本文へ移動

#マルチモーダル

今日 1 件

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。

  3. Google、世界モデル「Genie 4」を発表 よりリアルなインタラクティブ体験を生成

    Googleはインタラクティブな体験を生成する世界モデル「Genie 4」を発表した。公式によると主な更新は4点で、世界がよりリアルになったこと、自然言語のプロンプトで体験をリアルタイムに修正できること、音声を生成できること、基盤にGemini 3.8 Flashを使ってシミュレーションを支援すること。

  4. Google DeepMind、世界モデルGenie 4を発表 音声とリアルタイム操作を追加

    Google DeepMindは世界モデルGenie 4を研究プレビューとして公開した。よりリアルなインタラクティブ世界を生成でき、シミュレーション中にプロンプトを入力してシーンをリアルタイムに変えられる。シーンに合った音楽、環境音、対話などのリアルタイム音声も生成でき、シーンの一貫性は最大2分間と、前世代のGenie 3の2倍となっている。

10月27日

火曜日

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. 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. 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. 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。

  2. 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17日

土曜日
  1. 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. 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。

  2. Meta、Mac上でローカル動作するオープンウェイトモデルMuse Spark Openを公開

    MetaはオープンウェイトモデルMuse Spark Openを公開し、米国で「最強」のオープンウェイトモデルと称した。8160億パラメータ、100万トークンのコンテキストウィンドウを持ち、ネイティブマルチモーダルで、複雑なコーディングタスクとエージェント作業に対応する。

  3. 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。

  4. 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。

  5. 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。

  6. Meta と Apple が協力、Muse Spark Open モデルを Mac でより快適に動作へ

    Meta が Muse Spark Open モデルを発表。これまでで最も能力の高い米国のオープンウェイトモデルだとし、同クラスで初めてデスクトップ上で動作するモデルで、最新の MLX フレームワークを搭載した Apple M5 Ultra の Mac Studio 2 台が必要だとしている。

10月15日

木曜日
  1. 著名人のAIディープフェイクが横行、InstagramとMetaの対策はなぜ機能しないのか

    The Vergeの報道によると、100万人以上のフォロワーを持ち、青い認証バッジが付いたInstagramアカウントが、AI生成の女優Mia Gothの画像を投稿し、約50万件の「いいね」を獲得。Instagramは最終的に、公人へのなりすましを理由にこのアカウントを削除した。

  2. 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11日

日曜日

10月9日

金曜日
  1. Anthropic の Claude Science、初の完全な紫外線全天マップを作成

    Anthropic の Claude Science が初めて完全な紫外線の空の地図を作成した。プロジェクトでは Claude Science が複数の AI エージェントを統括し、複数の宇宙ミッションからデータをダウンロードして較正・統合し、inpainting 技術で欠損領域を補完した。テストでは予測値と実測値の平均偏差は約 10% だった。

10月8日

木曜日
  1. Google、SynthID 透かし検出ツールを一般公開、1800億点の画像・動画に透かしと発表

    Google は SynthID Detector を一般公開し、画像・動画・音声が Google およびパートナーの AI で生成されたものかを誰でも確認できるようにした。Gemini、Veo、Lyria などのモデルが埋め込む不可視の透かしを検出でき、JPG、PNG、MP4、MP3 形式に対応する。

  2. 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。

  3. OpenAI、GPT-6とともにIntelligent UIを発表 ChatGPTの画面が視覚的な対話へ

    OpenAIはIntelligent UIと呼ぶ新しいインターフェースを発表した。新しいGPT-6モデルとともに水曜日から配信が始まり、会話の中に操作可能なボタン、用途別の計算機、インタラクティブなグラフ、編集可能な図形などを多数組み込む。

10月7日

水曜日
  1. Google、改良版SynthID AIコンテンツ検出器を世界向けに公開

    Googleは、SynthID検出器が全パートナーのウォーターマークに対応し、誰でも使える専用サイトSynthID.comを公開したと発表した。SynthIDはAI生成の画像や動画のピクセル、音声の波形に埋め込まれる不可視の信号で、GoogleによればGeminiだけで1800億点以上の画像・動画と24万年分の音声にSynthIDを統合している。

  2. Google、AI生成メディアを識別するSynthIDサイトを公開

    Googleは火曜日、画像・動画・音声がAIで生成されたものかを誰でも検証できる新サイトを公開した。これまでこのツールは一部の記者やメディア関係者、研究者に限定してテスト提供されていた。サイトはJPG、PNG、MP4、MOV、WAV、MP3など多様な画像・動画・音声形式に対応し、検出にはGoogleが2023年に導入したSynthIDウォーターマーク技術を用いる。