440億個のパラメーターを備え、トークンごとに約400億個のパラメーターが活性化される。

Writerは、anchored supervised fine-tuning、またはASFTと呼ぶ手法を、エージェントタスク向けに選定した626本の合成トレースからなる小規模なデータセットに対して、1回の訓練サイクルと低い学習率で適用した。この手法では、トークンの重み付け機構と、Kullback-Leiblerダイバージェンスに基づくアンカーを使用し、訓練済みモデルが基盤モデルの固定版から大きく離れないようにする。また同社は、基本的な重み行列においてAdamオプティマイザーをMuonオプティマイザーに置き換えた。

訓練データは完全に合成されたものだった。パラメータ化されたモデルがタスク計画、ツール呼び出し、最終回答を生成し、その後、構造化された品質ゲート、モデルベースの検証者、2つの言語モデルで構成された審査委員会を通過したうえで、訓練に使用された。

Writerのテストによる価格と性能

ソースに基づく検索、ツール利用、コンテンツ生成、サブエージェントへのタスク委任、ブランドボイスへの準拠など、9つの能力を対象とした社内評価で、Palmyra X6は1.00点満点中平均0.87点を獲得した。Writerはこの結果を、Claude Opus 4.8の0.86、Claude Sonnet 4.6の0.85、GPT-5.5の0.80、Gemini 3.1の0.77と比較している。

同社は、入力100万トークン当たり2ドル、出力100万トークン当たり8ドルでモデルを提供する。これはClaude Opus 4.8のそれぞれ15ドルと75ドルに相当する。X6はタスクを平均26秒で実行し、1つの目標を達成するために、最長8時間、直接の監督なしで稼働できるとしている。

ただし、これらの比較は一部、Writer自身が実施した社内テストに基づいている。同社でAI研究を率いるDan Bikelは、技術報告書に公開テストのプロトコルと社内評価が含まれていると述べたうえで、公開テストは大きな性能上のギャップがないことを確認するための指標として用いられ、主要な訓練目標として使われたものではないと説明した。

インフラストラクチャーとガバナンス

Writerによると、モデルの重みは米国のHugging Faceリポジトリから取得され、訓練はすべて米国のインフラストラクチャー上で実施された。データセットの生成と保存も米国で行われ、米国に設置された訓練用ハードウェアが使用された。また同社は、政治的偏向、検閲、正確性、拒否行動を対象とする、事前登録済みのモデルリスク評価を実施し、匿名化された審査員が19,674件の応答を評価した。

Writerの結果によると、X6はWashington PostのModelSlant評価において、政治的にセンシティブな質問の80％で側面的な回答を示した。また、展開用のシステムメッセージを使用した場合、FORTRESSベンチマークにおける攻撃に対する安全性が、基盤となるGLM-5.2と比べて8.6ポイント向上した。ただし報告書は、モデルの挙動が言語によって異なることを認めており、限定的な追加学習によって基盤モデルの影響が必ずしもすべて除去されるわけではないことを示している。

モデルに加えて、Writerはタスクを計画し、作業をまとめ、サブエージェントに委任し、コンテキストを管理する調整層を再構築した。同社は、この層により、AnthropicやOpenAIのモデルを含む、テストしたすべてのモデルでコストを41％削減し、品質を維持したままタスク完了を44％高速化できるとしている。

またWriterは、Writer Agent内でのマルチモデル対応を拡張した。これにより管理者は、AnthropicやOpenAIのモデル、Microsoft Azure、AWS Bedrock、Nvidia NIMを含むクラウドサービスプロバイダーのモデルに加え、画像生成モデルも有効化できる。

エージェントコストの統合された可視性

新しいガバナンスツールは、企業全体におけるエージェント利用状況の一元的な表示と、共有可能な自動化機能であるPlaybooksおよびSkills内の各ワークフローに関する分析を提供する。さらに、消費量アラートと支出上限も備える。これらのツールは、ITおよびセキュリティ管理者が、利用範囲を拡大する前に各ワークフローのコストを把握できるよう支援することを目的としている。

Writerは、コスト削減の目的は自社の収益を縮小することではなく、人件費やトークン消費のコストを理由に、これまで企業が自動化しなかったユースケースを開拓することだとしている。同社は、Palmyra X6の発売、調整層、ガバナンスツールを、表示されたトークン価格だけでなく、成功したタスクのコストに焦点を当てた1つのシステムとして提示している。