本文へ移動

すべての AI 動向

今日 1 件

10月27日

火曜日

10月25日

日曜日
  1. Block、ローカル実行可能な全二重音声モデル「Dessa」を発表

    Blockの研究ラボが音声モデル「Dessa」を発表した。ローカルで動作し、笑い声や間、泣き声などの人間らしい表現を備える。全二重の音声対音声モデルで、話しながら同時に聞き取ることができ、公式によれば完全に人間の音声で学習され、MacBook M4 Max以上のコンシューマー向けPCで動作する。現在Dessaは一般公開されておらず、Blockは安全研究者を募ってテストを進めている。

10月24日

土曜日
  1. Block、人間の音声だけで学習したモデルDessaを発表

    Blockは音声モデルDessaを発表した。テキストデータを一切使わず、人間の音声のみでゼロから学習した初のAIモデルだとしている。音声を直接音声として処理し、感情や皮肉、笑い、間をリアルタイムで捉え、全二重で同時に聞くことと話すことが可能だ。MacBook Pro M4 Maxでローカル動作し、学習にはNVIDIA GB200 NVL72を1台使用した。Dessaは未公開で、チームは予期せぬリスクを検証するAIセキュリティ研究者を募集しており、関心がある人はフォームから応募できる。

  2. Moonshot AI、Kimi K3.1 Proを公開 AAインテリジェンス指数で4位、Claude Opus 5.5に迫る

    Moonshot AIはKimi K3.1 Proを公開した。Kimi K3のポストトレーニング版で、Artificial Analysisのインテリジェンス指数で55点を記録し、K3から11点向上。4位につけ、Claude Opus 5.5(58)、Claude Sonnet 5.5(56)、Muse Wonder Full(56)に次ぐ順位となった。

10月23日

金曜日
  1. Canva、初の自社開発画像モデル「Craft」を発表

    Canvaは初の自社開発画像生成モデル「Craft」を発表した。社内研究所Canva Researchが写真ではなく主に数百万点のデザインテンプレートを用いてゼロから学習させた。Craftはまず構図・比率・文字を生成し、その後30種類以上のアスペクト比に対応した最大2K解像度の画像を出力する。55言語の文字描画に対応し、Magic Layersで編集可能なレイヤーに分解できる。

  2. Canva、初の自社開発画像生成モデル「Canva Craft」を発表

    Canvaは初の自社開発画像生成モデル「Canva Craft」を発表した。社内の研究チームが開発し、Google、OpenAI、ByteDance、Metaの同種モデルに対抗する。生成は2段階で、まずプロンプトを解析して要素の空間関係、相対的な大きさ、視覚的階層、テキスト情報を計画し、その後最大2K解像度・30種類のアスペクト比に対応する画像を出力する。公式によれば物体の細部を正確に保ち、文字も鮮明で、部分的な精密編集も可能だという。

  3. Allen AI、衛星埋め込みモデルOlmoEarth v1.3を公開 全球の事前計算済み埋め込みとブラウザツールも提供

    Allen AIは衛星埋め込みモデルOlmoEarth v1.3を公開した。1年分のSentinel-1、Sentinel-2、Landsatの時系列データを読み込み、地球上の10メートルピクセルごとに128次元のベクトルを生成する。最初の64次元だけでも利用できる。

10月22日

木曜日
  1. IBM Granite時系列モデルのアンサンブル予測:4アーキテクチャを組み合わせ、再学習不要

    IBMはHugging FaceでGranite Timeseries Ensembleを公開した。PatchTST-FM-r1、PatchTST-FM-r2、FlowState-r1.1、TTM-r3の4つの事前学習済みGranite時系列モデルを統一的な予測インターフェースに組み合わせたもので、再学習もアンサンブル重みの fitting も不要だ。

  2. NVIDIA、学習不要で予測できる関係型基盤モデル「Kumo Relational」を発表

    NVIDIAは事前学習済みの関係型基盤モデル「Kumo Relational」を発表した。企業データベース上で解約、需要、不正などの予測を直接行え、1回のフォワードパスで完了する。タスク固有の学習や特徴量エンジニアリング、テーブルのフラット化は不要だ。

10月21日

水曜日
  1. Mistral AI、リアルタイム音声エージェント向けモデル群Voxtral 3を発表

    Mistral AIは、リアルタイム音声エージェント向けのモデルファミリーVoxtral 3を発表した。音声認識モデルVoxtral Small Transcribe 3、音声合成モデルVoxtral Mini TTS 3、LiveKitベースの音声エージェントSDKで構成され、聞く・考える・ツールを呼び出す・話すを単一のストリーミングパイプラインに統合する。

