Google DeepMind、フロンティアモデル「Gemini 4 Argon」を発表
Google DeepMindは新たなフロンティアモデル「Gemini 4 Argon」を発表した。まずFairwind Programの信頼できるサイバー防御担当者に開放し、その後開発者、企業、消費者向けに提供する。価格は入力100万トークンあたり2ドル、出力100万トークンあたり10ドルから。
マルチモーダル
すべてのトピックテキスト以外の能力：画像理解、画像とテキストの混在、音声と動画の入出力に関するモデルとプロダクト。
最新の精選
1–20 件目 · 全 47 件10月1日
9月29日
Microsoft Research、Quineを公開：生物学の複雑さを扱うAI研究システム
Microsoft Researchは生物学の複雑さを扱うAI研究システムQuineを公開した。配列、構造、機能、細胞状態、画像などのマルチモーダルデータで学習した生物世界モデルと、モデル、科学ツール、文献、実験担当者をつなぐ対話型ハーネスから構成される。
AINews：Opus 5.5は解説動画の生成が得意
Latent SpaceのAINewsは9/24～9/25の動向をまとめ、今週公開されたOpus 5.5へのコミュニティーの反応は好意的で、特にコードで解説動画を生成する能力が優れているとした。
AMD、約82億ドルの全額株式交換でWorld Labsを買収
AMDは李飛飛が共同設立したAI研究所World Labsを約82億ドルの全額株式交換で買収すると発表した。年末までに完了する見込みだ。World Labsは2024年に設立され、数か月で評価額10億ドルに達した。2025年には初の商用製品Marbleを公開し、プロンプトから操作可能な3D世界を生成できる。
9月25日
Google Research、長尺動画研究を公開、AI 動画共同監督と四つのエージェントの枠組み
Google Research は長尺動画生成の研究を公開し、AI 動画共同監督という複数エージェントの編成フレームワークを提案した。Gemini と Veo を基盤に、複数ショットの物語で視覚的一貫性を計画する。
Google DeepMind、Gemini 3.8 Live with Live Avatarを公開
Google DeepMindはGemini 3.8 Live with Live Avatarを公開した。ネイティブなリアルタイム対話モデルにほぼリアルタイムの動画生成を加え、聞く、見る、話すことのできる動的な視覚アバターを実現し、本日からGemini Enterpriseで提供する。
9月24日
Meta Connect 2026：Muse エージェント、眼鏡ハードウェア、リアルタイム音声
Meta は Connect 2026 で Muse を個人エージェントとして位置付け、その周辺のハードウェアと機能を更新した。音声とリアルタイム動画に対応し、バックグラウンドで作業を実行し、すべての Meta 眼鏡に導入される。各 Muse は独立したメールアドレスを持ち、Mac 版は computer use に対応し、コネクタープラットフォームには1,500超のアプリがある。
9月23日
Google DeepMind、Gemini 3.8 Flash TTSとFlash-Lite TTSを公開
Google DeepMindは音声生成モデルGemini 3.8 Flash TTSとGemini 3.8 Flash-Lite TTSを公開した。前者はキャラクター設計と行ごとの演技指示、後者は同時処理数の多い吹き替えと音声エージェント向けである。
9月22日
Xiaomi、1T-A42Bのオープン全モーダルモデルMiMo-V2.6-Proを公開、学習費用は約300万ドル
Xiaomiは全モーダルモデルMiMo-V2.6-ProとMiMo-V2.6-Flashを含むMiMo-V2.6シリーズを公開し、出力速度を最大20倍に高めるMiMo-V2.6-Pro-UltraSpeedも発表した。
9月3日
Google DeepMind、全球天気予報 AI モデル WeatherNext 3 を公開
Google DeepMind と Google Research は WeatherNext 3 を公開し、現時点で最も高度で正確な全球天気モデルとした。リアルタイムの静止地球観測衛星データから直接学習し、毎時予報を生成する。主要地表変数の解像度は5 kmで、全体では WeatherNext 2 の約5倍鮮明だ。
9月2日
Google DeepMind、Gemini 3.7 Flashなどにエージェント型動画理解を導入
Google DeepMindはGemini 3.7 Flash、3.6 Flash、3.5 Flash-Liteにエージェント型動画理解を導入した。動画分析のトークン消費を最大88%、費用を最大66%削減し、正確さを最大7%高める。
8月28日
Google DeepMind、Gemini Omni 1.1 Flash を公開
Google DeepMind は Gemini Omni 1.1 Flash を公開した。動画生成の制御性を高め、Google AI Studio の Gemini API から開発者に提供する。
8月17日
Google Research、スマートフォン写真で体組成を推定しインスリン抵抗性を予測するPhotoScanを提案
Google Researchは、普通の2Dスマートフォン写真から体脂肪率、A/G比、V/S比を推定し、インスリン抵抗性を予測する深層学習フレームワークPhotoScanを提案した。
8月12日
Google DeepMind、手話からテキストの SL2T、Pixel 11 の Gboard と Live Transcribe に初導入
Google DeepMind は多言語手話からテキストへのモデル SL2T を公開し、初めて消費者製品に導入した。Pixel 11 の Gboard と Live Transcribe で米国手話（ASL）を英語テキストに変換し、今後さらに多くの端末と言語へ拡大する。
Google研究チーム、専門家水準のリアルタイム動画診療向けAMIE (Video)を公開
Google ResearchはGeminiとProject Astraを基盤にしたAMIE (Video)を公開した。リアルタイムの動画診療を行い、非言語的な手掛かりを捉え、仮想的な身体診察を案内できる。
8月11日
NVIDIA、12言語対応のオープンウェイト音声モデルMagpie TTS Multilingualを公開
NVIDIAは3億6400万パラメーターのオープンウェイト音声合成モデルMagpie TTS Multilingualを公開した。英語、スペイン語、フランス語、ドイツ語、イタリア語、ベトナム語、中国語、ヒンディー語、日本語に加え、新たな現代標準アラビア語、韓国語、ブラジルポルトガル語の計12言語に対応する。
8月10日
Meta、ローカルエージェント向けのオープンソース多モーダルモデルMuse Glimmer 30Bを公開
MetaはMuseから30Bパラメーターへ蒸留したマルチモーダルモデルMuse GlimmerをApache 2.0で公開した。コーディング、文書分析、個人アシスタントなどのローカルエージェント用途を主に想定する。
8月4日
Mistral AI、3Bのオープンなマルチモーダル安全分類器Shieldstralを公開
Mistral AIは30億パラメーターのオープンウェイト安全分類器ShieldstralをApache 2.0で公開した。16GBのNVIDIA GPU1枚で動く。コンテンツ審査を方針に適応する質問回答として扱い、推論時に方針を自然言語で記述すれば、再学習なしで校正済みの安全スコアを返す。文字と画像を共通に処理する。公式説明では、文字の安全性で最大7倍の規模のモデルに匹敵し、マルチモーダル審査のベンチマークで新たな最高成績を達成した。
7月30日
Google DeepMind、具身推論モデル Gemini Robotics ER 2 を公開
Google DeepMind は Gemini Robotics ER 2 を公開した。ロボットの高位の頭脳として、動画理解、複数段階の作業計画、複数ロボットの協働に対応し、動作実行を下位の VLA モデルへ任せられる。
7月28日
Google DeepMind、ロボットに全身知能をもたらす Gemini Robotics 2 を公開
Google DeepMind は次世代ロボット知能層 Gemini Robotics 2 を公開した。初めて人型ロボット全体の全身制御を実現し、両手とグリッパーの精密操作に対応する。