本文へ移動

#マルチモーダル

今日 0 件

11月13日

金曜日
  1. Microsoft Research Focus 第98号:AIによる汎用翻訳、31年来の数学難問、コーディングエージェントの効率化

    Microsoft Research Focus 第98号は複数の研究進展に焦点を当てている。AI音声翻訳が汎用翻訳の実現を後押しし、新研究が高次元幾何学の分野で31年間未解決だったKLS予想を解決した。その証明は計算機支援による形式検証を通過している。

11月10日

火曜日

11月6日

金曜日
  1. Amazon Marketplace、Amazon SageMaker AIでコンテンツ品質を評価する方法

    Amazon Marketplaceは視覚言語モデル(VLM)を使い、商品詳細ページ全体を1枚のスナップショットとしてレンダリングして総合的な品質評価を行う。さらにVLMの意味的スコアとOCRの可読性シグナルを、専門家の注釈で学習したCatBoost分類器に入力し、SHAPでスコアを説明して改善提案を生成する。このマルチモデル融合の仕組みは、データ取り込みから注釈付け、モデルのホスティング、本番監視までをAmazon SageMaker AI上でエンドツーエンドに実現する。

11月5日

木曜日
  1. Google Research、Agile Deliberationを提案:AIが人間の主観的概念の境界整理を支援

    Google ResearchはAgile Deliberationフレームワークを提案した。主観的な視覚分類器の構築を概念の定義と概念の反復の2段階に分け、VLMが意味境界の曖昧な画像を能動的に選び出してユーザーに自らの定義を明確化させ、そのフィードバックを自動プロンプト最適化のループに取り込む。

11月4日

水曜日

11月3日

火曜日
  1. Amazon Nova Multimodal EmbeddingsとAmazon Bedrock AgentCoreでマルチエージェント型エンジニアリングインテリジェンスアシスタントを構築

    Amazon Bedrock AgentCore、Amazon Nova Multimodal Embeddings、オープンソースのStrands Agents SDKを基に、部品代替評価における文書横断検索と根拠の集約を自動で行うマルチエージェント型エンジニアリングアシスタントを構築できる。

10月31日

土曜日

10月30日

金曜日

10月29日

木曜日

10月28日

水曜日
  1. Liquid AI、LFM3シリーズを発表:2B級の統合バックボーンでテキスト・視覚・音声・全モダリティ・意思決定モデルをカバー

    Liquid AIは次世代のLiquid Foundation Models「LFM3」を発表した。LFM3-1.7B-Baseを統合バックボーンとして、テキスト、視覚、音声、全モダリティ、意思決定の計6モデルを2B級で派生させ、すべての重みをオープンソース化してHugging Faceで公開している。

  2. Property Finder、評価バイアスを修正しAmazon Bedrockでより優れたモデルを選定

    Property Finderは、評価ラベルの96.8%が人手による検証ではなく既存の視覚言語モデルの予測に由来しており、代替モデルが比較で構造的に不利になっていたことを突き止めた。チームはUAEの画像356枚を再び人手でラベリングし、マルチラベル分類に切り替え、v0からv27までのプロンプト反復最適化を組み合わせてAmazon Bedrock上で新モデルを選定。精度は向上し、コストは86%削減された。

10月24日

土曜日
  1. Google Research、基盤モデルを結核スクリーニングの現場へ

    Google ResearchとGoogle for HealthのチームはIDWeek 2026で、結核スクリーニングAIが研究から臨床へ至る道筋を共有した。2019年にRadiologyで基準を発表し、2024年にNEJM AIで多施設前向き検証を完了、その後南アフリカのNexus AIがCE MDR class IIb認証を取得した臨床診断ツールへと製品化した。

10月23日

金曜日
  1. 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. NVIDIAが欧州小売をどう変えるか:デジタル発見から実店舗運営まで

