本文へ移動
assaynotes
EN日本語中文

#マルチモーダル

今日 1 件

11月16日

月曜日今日1 件

11月15日

日曜日

  1. 美団、1.6兆パラメータのエージェントモデルLongCat-2.5をオープンソース化、Nvidia GPUを一切使用せず

    美団のLongCatチームは、モデル公開から1週間後に1.6兆パラメータのLongCat-2.5の重みをオープンソース化した。長い連鎖の自律タスク、特にコーディングを想定したモデルだ。MoEアーキテクチャで、トークンあたり約480億パラメータを活性化する。APIは100万トークンのコンテキストと最大128000トークンの出力に対応し、テキスト・画像・動画を理解でき、推論のオン・オフを切り替えられる。

11月13日

金曜日

  1. 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。

11月12日

木曜日

  1. Google、意思決定モデルGemini Decision 1とDecisions APIを発表

    GoogleはGemini Decision 1と付属のDecisions APIを発表した。はい／いいえ、多肢選択、評価スケールなどの閉集合の意思決定に対応し、1リクエストあたり最大1000問、255個の多肢選択肢を扱える。入力はテキスト、画像、音声、動画、PDFに対応し、コンテキストは256K。エンドツーエンドの応答時間は150～250msで、信頼度スコアも付与される。

11月11日

水曜日

  1. Adobe、AI実験プロジェクトを公開：写真の中を歩き、キャラクターと対話してオーディション

    Adobeは年次イベントMaxで複数の実験的AIツールを発表した。Project Screen Testは対話を通じてAIキャラクターを形作り、オーディション動画を生成できる。Project Sight Spanは平面画像を自由に視点を動かせる3Dシーンに変換する。

11月10日

火曜日

  2. Otter.ai、30言語以上に対応する多言語文字起こし機能を追加

    Otter.aiは多言語対応の拡張を発表した。同じ会議の中で話者の言語が切り替わっても追従できる多言語文字起こし機能を追加し、新たに27言語に対応する。完了後は計31言語となる。このうち中国語、韓国語、ドイツ語、イタリア語、広東語など13言語はすでに提供を開始しており、残る14言語は近日提供予定。新言語はOtter独自の音声モデルに基づき、公開データセットで学習し、ネイティブのボランティアが転写精度を校正した。

  3. Simon Willison氏、Claude Fable 5.2でヨンカーズの巨大メカ3Dアニメを制作

    Simon Willison氏はClaude Fable 5.2 Mediumを使い、Three.jsのアニメーションを生成した。ヨンカーズの境界線を輪郭にした巨大メカが地面から立ち上がり、マンハッタン、ブルックリン、クイーンズ、ブロンクスを踏み歩く。踏みつけ回数とメカの高さの表示付き。アニメーションはOpenStreetMapの地図データに基づき、起立シーケンスとループする踏みつけ巡行を含む。一歩ごとに建物が押しつぶされ、陸上を進むか水を渡るかでステータス行が変化する。

  6. Disney、Adobe Fireflyと組みブランド安全なカスタムAIモデルを構築

    DisneyとAdobeは複数年にわたる提携を発表し、Adobe Firefly Foundryを使ってDisneyブランド向けのカスタムAIモデルを構築する。学習データにはDisneyのキャラクター、環境、ビジュアルスタイルが含まれ、商用利用可能で制作にそのまま使えるコンテンツを生み出す。

  7. Meta、軽量モデル「Muse Ember」を発表　エージェントの実行向け

    Meta Superintelligence Labは軽量モデル「Muse Ember」を発表した。入力価格は100万トークンあたり10セントで、ツール呼び出し、コーディングのサブタスク、ルーティング、抽出、長文書の解析など、エージェントが頻繁にこなす作業を主な用途とする。

11月6日

金曜日

  2. Thinking Machines、Inkling 2 Smallを公開：総パラメータ594B・アクティブ17B、68時間で事前学習

    Thinking Machinesは、総パラメータ594B・アクティブ17BのマルチモーダルMoEモデル「Inkling 2 Small」を公開した。テキストと画像の入力に対応し、1Mのコンテキストウィンドウを持つ。Tinkerで提供を開始しており、Apache 2.0の重みは来週の外部安全テスト完了後に公開される予定だ。

  6. Amazon Marketplace、Amazon SageMaker AIでコンテンツ品質を評価する方法

    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。

  7. 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

  2. Google Research、Agile Deliberationを提案：AIが人間の主観的概念の境界整理を支援

    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。

11月4日

水曜日

11月3日

火曜日

  1. Google、AIアプリ「Dreambeans」をインドに展開、13の現地語に対応

    Googleは実験的AIアプリ「Dreambeans」をインドに拡大した。米国以外では初の市場で、ヒンディー語やパンジャブ語、タミル語など13の現地語に対応する。Calendar、Gemini、Gmail、Photos、Search、YouTubeなどのGoogleサービスと連携し、プロンプトなしでパーソナライズされた画像付きストーリーを生成。最近ではVeoモデルを追加し、一部のストーリーをアニメーション化できるようにした。

  2. Amazon Nova Multimodal EmbeddingsとAmazon Bedrock AgentCoreでマルチエージェント型エンジニアリングインテリジェンスアシスタントを構築

    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。

11月1日

日曜日

  1. Adobe、AIエージェントがPhotoshopのプロのようにツールを選ぶ「EditAgent」を研究

    Adobe ResearchとUCサンディエゴは、画像編集リクエストをステップに分解し、各ステップで汎用エディターと専用ツールに並行して候補を生成させ、検証記録をもとに標準的な言語モデルが一度に比較して最良の結果を選ぶ「EditAgent」を提案した。

  2. Google、スタンフォード大・オックスフォード大と共同で動画エージェント「StreamVibe」を発表、AIが自ら話すべきタイミングを判断

    Googleはスタンフォード大やオックスフォード大などの機関と共同で、動画エージェント「StreamVibe」を発表した。ユーザーが明示した意図、口に出していない意図、タスク途中で変わった意図の3種類を見分け、いつ支援を提供すべきかを自律的に判断する。Qwen3.5-9Bを基に訓練したStreamVibe-VLは、応答のタイミングと品質で他のモデルより10.7%向上し、併設の記憶システムにより能動的なインタラクションがさらに12.3%向上した。

10月31日

土曜日

  1. Google DeepMind、衛星データとAIで世界の森林類型マップForTyを作成

    Google DeepMindと世界資源研究所は共同でForTy（Forest Typology）を開発した。2020年の世界の陸地を10メートル解像度で、原生林、天然再生林、人工林、植林地、油ヤシ・ゴム・カカオなどの樹木作物、その他の土地の6分類に振り分けたもので、著者らはこの種の世界地図としては初としている。

10月30日

金曜日

10月29日

木曜日

10月28日

水曜日

  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。