本文へ移動

すべての AI 動向

今日 1 件

10月7日

水曜日
  1. Google、マルチモーダル埋め込みモデル EmbeddingGemma 2 を公開

    Google はオープンソースのマルチモーダル埋め込みモデル EmbeddingGemma 2 を公開した。テキスト、画像、動画、音声、コードを数値ベクトルに変換でき、パラメータ数は 7 億 4,000 万。Google によると、マルチモーダル埋め込みベンチマークでパラメータ数が 2 倍の競合モデルを上回り、Massive Text Embedding Benchmark (Code) では 78.68 を記録。前世代の 68.76 から約 10 ポイント改善した。

  2. Google DeepMind、オープンソースのマルチモーダル埋め込みモデル EmbeddingGemma 2 を公開

    Google DeepMind は、Gemma 4 アーキテクチャをベースにした Apache 2.0 ライセンスのオープンソース・マルチモーダル埋め込みモデル EmbeddingGemma 2 を公開した。テキスト、画像、音声、動画を単一の埋め込み空間にマッピングできる。

  3. Mistral Large 4

    Simon Willison は同一のプロンプトで Mistral Large 4 などのフロンティアモデルの SVG 生成能力を試した。プロンプトは「火星で網タイツを穿いたアルマジロが乱横断する」というもの。比較に参加したモデルは claude-opus-5.5、gpt-6.1-sol、gemini-3.8-flash、mistral/mistral-large-4 で、いずれも各モデルのデフォルト推論レベルを使用した。

  4. EmbeddingGemma 2、Apache 2.0ライセンスを採用

    EmbeddingGemma 2がApache 2.0ライセンスを採用した。Simon Willisonは、埋め込みモデルにクローズドでプロプライエタリなホスト型のみの形態を使うべきではないと述べている。埋め込みモデルは通常、数千から数百万の埋め込みベクトルを計算して保存する必要があり、ベンダーがモデルの提供を停止すれば、ユーザーは保存済みベクトルの再計算費用を負担することになる。同氏はホスト版への課金は歓迎しつつ、ベンダーがサービスを終了した際にオープンウェイト版を自分で動かすか、別のベンダーを探す余地を残したいとしている。

  5. Musubi、コンテンツモデレーション判断モデル「PolicyLM-1.7B」をオープンソース化

    Musubiは軽量な判断モデル「PolicyLM-1.7B」をオープンウェイトで公開した。リアルタイムのコンテンツモデレーション向けで、平易な英語で書かれたコンテンツポリシーを50ミリ秒以内にメッセージへ適用できる。コストと速度は主要SNSのAI分類器に近い一方、現代的なLLMの柔軟性を備え、専用の訓練なしに複雑なポリシーを実行でき、ポリシー変更時の再訓練も不要だ。

10月6日

火曜日
  1. Mistral、1兆パラメータのマルチモーダルモデル「Mistral Large 4」を発表

    フランスのAI研究所Mistral AIは火曜日、1兆パラメータの大規模マルチモーダルモデル「Mistral Large 4(ML4)」を発表した。愛称はLe Chonk。現在は公開されたguardrailエンドポイント経由でのみアクセス可能で、重みは3週間後の安全テスト完了後に公開される予定。

  2. Falcon-Emirati-7B:LLM にアラブ首長国連邦の方言、文化、語感を学ばせる

    Falcon-Emirati-7B が公開された。Falcon-H1-Arabic をベースに構築された 7B の方言特化モデルで、アラブ首長国連邦のアラビア語の理解と生成に特化している。Falcon-H1 のハイブリッドアーキテクチャ(Mamba と Transformer アテンションの並列)を踏襲し、実際の方言ウェブデータ、MSA の文化コーパス、用語集に制約された合成データで訓練されている。

  3. GLM 5.3 が Amazon Bedrock で提供開始

    Z.ai の GLM 5.3 が Amazon Bedrock で提供開始された。753B パラメータの MoE モデルで、コーディングと長時間のエージェントタスク向け。フルマネージド API を通じてクロスリージョン推論、プロンプトキャッシュ、サービスティアを提供し、現在は条件を満たす企業顧客向けに公開されている。

