Google の Gemini Omni 1.2 Flash、AI 動画クリップを 15 秒に延長し価格を 30% 引き下げ
Google DeepMind は動画生成モデル Gemini Omni 1.2 Flash を正式に提供開始した。クリップの長さは最長 10 秒から 3〜15 秒に延び、720p 動画の価格は 30% 下がって毎秒 0.07 ドルになる。
Google DeepMind は動画生成モデル Gemini Omni 1.2 Flash を正式に提供開始した。クリップの長さは最長 10 秒から 3〜15 秒に延び、720p 動画の価格は 30% 下がって毎秒 0.07 ドルになる。
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。
OpenAIは、悪用可能な脆弱性の発見と修正案の開発に用いるサイバーセキュリティーモデル「GPT-6 Cyber」を発表した。モデルが常に許可された範囲内で行動することを訓練目標としている。
OpenAIはサイバーセキュリティモデル「GPT-6 Cyber」を公開し、テストで境界を越える行動の割合が1%未満だったと発表した。GPT-5.6 Cyberでは約5%だった。ベンチマーク「ExploitGym」でGPT-6 Cyberは48.5%を記録し、GPT-5.6 Cyberの32.1%、GPT-6 Astraの42.4%を上回った。Firefoxでこれまで未知だった81件の脆弱性の発見にも貢献した。
テンセントはHy4モデルを発表した。初めて画像理解能力を備え、ソフトウェアを自律操作できる。重みは後日、未定の日付で公開予定で、現在はテンセントクラウド、OpenRouter、元宝などテンセントのアプリ経由でのみ提供される。テンセントによると、約600の実金融タスクでDeepSeek V4.1 Flash、Kimi K3.1 Pro、GLM-5.3 Flashを上回り、ウェブ検索のハルシネーション率は約16%から約5%に低下したという。
Dharma-AIは、任意の種類の文書から指定フィールドを抽出しJSONで返す20億パラメータのモデル「Dharma Field Extractor」を公開した。スキーマなしのオープン抽出と、指定スキーマに沿った抽出の2モードに対応する。
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は1兆パラメーターのオープンソースモデルMistral Large 4(ML4、愛称Le Chonk)の重みを公開した。企業や政府が自らダウンロードして配備できる。重みはHugging FaceとAPIで提供を開始している。
Mistralは公開プレビューから3週間後、Hugging FaceでMistral Large 4の重みを公開した。愛称は「Le Chonk」で、総パラメーター約1兆、1ステップあたり520億を活性化。テキストと画像を入力し、テキストとコードを出力する。
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。
Mistralは旗艦マルチモーダルモデルMistral Large 4(コード名Le Chonk)の重みを公開した。パラメータ数は1兆で、コーディングと防御的サイバーセキュリティ能力を主眼とする。
IBM は Granite Switch 4.1.1 パッチ版を公開した。4.1 と完全な後方互換性があり移行は不要で、基盤モデルは再計算せずアダプターのみを更新した。今回の更新には、10 言語に対応し句読点と大文字小文字をネイティブに扱う Granite Speech ASR モデルと、Jev Decision Index テストセットで性能が向上した granitelib-core の Decision アダプターが含まれる。
Google DeepMindはArgonからわずか2週間でGemini 4 Carbonを発表した。Artificial Analysis Intelligence Index v5で59点を獲得して1位となり、HLE-Diamond、TB-Science、AA-Omniscience、AutomationBenchの4評価でも首位に立っている。
Google DeepMindはArgonの発表から2週間後にGemini 4 Carbonを投入した。Artificial Analysis Intelligence Index v5.0で59点を記録して首位に立ち、前世代のArgonは50点にとどまる。
Elorianは初の視覚推論モデルGlimpseを公開し、Mercorと共同のDecoyCountベンチマークの社内テストで50.48%の正答率を記録した。50%を超えた唯一のモデルである。
Googleは新世代の最先端AIモデル「Gemini 4 Carbon」を発表したが、このモデルはユーザーが利用することはできない。Gemini 4 Carbonは本質的にArgonをわずかに改良したバージョンだ。
GoogleはフロンティアモデルGemini 4 Carbonを発表した。コーディング、エージェントタスク、サイバーセキュリティで大幅な向上を実現し、Artificial Analysis Intelligence Index(v5.0)で1位、Claude Opus 5.5とGPT-6 Astraがこれに続く。
