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。
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。
Google DeepMindはGemini 4 Hydrogenを発表した。日常的なコーディングとエージェントワークフロー向けで、デフォルトのhigh思考レベルでは51点とArgonの50点を上回り、xhighレベルでは54点に達する。
Google DeepMindは視覚-言語-行動(VLA)モデル「Gemini Robotics 2.5」を発表した。これまでで最も能力の高いVLAモデルだとし、200のタスクで従来のベースラインと比べて成功率が30〜100%向上、タスク完了速度は20〜30%速いという。
Googleは、オープンソースのデータセットLinguaMetaに基づき数千言語のデータを集めたインタラクティブなウェブプラットフォーム「Language Explorer」を公開した。研究者や教育者、言語愛好家が世界の言語の多様性を探索できる。
NVIDIA Nemotron 3.5 Super VLがAmazon SageMaker JumpStartで利用可能になった。SageMaker StudioまたはPython SDKからデプロイできる。
NVIDIAはCosmos世界モデルプラットフォームにオープンウェイトのcheckpointを4種追加した。いずれもCosmos 3 Nanoを事後学習したもので、学習可能パラメータは16B、商用・非商用を認めるOpenMDW1.1ライセンスを採用する。
Google DeepMindはGemini Omni 1.2 Flashを公開した。動画生成の長さはOmni 1.1の10秒から15秒に延び、3〜15秒を1秒刻みで指定できる。720pの価格は30%引き下げられ毎秒0.07ドルとなり、Gemini APIとGemini for businessで全面提供される。
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。
Google ResearchはNatureに研究を発表し、スマートウォッチの光電容積脈波(PPG)と加速度計(ACC)の信号を用いてカフによる校正なしに高血圧状態を受動的に識別するマルチモーダルAIシステム「AI-PPG-ACC-HTN」を提案した。
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。
Amazon BedrockはKimi K3のインド国内推論をサポートするようになった。推論プロファイルin.moonshotai.kimi-k3により処理をムンバイとハイデラバードのリージョンに限定し、厳格なデータレジデンシー要件に対応する。
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。
NVIDIAの社員がNemotron Voice Agentでハロウィン向けのインタラクティブ投影MonsterHouseを制作した。Nemotron ASRが聞き取り、Nemotron 3.5 Bolt E4B 4GBが対話、Magpie TTS Zeroshotが発話、Audio2Face-3Dが口の動きを担い、すべて1台のワークステーション上で動く。
NVIDIA Nemotron 3.5 Super VL が AWS で利用可能になった。120B パラメータの MoE マルチモーダルモデルで、トークンあたり 12B パラメータを活性化し、最大 1M トークンのコンテキストとテキスト、画像、文書、動画の入力に対応する。
MistralがマルチモーダルMoEモデルMistral Large 4(Le Chonk)を公開した。総パラメータ約1T、活性パラメータ49B、コンテキストウィンドウ1Mトークン。FP8とNVFP4の2種類の公式ウェイトで提供され、Mistral Ecosystem Open-Weight Licenseを採用する。
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。
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。
Google DeepMindは世界モデルGenie 4を発表した。ネイティブにマルチモーダルに対応し、世界を生成しながら音楽、環境音、対話音声を同時に出力できるほか、自然言語で天気やカメラ、シーン内の人物をリアルタイムに変更できる。
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。
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。
Google DeepMindはGoogle Research、WRI、IIASAと共同でForest Typology(ForTy)2020を公開した。地球上の10×10メートルの各区画を6つの森林・土地利用類型に分類するもので、EUの森林破壊規制(EUDR)の重要なベースラインとなる。
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。
Google ResearchはJAMA Network Openに研究を発表し、盲検スキャン超音波に基づく在胎週数推定AIモデルが、異なる臨床環境やハードウェアでどこまで汎用化できるかを評価した。
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。
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。
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。
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。
Black Forest Labs が FLUX.3 Image Klein を公開した。1 つのモデルでテキストからの画像生成、複数参照画像からの画像生成、バウンディングボックスによるレイアウト制御に対応し、Diffusers では初日から利用できる。
NVIDIAはNemotron 3.5 Super VLを発表した。120Bパラメータのオープン多模态モデルで、常時稼働する専用エージェント向け。同社によるとスループットは同種モデルの最大5倍。
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。
Google Research は Research@ イベントで 10 の進展を公表した。Google Earth AI の早期アクセス拡大、Deep Review の一般公開、TimesFM と TabFM の Gemini for business への統合などが含まれる。
Google DeepMindはGemini 4 Argonを発表した。本日よりAI StudioとGeminiプラットフォームのAPIを通じて開発者と企業に提供され、Google AI Ultra加入者はGoogle Antigravityで、UltraおよびPro加入者はGeminiアプリとSearchのAI Modeで利用できる。
Google DeepMind は Gemini 4 Argon を発表した。物理理解、コード生成、視覚意味推論を柱とし、Embodied Reasoning(ERQA)ベンチマークで純粋な推論により 87% を達成、他のフロンティアモデルを上回るとしている。
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。
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。
MistralはMistral Large 4の公開プレビューを発表した。1兆パラメータ、49Bのアクティブパラメータを持つネイティブマルチモーダルモデルで、Mistral StudioでプレビューAPIを試用でき、重みは今月末に公開される。
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。
Condé NastはAWS生成AIイノベーションセンター(GenAIIC)と協力し、Amazon BedrockとAmazon OpenSearch Serviceを基盤にマルチモーダル動画検索を構築した。映像、音声、文字起こしを一緒に符号化するため、TwelveLabs Marengo埋め込みモデルを採用した。
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。
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。