  4. Reflection、中国のオープンモデルに対抗するオープンウェイトモデルBeamを公開

    Reflection AIは初のフロンティア級オープンウェイトモデルBeamを公開し、高度な推論ベンチマークで中国の主要オープンモデルと同等の性能を大幅に低い推論コストで実現すると主張している。Beamは総パラメータ5010億、アクティブパラメータ230億のテキストMoEモデルで、23.8兆トークンで事前学習され、コンテキストウィンドウは100万トークン。同社は推論計算量が競合より3〜4倍少ないとしている。

  5. Reka AI、190億パラメータの全能モデルRho-1を公開 テキスト・画像・動画・ロボット制御を統合処理

    Reka AIがRho-1の研究プレビュー版を公開した。190億パラメータの全能モデルで、単一のニューラルネットワーク内でテキスト、画像、動画、ロボット制御動作を処理・生成する。タスクを専用モデルに振り分ける多くのシステムと異なり、Rho-1はすべてのモダリティをトークンとして同一の共有コンテキストウィンドウで実行し、ツール呼び出しや外部モデルを必要としない。リアルタイムで連続動画を生成し、再起動なしで新しい指示に応答する。

10月5日

月曜日
  1. Aleph Alpha、78BパラメータのオープンウェイトモデルKolibriを公開 欧州AI主権を訴え

    Aleph Alphaは、78Bパラメータの独英二言語モデルKolibriを公開した。混合エキスパートアーキテクチャを採用し、トークンあたり約3Bパラメータを活性化する。同社は、Kolibriが両言語の品質と運用コストでパレートフロンティア上にあり、ドイツ語ベンチマークで71%を記録、GPT OSS A5B、Qwen 3.6 A3B、Gemma 4 A4Bなどの同種モデルよりデコードが速いと主張している。

10月4日

日曜日

10月3日

土曜日

10月2日

金曜日
  1. Black Forest Labs、Flux 3 Imageを公開 多段階編集で他の部分を変えず

    Black Forest LabsはFlux 3モデルファミリーの画像部分にあたるFlux 3 Imageを公開した。公式によると、多段階の編集に対応しつつ画像の他の部分は変更せず、テキストからの画像生成、画像からの画像生成、文字レンダリング、写真のようなリアリズムをカバーする。ユーザーはバウンディングボックスで構図を指定でき、最大10枚の参照画像を導入可能で、出力は最大4K。現在は無料デモを提供しており、APIは10月8日まで半額。企業は商用ウェイトをライセンスして自社インフラ上で実行・微調整できる。オープンウェイト版は今後数週間で登場する見込み。

  2. Microsoft AI、音声エージェント向けの文字起こし・音声合成モデルを公開

    Microsoft AIはリアルタイム文字起こしモデル「MAI-Transcribe-2-Streaming」を公開した。Artificial Analysisの精度ランキングで1位だとMicrosoftは主張している。60言語に対応し、最初の部分結果までの遅延は100ミリ秒をわずかに超える程度。年末までの導入価格は音声1時間あたり0.54ドル。

  3. Ideogram、Ideogram 4.5を公開 部分編集で他の部分を崩さないと主張

    Ideogramは新モデルIdeogram 4.5を公開し、ユーザーが指定した領域だけを変更し、服装の変更などの編集後も人物の体型や背景は変わらないと主張している。品質は4段階で、1枚あたり0.8セントから22セント、いずれもネイティブ2K解像度。すでにIdeogramプラットフォームとAPIで提供を開始しており、提携先にはPicsart、Runway、Pika、Leonardo AIが名を連ねる。オープンウェイト版も近日公開予定だとしている。

10月1日

木曜日
  1. AI2、1兆パラメータ規模のMoE向けオープン訓練基盤「Olmo-core 3」を公開

    AI2は、大規模言語モデル開発フレームワークの大幅なアップグレード版「Olmo-core 3」を公開した。オープンなMoE訓練システムを再設計し、計算効率を維持しながらMoE訓練を1兆パラメータ規模へ拡張することを目指す。