Nvidiaはオープンな音声認識モデルNemotron 3.5 Transcribeを公開した。テキスト指示で制御でき、40言語の文字起こし、31言語と英語の相互翻訳、13言語の話者識別に対応する。1回の録音は最長1時間、最大8人の話者を扱える。
Google DeepMindはGemini 4 Carbonを発表し、サイバーセキュリティと長期的タスクで最も高い能力を持つとし、Artificial Analysis Intelligence Index v5.0で59点を記録して1位となったと述べている。
NVIDIA はオープンウェイトモデル Nemotron 3.5 Transcribe を公開した。多言語の文字起こし、話者分離、翻訳、音声への質問応答を単一のチェックポイントに統合し、Hugging Face と ModelScope で提供を開始している。
NVIDIA は無料のオープンウェイトモデル Nemotron 3.5 Transcribe を公開した。最大 40 言語の音声を文字起こしでき、31 言語と英語の相互翻訳にも対応する。最長 1 時間の録音を処理でき、最大 8 人の話者を区別できる。NVIDIA は Hugging Face Open ASR Leaderboard などのベンチマークで競合製品を上回るとしている。
Google DeepMindは世界モデル「Genie 4」を発表し、ほぼあらゆる面でGenie 3を上回り、更新されたGeminiモデルによってシミュレーション効果が向上したと述べている。このモデルは、事前に環境をレンダリングしたりインタラクティブな要素をプログラミングしたりすることなく、指示に従って探索可能な仮想世界をフレームごとにリアルタイムで生成できる。DeepMindはこれをAGIへの重要な一歩と位置づけ、実体ロボットの訓練環境の構築に活用できるとしている。記事によると、有料ユーザーはまもなくGenie 4を利用できる可能性がある。
Google DeepMindはGenie 3の後継となる世界モデルGenie 4を発表した。シーンをフレームごとに計算し、ユーザーの入力に反応する。ユーザーはキーボードで移動し、テキストプロンプトで出来事を変えられる。
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。
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。
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。
OpenAIのTed Sanders氏は、モデルサイズ、推論への投入量、マルチエージェントシステムなどの軸でGPT-6.1 Terraなどのモデルを分類し、選定の法則を示した。品質だけを重視するならAstra、価格を多少気にするならSol、価格を非常に気にするならTerraかLunaを選ぶという。同氏によると、GPT-6.1 Terraは技術的なコミュニケーションでより大型のAstraを上回る可能性があり、画像処理とコンピューター操作ではほぼ同等ながら価格ははるかに低く、その他の多くの領域では劣るという。
OpenAIはGPT-6.1 Terraを発表した。公式によると、細やかな視覚推論と正確なコンピューター操作を組み合わせ、より明快で自然な文章作成能力を備える。GPT-5.6 Terraから明確な進歩を遂げているという。
OpenAIはGPT-6.1 Terraを公開した。API価格は入力トークン100万あたり1ドル、出力5ドルで、いずれもGPT-5.6 Terraの半額。キャッシュ入力は100万あたり0.05ドルに下がる。
OpenAIがGPT-6.1 Terraを発表。公式は、大規模な場面で高速かつ高い能力のcomputer useを提供できるとしている。
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。
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。
Moonshot AIがKimi K3.1 Proを公開した。総パラメータ2.8兆、アクティブパラメータ1040億のマルチモーダルMoEモデルで、100万トークンのコンテキストに対応し、すでに公式サイトで利用できる。
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。
Jack Dorsey氏のBlockはAIモデルDessaを発表した。人間の会話のみをデータにゼロから学習したとし、真の音声対音声モデルで、MacBook Pro M4 Max以上の構成でローカル実行できるという。
Kimi K3.1 Proは本日Kimi APIで提供開始された。現時点で重みは未公開だが、Moonshotは2026年11月4日までに完全なモデル重みを公開すると約束している。
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。
Canvaは初の自社開発画像生成モデル「Canva Craft」を発表した。設計を計画してから画像を生成する2段階アーキテクチャを採用し、より高い精度・一貫性・制御性が得られるとしている。
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。