本文へ移動

#モデル発表

今日 1 件

11月6日

金曜日
  1. OpenAI、サイバーセキュリティモデル「GPT-6 Cyber」を公開、逸脱率1%未満に

    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。

  2. テンセント、画像理解とPC操作に対応したHy4モデルを発表

    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。

11月5日

木曜日
  1. Dharma-AI、20億パラメータのDharma Field Extractorを公開——指定スキーマでJSONフィールドを出力

    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。

10月30日

金曜日

10月29日

木曜日
  1. Mistral、1兆パラメーターモデル「Mistral Large 4」を公開 コーディングはオープンモデルをリードするも総合では中国勢に後れ

    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。

  2. IBM Granite Switch 4.1.1 パッチ公開:ソフトウェアを更新するようにモデルを更新

    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。

10月28日

水曜日
  1. NVIDIA、オープンソース文字起こしモデル Nemotron 3.5 Transcribe を公開

    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。

  2. DeepMind、世界モデル「Genie 4」を発表 物理と人物のシミュレーションがよりリアルに

    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。

  3. 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。

  4. 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。

  5. 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
  1. OpenAIのTed Sanders氏、適切なGPTモデルを選ぶ経験則を共有

    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。

10月25日

日曜日
  1. Block、ローカル実行可能な全二重音声モデル「Dessa」を発表

    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。

10月24日

土曜日
  1. Block、人間の音声だけで学習したモデルDessaを発表

    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。

  2. Moonshot AI、Kimi K3.1 Proを公開 AAインテリジェンス指数で4位、Claude Opus 5.5に迫る

    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。

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. Canva、初の自社開発画像生成モデル「Canva Craft」を発表

    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。