    NVIDIAはオープンモデルとフィジカルインテリジェンスで欧州の小売を変革している。ShopifyはNVIDIA Nemotron 3.5 LightningをポストトレーニングしてGraphQLサブエージェントを構築し、社内ベンチマークで主要なフロンティアモデルを上回る精度を達成、サービスコストを90%削減し、応答速度を7倍にした。

10月20日

火曜日
  1. TwelveLabs Pegasus 1.5 動画言語モデルが Amazon Bedrock で提供開始

    TwelveLabs の動画言語モデル Pegasus 1.5 が Amazon Bedrock で提供開始された。長尺動画をタイムスタンプ付きの構造化 JSON メタデータに変換できる。新バージョンでは動画セグメンテーション、参照画像を用いたマルチモーダルプロンプト、事前インデックス不要の即時処理を追加し、1 回のリクエストで最長 2 時間の動画を分析可能で、Pegasus 1.2 の 1 時間から倍増した。

10月16日

金曜日
  1. Meta、816BパラメータのMoEマルチモーダルモデル「Muse Spark Open」をオープンソース化

    Metaはオープンウェイトモデル「Muse Spark Open」を公開した。MoEアーキテクチャを採用し、総パラメータは約816B、トークンあたりのアクティブパラメータは約42B。テキスト、画像、音声、動画の入力に対応し、コンテキストウィンドウは最大100万トークン。

  2. Google DeepMind、Google Antigravityで抗菌ペプチド探索を加速

    Google DeepMindは、エージェント開発プラットフォームGoogle Antigravityを用いて抗菌ペプチドの探索を加速する取り組みを紹介した。複数のデータベースに分散していた検索を単一のセッションに集約する。アミノ酸配列から生物学的機能を予測するモデルProtNLMを組み合わせ、UniProtの数百万件の未解析タンパク質を走査し、呼吸器感染症に関連する病原体に対して活性が予測される新規抗菌ペプチド候補を1件見出した。現在、ウェットラボでの検証が進められている。

  3. Meta の Muse Spark Open、Amazon SageMaker JumpStart で提供開始

    Meta のコーディング最適化オープンウェイトモデル Muse Spark Open が Amazon SageMaker JumpStart で利用可能になった。100 万トークンのコンテキストウィンドウに対応し、MoE アーキテクチャを採用。総パラメータ数 816B、トークンあたり 42B を活性化し、テキスト、画像、ドキュメント、音声、音声付き動画を入力として受け取り、テキストを出力する。

10月15日

木曜日
  1. Apertus 1.5 公開:8B と 70B モデルに画像・音声理解と思考モードを追加

    Apertus 1.5 は 8B と 70B の 2 規模で Apertus 1.0 を拡張し、画像・音声理解、任意の思考モード、4 倍長いコンテキストウィンドウ(262,144 tokens)、より良い指示追従とツール呼び出し能力を追加した。重みは 2026 年 7 月 24 日に Apache 2.0 ライセンスで Hugging Face に公開された。

10月14日

水曜日

10月8日

木曜日
  1. Liquid AI、端末向け意思決定モデル d1-3B と d1-omni-600M をオープンソース化

    Liquid AI は d1 意思決定モデルファミリーから、オープンウェイトの 2 モデル d1-3B と d1-omni-600M(実験的)を公開した。d1-3B は Decision Index 0.2.1 で 48.57 を記録し、10B 以下では最高。テキストと画像に対応する。d1-omni-600M はテキスト+画像またはテキスト+音声に対応する。

10月7日

水曜日
  1. 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。

10月6日

火曜日

10月1日

木曜日
  1. 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。

9月29日

火曜日
  1. 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。

  2. Microsoft Research Asiaシンガポール研究所、設立1年で先端AI研究と人材育成を推進

    Microsoft初の東南アジア研究所であるMSRA – Singaporeは、設立以来1年間、次世代AIモデルとエージェントシステム、分野別AI、AIネイティブな研究実践、人材のエコシステムの4分野に注力した。シンガポールの医療関係者とマルチモーダル医療AIや自己進化する診断エージェントを研究し、EDBと2026年2月に物流・交通AIの幹部円卓会議を開催した。