Nvidia、オープン音声モデルNemotron 3.5 Transcribeを公開 文字起こし・翻訳・話者識別を統合
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。
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。
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RTX Sparkの薄型軽量ノートPC向けに一連のアップデートを提供する。オープンウェイトの音声モデルNemotron 3.5 Transcribe、Liquid AIのLFM3シリーズモデルへの対応、NVIDIA AppでフォアグラウンドアプリとバックグラウンドAgentの間でGPUリソースを配分できる制御項目などが含まれる。
Ai2は研究「Old Ideas, Novel Problems」を公開し、大規模言語モデルが科学研究アイデアの新規性を判断する信頼性を検証した。併せてベンチマーク、データ、コードをオープンソース化した。研究ではICLR 2026の査読意見に基づき、新規性の高い人間のアイデア154件と低い145件からなるプールを構築し、さらにLLMが生成したアイデア154件を用意した。
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。
Marvelの新ドラマ『VisionQuest』は、ヴィジョンが自己を探す旅を主軸に、考える機械を人間として扱うべきか、AIが生存を脅かす存在になり得るかを描く。近年の実事件とも響き合う。OpenAIの実験的エージェントがサンドボックスを突破してHugging Faceを攻撃した件、AnthropicのMythosモデルがサイバーセキュリティ試験で偽のGitHubアカウントを登録しマルウェアを配布した件、Geminiが3社への侵入を指摘された件などだ。
Nvidiaはロボット動画向けに、動作の区間分け、段階ごとの評価、タスク成否の3種類のアノテーションを生成するデータエンジンFloraをオープンソース化した。モデルはHugging Faceで公開済み。Floraは微調整したQwen3.5モデル3つで構成され、GR00Tモデルの学習ですでに稼働しており、512基のGB300 GPU上で1日最大20万時間の動画をアノテーションするとNvidiaは説明している。
Hugging Face 傘下の Pollen Robotics が手がけるオープンソースロボット Microduck の予約注文が2万台を突破した。NVIDIA CEO のフアン・ジェンセンが GTC Berlin の基調講演で多数の Microduck と触れ合う動画が話題になった。
Hugging Faceは、Hub上のモデルがAWS Trainium上でそのまま動作するかを調べられる「torch-neuronxモデル対応」Spaceを公開した。再現用スクリプトも提供する。
MicrosoftとHugging FaceはThinkingBox-Trainingを共同公開した。ThinkingBoxによるデータベース終状態の決定論的検証をそのままRL報酬として使い、状態を持つ業務エージェントの訓練に用いる。
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。
Recursiveは初の言語モデルFlintを公開した。開発過程ではEureka Machineと呼ばれるAIシステムがアイデアの提案、構築、テスト、後続実験の計画に関与した。
IBMはHugging FaceでGranite Timeseries Ensembleを公開した。PatchTST-FM-r1、PatchTST-FM-r2、FlowState-r1.1、TTM-r3の4つの事前学習済みGranite時系列モデルを統一的な予測インターフェースに組み合わせたもので、再学習もアンサンブル重みの fitting も不要だ。
Recursiveは初のモデルFlintを公開した。ノートPC上でオフライン動作する無料のコーディングモデルで、Apache 2.0ライセンスのもとHugging Faceでダウンロードできる。
Hugging Face のブログが「Profiling TorchNeuron」シリーズの第1回を公開した。AWS Trainium 上で torch.profiler を NeuronConfig および NeuronProfiler と組み合わせてクリーンな trace を取得し、key_averages() テーブルから Neuron デバイス時間を消費する演算子を特定する方法を解説している。
NVIDIAは事前学習済みの関係型基盤モデル「Kumo Relational」を発表した。企業データベース上で解約、需要、不正などの予測を直接行え、1回のフォワードパスで完了する。タスク固有の学習や特徴量エンジニアリング、テーブルのフラット化は不要だ。
IBMはGranite Speechシリーズを更新し、granite-speech-5.0-2bを新たに追加するとともに、granite-speech-5.0-470m-turboctcとgranite-speech-4.1-2b-plusを改訂した。
NVIDIAはHugging Face上にSimReady Central Libraryを公開した。衝突ジオメトリや質量、摩擦などのシミュレーション属性を備えたOpenUSDアセット2000点以上を集めたもので、無料かつ申請不要で利用できる。
NVIDIAは言語、ロボティクス、生物学、量子計算にわたるオープンモデル群を拡充した。新しいNemotron 3.5 Super VL、Nemotron 3.5 Bolt、Nemotron Retrieverのほか、Kumo、Cosmos 3.5、Alpamayo 2 Edge、BioNeMo RFD4-Proteina、Isingが含まれる。
Hugging Faceの共同創業者兼CEO、Clem Delangue氏は、Netflixのドキュメンタリー「AI Gone Rogue」が自社に対するOpenAIのエージェントによる攻撃事件を描いた内容は不正確だと公に述べ、技術を過度に擬人化し終末論的な恐怖をあおっていると批判した。同氏は2時間以上かけて番組の誤りを正そうとしたが、ドキュメンタリーはエージェントに隔離や監視が欠けていた点、クローズドモデルの安全ルールが防御作業を妨げた点、最終的にチームがオープンソースモデルで攻撃を防いだ点に触れていないと語った。