10月20日

火曜日
  1. AINews まとめ:DeepSeek V4.1 Flash 1017 が公開、Anthropic は公益基金を設立

    Latent Space の AINews が 10 月 16 日から 19 日までの動きをまとめた。DeepSeek V4.1 Flash 1017 は総パラメータ 552B、アクティブ 16B の MoE アーキテクチャと 1M トークンのコンテキストで公開され、MIT ライセンス、価格は入力・出力それぞれ 100 万トークンあたり 0.30 ドル/1.20 ドルを維持する。

  2. Kling AI、4.0を公開 ステレオ音声と多言語リップシンクに対応、軽量Flash版も

    Kling AIがバージョン4.0を公開した。1回で最大30秒の動画を生成でき、最大10枚のキーフレーム画像を入力可能。プロンプト理解は8,000トークンに拡大した。新バージョンでは2チャンネルのステレオ音声と10数言語のリップシンクを追加し、Omni Referenceは1回で最大15点の参照素材を受け付ける。最大720p・20秒の軽量Flash版も登場した。Kling 4.0はMCPとCLIから利用でき、APIの価格は未発表。

10月18日

日曜日

10月17日

土曜日
  1. Vercelのデータ:Jev、同プラットフォームで最速採用のAIモデルに

    Vercelが木曜日に公表したデータによると、TypeSafe AIの意思決定モデルJevは公開から2週間で有料チームの35%に使用され、2番目に人気のモデルSonnet 5.5のほぼ2倍の普及率に達し、Vercelプラットフォーム上で最初の2週間で最も速く採用されたモデルとなった。

  2. Elorian、初のモデル Glimpse を公開 視覚的スクラッチ空間で画像推論

    Elorian が初のモデル Glimpse を公開し、研究プレビューとして API を開放、チャット画面は順番待ちとなっている。Glimpse は推論の途中で画像の領域を切り取ったり、動画から特定のフレームを抽出したり、コードを実行して測定・比較したりできる。Elorian はこの仕組みを視覚的スクラッチ空間と呼んでいる。価格は入力が100万トークンあたり0.60ドル、出力が100万トークンあたり3ドル。Elorian の評価によると、科学図表の推論と短尺動画の説明で GPT-6 Astra を上回る。

10月16日

金曜日
  1. Reflection、501BのオープンMoEモデルBeamを公開 1Mコンテキストとコーディングエージェントに対応

    米国の新興ラボReflectionがHugging Faceで初のオープンモデルBeamを公開した。MoEアーキテクチャを採用し、総パラメータ501B、トークンあたり23Bを活性化、1Mトークンのコンテキストに対応。Apache 2.0ライセンスで公開され、コーディングとエージェント用途を想定している。

  2. Goodfire、ニューラルネットはすでにクリーンと主張 エージェント分析で多義ニューロンを解明

    GoodfireのNick Cammarata氏が記事を公開し、「ニューラルネットワークはすでにクリーンである」という作業仮説を提示した。多義性や重ね合わせの現象とされ、解釈が難しい重みの絡まりの多くは、エージェントによる分析をさらに進めれば解きほぐせるとしている。同氏は2023年にOpenAIで行った自動解釈可能性の研究では読み取れるニューロンは約2%しか見つからなかったと述べ、著名な多義ニューロンの事例のいくつかは誤読だと指摘した。

  3. Meta、Muse Spark Openを公開 816Bパラメータでオープンウェイト路線に復帰

    MetaはオープンウェイトモデルMuse Spark Openを公開し、米国最強のオープンウェイトモデルと位置づけた。コーディングとエージェントタスク向けで、8160億パラメータ(アクティブ420億)、最大100万トークンのコンテキスト、テキスト・画像・動画・音声に対応する。

  4. IBM、Granite Switch 4.1を公開:1つのエンドポイントで対話・意思決定・音声に対応

    IBMがGranite Switch 4.1を公開した。Granite-Switch-4.1-8Bと-30Bを含み、汎用意思決定aLoRA、安全意思決定Guardian aLoRA、OpenASRリーダーボードで最速のASRモデルGranite-Speech-5.0-Turbo-CTCを1つのモデルに組み合わせ、VRAM使用量はベースモデル単体とほぼ同等である。