この記事の途中に、以下の記事の引用を含んでいます。
Zed now supports next edit prediction models Zeta, Mercury Coder, Sweep and more
Zedが“編集予測モデル”で見せる本気の革新とは？
2026年2月、先進的なコードエディタ「Zed」が、複数の編集予測モデル（Edit Prediction Models）のシームレスな切り替えに対応したというニュースが届きました。
「編集予測」と聞いてピンと来ない方も多いかもしれませんが、これは従来の「型や文法の補完」を遥かに超えた、次に自分が書きそうなコードや編集動作を“先読み提案”してくれるAIベースの技術です。
Zedはその最前線を担う野心的な動きを見せています。
この記事では、その仕組み・特徴・背景意義に迫り、実際に現場で感じうるインパクトや今後へのヒントを深堀りします。
画期的な多プロバイダー対応と新時代の予感
Zed公式は次のように述べています。
Zed now supports multiple edit prediction providers. You can switch between Zeta, Mercury Coder, Sweep, Ollama, Codestral, and GitHub Copilot’s Next Edit Suggestions.
要するに、Zedは自社開発のZetaを皮切りに、Mercury Coder、Sweep、Ollama、Codestral、GitHub Copilotなど、複数の最先端AIモデルによる「次の編集提案」を一つのエディタ内で切り替えられるインフラを構築した、ということです。
さらに、
Zed’s edit prediction system now uses a pluggable provider architecture.
Most of the work involved in edit prediction (state management, UI integration, debouncing, caching) is handled by Zed’s core.
Adding a new provider only requires implementing the model-specific parts…
つまり、これまで面倒だった他社AIとの連携も、「プラガブル・プロバイダー」アーキテクチャにより、Zedコア内で編集状態管理やUI統合、キャッシュ管理など大部分が担保され、新規モデル追加時に必須なのはAPI呼び出しや出力整形など、極一部のみになったというのです。
ここで注目すべきは、「どのAI編集モデルも乗せ替えられる柔軟性」と「“次世代”編集体験への飛躍的な布石」という2点でしょう。
予測の本質へ：従来補完との差異とその技術的挑戦
従来のコード補完（autocompletion）は、主に文法的な正しさや、例えば関数名・変数名の補完を支援するものでした。
一方、Zedの「編集予測（edit prediction）」が目指す世界はもっと進んでいます。
本文でも強調されていましたが、
Edit predictions work best when they match how you code: they anticipate your next change, suggest a closing brace, or remove code you were going to trash anyway.
つまり、“あなたらしいコーディングスタイル”まで読み取り、例えばこれから閉じそうなカッコを挿入したり、削除しそうなゴミコードを察してカット案を出すなど、「編集意図」を先回りしてくれる仕掛けです。
これは、“エンジニアの個性”すら読み取る高度なパーソナライズが求められる、従来より格段に難易度の高いAI技術です。
背景には大規模言語モデル（LLM）と並行して、近年盛んな「Diff学習」（編集差分自体を学習させる手法）があります。
「どう直したいか？」をモデルが理解することで、従来より自然な“コードの変遷”を提案しやすくなるのです。
Zeta、Mercury、Sweep…それぞれの個性と意義
Zetaの進化と独自性
ZetaはZedが自前で開発した編集予測特化AIです。
「Zeta2」を控え、さらに高速・高精度化、大規模良質データで訓練したことが予告されています。
外部サービス特有の制約・ラグがない点も強みでしょう。
Mercury Coderの“拡散系AI”モデル
Mercury Coder uses a diffusion architecture. Rather than predicting one token at a time, it refines the entire output in parallel.
これは従来主流だった「逐次1トークン予測」ではなく、編集全体を並列に“推敲（refine）”するAI手法だと説明されています。
例えば、ワープロとタイプライターの違いを例にとると分かりやすいでしょう。
一点ずつではなく全体を一挙に調整できるので、「予想外に滑らかな編集案」が得られる可能性があります。
開発現場では「書き直したい箇所が複数ある、全体的に再構築したい」といった時に最も恩恵を受けやすい特徴です。
Sweepによる超高速アプローチ
オンライン強化学習（RL）を用いた「100ms以内の提案」という圧倒的なスピードを売りにしています。
カスタムdiffフォーマットで直前編集の意図まで明確化してくれるため、「何をどう悩んでいるか」をダイレクトに補助します。
Ollama & ローカル志向のトレンド
Ollama lets you run open-weight models like Qwen, CodeLlama, and DeepSeek entirely on your own machine, so your code never leaves your hardware.
つまり、QwenやCodeLlama、DeepSeekなど主要な「ローカル動作可能なAI」をホストし、機密情報保護を最優先する現場向き。
自分のノートPC一台でも“編集予測AI”が使え、セキュリティに厳しい開発現場や法的要件の厳しい企業でも選択肢になります。
編集体験の未来：「カオス」か「秩序」か？
Zedは次のようにも述べています。
When they don’t work well, they create chaos.
予測が的外れだと作業が混乱、つまり「AIアシストの逆効果」が起きやすいことも率直に認めています。
これは誤ったアシストがエンジニアの手間・ストレスを増大させてきた歴史を踏まえた発言でしょう。
私個人の見方では、たとえばGitHub Copilotも活躍する場面と「むしろ邪魔だ」と感じる瞬間が混在しています。
同じAIでも、プロジェクト規模、業務ドメイン、エンジニアの個性によって“最適な予測モデル”は大きく変わります。
Zedが「複数プロバイダーを自由に選べる」土壌を用意したことで、チーム単位・個人単位で最適解を探る時代がきた、と言えるのです。
エンジニアが得るべき教訓と、今後のシフト
このZedの取り組みから、我々エンジニアが学ぶべき最大の教訓は「AIアシストは万能ではなく、“選択と適応”が鍵になる」ということです。
Each provider has different latency characteristics and may perform better or worse depending on your language, project size, and editing style.
We encourage you to experiment and find what works best for you.
彼らは「どの言語・現場・編集スタイルでも最適なモデルは異なる」と明言し、「実験的にベストなものを自分で探す」ことを推奨しています。
これは「AIが人間の邪魔ではなく、本当のパートナーになるための道筋」と言えるでしょう。
将来的には「チームでベストを模索」「プロジェクトごとにAI方針をカスタマイズ」する運用が一般化していく可能性も高いです。
まとめ：「選べるAI編集」がもたらす本質的進化
Zedの「編集予測プロバイダーのプラガブル化」は、単に新しい機能追加というレベルを超え、「一人一人・一案件ごとに最適なAIアシストを自ら選び、磨く」という新時代への布石です。
編集体験が「AIの勝手な押し付け」から「ユーザー主導のパーソナライズ」へと一歩進むことは、開発の現場に大きな変化を起こすでしょう。
今後のエンジニアリングにおいて、「道具をどう選ぶか」という視点がより重要になります。
最後に読者へのメッセージとして――
「AI編集アシスタントは、あなたの“コーディングの癖”や“現場事情”にあわせて、自分なりの使い方を主体的に設計する時代です。Zedが提供する複数AIの実験環境は、その第一歩として最適な土台となるはず。まずは数種類を“試す”ことから始めてみましょう。」
categories:[technology]
コメント