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。
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
41–60 件目 · 全 80 件9月3日
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。
7月23日
Google Research、日常の症状評価向け対話 AI エージェント SymptomAI を公開
Google Research は SymptomAI 論文を公開した。異なる五つの質問戦略を持つ Gemini Flash 2.0 エージェントで症状の問診と鑑別診断を行い、計13,917人を対象とした。
7月21日
Google DeepMind、Gemini 3.6 Flash、3.5 Flash-Lite、3.5 Flash Cyberを公開
Google DeepMindはGemini 3.6 Flash、3.5 Flash-Lite、サイバーセキュリティー向け3.5 Flash Cyberの3モデルを公開した。
7月15日
Thinking Machines、マルチモーダル公開モデル Inkling と Inkling-Small を発表
Thinking Machines は Hugging Face で Inkling を公開した。約1兆パラメーター、100万コンテキストのマルチモーダル MoE モデルで、画像、テキスト、音声を直接受け取る。同時に総2,760億・稼働120億パラメーターの Inkling-Small も公開した。
7月8日
Mistral AI、具身ナビゲーションモデル Robostral Navigate を公開
Mistral AI は初の具身ナビゲーションモデル Robostral Navigate を公開した。8B モデルで、一般的な RGB カメラ1台だけを使い LiDAR や深度センサーを必要としない。R2R-CE 検証セットの未見環境で成功率76.6%を達成し、最良の単眼方式を9.7ポイント、深度や複数カメラを使う最良システムを4.5ポイント上回った。
7月1日
Hugging Face と Cerebras、Gemma 4 をリアルタイム音声 AI に導入
Hugging Face と Cerebras はリアルタイム音声対音声パイプラインを共同で実演した。Cerebras で Gemma 4 31B の推論を加速し、Nvidia Parakeet の音声認識と Alibaba Qwen3TTS の音声合成をつなぐ。
Google DeepMind、Nano Banana 2 LiteとGemini Omni Flashを公開
Google DeepMindはNano Banana 2 Lite（gemini-3.1-flash-lite-image）とGemini Omni Flash（gemini-omni-flash-preview）の2モデルを公開した。
6月23日
Mistral、文書解析モデル OCR 4 を公開
Mistral は OCR 4 を公開した。文字抽出に加え、境界ボックス、ブロック種別、ページ・単語ごとの信頼度を返す。170言語に対応し、単一コンテナで自社運用できる。600超の文書で独立した評価者による盲検評価を行い、平均72%が OCR 4 を好んだとする。OlmOCRBench は85.20、OmniDocBench は93.07だが、両基準の採点方式には既知の限界があると注意する。
6月9日
Google DeepMind、リアルタイム音声翻訳 Gemini 3.5 Live Translate を公開
Google DeepMind は Gemini 3.5 Live Translate を公開した。70超の言語に対応するほぼリアルタイムの音声対音声翻訳モデルで、言語を自動検出し、話者の抑揚、リズム、声の高さを保つ。
Google DeepMind、統一エンコーダーレス多モーダルモデルGemma 4 12Bを公開
Google DeepMindはノートパソコンでのローカル実行向けマルチモーダルモデルGemma 4 12Bを公開した。エッジ向けE4Bと26B MoEの中間に位置し、エンコーダーを使わない統一構造で、視覚・音声入力をLLMの本体へ直接渡す。