  2. Google、Gemini 4 Argonを発表 OpenAIとAnthropicとの差を縮めるも明確なリードはならず

    Googleは新たなフロンティアモデルGemini 4 Argonを発表した。一部のベンチマークではOpenAIやAnthropicの競合製品を上回るが、明確なリードは得ていない。このモデルはまずFairwindプログラムの「信頼できるサイバー防御者」とGoogle社内チームに公開され、その後開発者、企業、消費者向けに提供される予定で、日付は未公表。導入価格は入力トークン100万あたり2ドル、出力トークン100万あたり10ドルで、キャッシュ入力は95%安い。

  3. Google、Gemini 4 Argon を発表 これまでで最強のモデルと主張

    Google の親会社 Alphabet は Gemini 4 Argon を発表し、コーディングや調査、執筆などのタスクを処理できると説明した。特に防御的サイバーセキュリティ向けに訓練されており、重要なソフトウェア脆弱性を自律的に発見・検証・修正できるという。

  4. Google DeepMind、フロンティアモデル「Gemini 4 Argon」を発表

    Google DeepMindは新たなフロンティアモデル「Gemini 4 Argon」を発表した。まずFairwind Programの信頼できるサイバー防御担当者に開放し、その後開発者、企業、消費者向けに提供する。価格は入力100万トークンあたり2ドル、出力100万トークンあたり10ドルから。

  5. Google、Gemini 4 Argonを発表 初期は信頼されたサイバーセキュリティ担当者のみに開放

    Googleは新世代フロンティアモデル「Gemini 4 Argon」を発表し、ソフトウェアエンジニアリング、法務・金融などの企業ナレッジワーク、サイバーセキュリティ防御といった複雑なワークフローでフロンティア性能を備えるとしている。同モデルは初期段階では信頼されたサイバーセキュリティ担当者の一群にのみ開放され、Googleは米国政府のフロンティアモデル事前リリースアクセスプロセスに参加しつつ段階的に対象を広げると述べ、より広く展開する前に悪用、プロンプトインジェクション、不整合への対策を強化するとしている。

9月30日

水曜日
  1. Google DeepMind、AI生成タンパク質に検証可能な透かしを埋め込むSynthID Bioを公開

    Google DeepMindはSynthID Bioを公開し、透かし技術を合成生物学に導入した。生物のコードに知覚できない署名を埋め込むことで、生物学的な機能を維持しながら、デジタルモデルと合成された実物のタンパク質の両方で透かしを検証できるようにする。

9月29日

火曜日
  1. NVIDIA、表形式予測の基盤モデルKumo Tabularを公開

    NVIDIAはオープンソースの表形式基盤モデルKumo Tabularを公開した。ラベル付きの表の行を入力すると、学習、調整、特徴量設計なしに、単一の順伝播で新しい行のラベルを予測し、分類と回帰に対応する。28M〜215Mの3サイズを提供し、人工合成の表のみで事前学習した。商用利用可能なOpenMDW-1.1ライセンスを採用し、TabArena、BeyondArena、TALENT、ScoringBenchの4ベンチマークで首位だった。

  2. ElevenLabs、音声モデル Eleven v4 とリアルタイム音声エージェント向け Turbo 版を公開

    ElevenLabs は Eleven v4 を公開した。脚本中の感情、間、効果音タグにより正確に従い、長い制作物でも声質を一貫させる。新アーキテクチャは Turbo 版にも使われ、公式テストでは約150ミリ秒で音声出力を開始した。Cartesia Sonic 3.6 の262ミリ秒、OpenAI GPT-4o mini TTS の814ミリ秒と比較されている。

  3. Microsoft Research、Quineを公開:生物学の複雑さを扱うAI研究システム

    Microsoft Researchは生物学の複雑さを扱うAI研究システムQuineを公開した。配列、構造、機能、細胞状態、画像などのマルチモーダルデータで学習した生物世界モデルと、モデル、科学ツール、文献、実験担当者をつなぐ対話型ハーネスから構成される。