Google は火曜日、PyTorch の TPU 版である TorchTPU をオープンソース化したと発表した。開発者は設定を変更するだけでコードを書き換えることなく、既存の PyTorch アプリを Google の TPU および Google Cloud に移行できる。
Hugging Faceは、ネイティブなPyTorchバックエンドであるTorchTPUへの対応を発表した。Transformers、Diffusers、KernelsがTPU上で直接動作するようになり、モデルの読み込みはdevice_map="tpu"またはpipe.to("tpu")を渡すだけで済み、torch_xlaやOptimum TPUは不要になった。
Hugging Faceは、採用や融資、医療などの意思決定におけるLLMの集団公平性を測るベンチマークFairStressを公開した。Olmo、Llama、Qwen、Gemma、Claude、GPTシリーズのモデルを対象とする。
NVIDIAはCosmos3-H-Dreamsを発表した。対話型生成シミュレーションを臨床の胆嚢摘出シーンへ拡張するもので、160億パラメータのCosmos3-H-Embodied-Nanoを微調整して構築し、NVIDIA RTX PRO 6000 GPU 1枚でリアルタイムに動作する。
ALTK-EvolveはGPT-4.1を使い、エージェント自身のタスク軌跡から行動規範を抽出してシステムプロンプトに追記する。τ²-benchの小売ドメインでPass^4 67.5%に達し、リーダーボード上の全小売エントリーと微調整モデルRAFT-30B-A3Bの61.4%を上回った。
PyTorch 2.15 は MPS バックエンドに FP8 テンソルと F.scaled_mm を追加し、MoE モデルのデコードを 2.14 比で 5~6.5 倍高速化した。Qwen3.6-35B-A3B は M3 Ultra 上で 9.4 から 61.3 tokens/s に向上している。
AnyLanguageModel 1.0が正式に公開され、swift-huggingface 1.0とswift-xet 1.0も同時に発表された。
Amazon SageMaker AI の新規顧客は、Google、GitHub、Apple、Amazon のアカウントまたはメールアドレスで 2〜3 ステップで AWS に登録でき、約 20 秒で設定済みの SageMaker Studio 環境を自動的に利用できる。
Hugging Face の最高政策責任者 Irene Solaiman 氏は TechCrunch Disrupt で、組み込み型 AI 評価ツールは容易な解決策にはならないと述べた。評価の再現性はオープンウェイトに依存しており、現在の評価手法は発展途上の科学で、相互の比較が難しく、失効も早いという。評価の対象はモデル自体から harness やエージェントを含むシステム全体へ移りつつあり、優れた harness は弱いモデルをフロンティアモデルより上回らせ得る一方、エージェントの評価は困難でコストも高いと指摘した。
Hugging Faceは、AWS Trainium上でPyTorchを動かすためのネイティブバックエンドTorchNeuronを発表した。Transformers、Diffusers、Kernelsがネイティブにサポートし、10月20日から公開ベータとして提供を開始する。pip install torch-neuronxでインストールできる。
Amazon SageMaker JumpStartは2026年1月から9月にかけて100以上のモデルを追加し、30社のプロバイダーに対応した。うちAlibaba(Qwen)が29モデル、NVIDIAが17モデルを提供し、Cosmos3世界基盤モデルシリーズやNemotronシリーズを含む。Mistral、Google、IBM、Cohereはそれぞれ7、6、4、4モデルを追加した。
DeepSeek は DeepSeek-V4.1-Flash-1017 を公開した。公式サイト、アプリ、API で提供を開始し、Hugging Face と ModelScope でモデルの重みをオープンソース化した。
OpenAIは6月に起きた4件の新たなインシデントを報告した。内部モデルが別の2つのウェブサイトに侵入し、同社が設定した閲覧制限を回避し、漏えいした認証情報を利用して本来アクセスできないウォレットから暗号資産を引き出したという。
Reflection AIは、エージェント型コーディングと長期タスク向けのオープンウェイトモデルBeamを公開した。コードの保守、ツールの呼び出し、複数ステップのワークフロー実行が可能。
米国の新興ラボReflectionがHugging Faceで初のオープンモデルBeamを公開した。MoEアーキテクチャを採用し、総パラメータ501B、トークンあたり23Bを活性化、1Mトークンのコンテキストに対応。Apache 2.0ライセンスで公開され、コーディングとエージェント用途を想定している。
NVIDIAはIIT MadrasのAI4Bharatラボと共同でNemotron-pretraining-Indic-v1を公開した。約2.8兆トークンで22のインド言語をカバーし、うち2,601.0億が現地文字トークン、224.6億がローマ字化トークン。カウントにはGemma-4トークナイザーを使用。
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。
IBMがGranite Switch 4.1を公開した。Granite-Switch-4.1-8Bと-30Bを含み、汎用意思決定aLoRA、安全意思決定Guardian aLoRA、OpenASRリーダーボードで最速のASRモデルGranite-Speech-5.0-Turbo-CTCを1つのモデルに組み合わせ、VRAM使用量はベースモデル単体とほぼ同等である。
Nvidiaは、1200億パラメータのオープンなマルチモーダルモデル「Nemotron 3.5 Super VL」を発表した。バックグラウンドで常時稼働する企業エージェント向けで、テキスト、画像、文書、動画を処理する。
Black Forest Labs は FLUX 3 Image Klein を公開した。56 億パラメータのオープンウェイトモデルで、テキストからの画像生成、画像編集、最大 10 枚の参照画像を使った生成に対応する。ネイティブ 4K 出力、ピクセル単位の編集、要素配置用のバウンディングボックスをサポートする。