PerplexityのCTOがMCPからAPI/CLIへの移行を発表し、MCPのオーバーヘッドと速度に関する議論が勃発。本記事では、MCPのトークン消費とレイテンシ問題を分析するとともに、Cerebrasのウェハースケールエンジンによる高速推論やMontyインタプリタによる安全なコード実行環境がこれらの問題を緩和し、MCPとCLIの両方に利益をもたらす可能性を探る。

本記事では、マルチエージェントワークフローの構築に関する実践的な教訓を紹介。シングルエージェントの限界から、オーケストレーターとサブエージェントを用いたアーキテクチャへの移行を解説し、5つの検証済みワークフローパターンを詳述します。

本記事では、CodexとFigma MCPを使用してWebサイトのデザインをFigmaに自動的に複製する著者の経験を紹介します。マルチエージェントオーケストレーションにより、コンテキスト制限や実行時間の長さなどの問題を克服し、5分未満で5ページの完全な複製を実現しました。

Cerebrasエコシステムは、超低レイテンシ推論を差別化要因から重要インフラへと変えつつあります。ウェハースケールチップにより従来のGPUベースシステム比で最大15倍の推論速度を実現し、モデルサポート、クラウドサービス、開発者ツールの統合を急速に拡大しています。これにより、開発者はエージェント、コーディングアシスタント、音声インターフェースなどの次世代アプリケーションを容易に構築できるようになり、AI推論のブロードバンド時代を牽引しています。

Cerebras 推論が Cognition の SWE-1.6 および SWE-grep エージェントを強化し、GPU 比約 5 倍のコーディング性能を実現。リアルタイムのコード生成とスムーズな開発体験を提供する。

Cerebrasは、Cerebras Inference上でMulti-LoRA（マルチアダプター低ランク適応）のプライベートプレビューを発表しました。これにより、チームは1つの共有ベースモデルで複数のLoRAアダプターをデプロイし、異なるドメイン、タスク、顧客、ワークフロー向けにモデルを専門化できます。

Cerebrasのブログ記事では、AIが生成するUIの現状、一般的な問題点、そして最新の進歩について探求し、AI支援デザインを改善するための8つの実践的な方法を紹介しています。意図設定と迅速な反復の重要性を強調しています。

2026年初頭、AI競争はモデルのインテリジェンスから推論速度へとシフトしました。Google、Anthropic、OpenAIなどの主要ラボは、コーディング向けの高速推論モデルをリリースしました。高速推論はモデル開発と製品イテレーションを加速し、AIの進歩とビジネスの収益にとって重要な要素となっています。

住宅ローン書類の自動化は、インテリジェント文書処理を活用して、書類中心のワークフローを構造化された機械駆動のプロセスに変換し、効率を向上させエラーを削減します。この記事では、住宅ローン書類処理の複雑さ、自動化ワークフロー（取り込み、分類、抽出、検証、人間によるレビュー、システム統合）、課題、およびLlamaParseを使用した実装のベストプラクティスについて説明します。

本記事では、KYC（顧客確認）ワークフローにおける標準OCR技術の限界を考察します。実際の身分証明書は摩耗、傾いた写真、ホログラム、非ラテン文字などに対応する必要があり、標準OCRでは不十分です。代理型OCR（LlamaParseなど）は、レイアウト認識、モデルオーケストレーション、自己修正ループにより90-95%以上のストレートスルー処理を実現し、銀行、保険、暗号資産取引所などの業界におけるコンプライアンス要件に対応します。

今週のLlamaIndexニュースレターでは、インテリジェントテーブル抽出、ローカル文書検索システムLiteSearch、改善されたWord文書処理、Gemini Live APIとの統合、さらに法的発見やコミュニティプロジェクトのガイドを紹介します。

今週のニュースレターでは、AIエージェント向けに設計された初のOCRベンチマークであるParseBench、LiteParseの急成長、構造認識PDF QAパイプライン、VLM駆動のOCR運用インサイト、NYCフィンテックワークショップ、セキュアなドキュメントエージェントなどを紹介します。

今週のハイライトは、AIエージェント向け初のドキュメントOCRベンチマーク「ParseBench」のリリース、LiteParseのLlamaIndexエコシステムへの正式参加、Anthropic Opus 4.7の総合ベンチマーク、そして来週のNYCフィンテックウィークAIイベントです。

LlamaParse Platform MCPがリファクタリングされ、ストレージ・検索からドキュメント処理へ焦点を移しました。本記事では、MCPが公開するツール、接続方法、設計上の決定事項（OAuth認証、ファイルアップロード解決策、可観測性、レート制限など）について説明します。

liteparse-server は、LiteParse ドキュメント解析エンジンをラップしたセルフホスト型 HTTP API で、PDF、Office 文書、画像をサポートし、正確な空間レイアウトテキスト抽出と OCR を提供します。クラウド解析のレイテンシ、コスト、プライバシーの問題に対処し、RAG やビジョンモデルのワークフローに適しています。2つのデプロイモード：スリムサーバー（依存関係なし）とフルスタック（Redis キャッシュ、レート制限、OpenTelemetry トレーシング、Prometheus メトリクス）。

LlamaParseはマルチモーダルモデルを使用して複雑な法的ディスカバリ文書を解析し、低品質スキャン、視覚コンテンツ、カスタム解析指示を処理して、ダウンストリームの検索と分類を改善します。

ParseBenchは、AIエージェントが実際のエンタープライズ文書を解析する品質を測定する新しいベンチマークであり、表、グラフ、コンテンツの忠実性、意味的書式設定、視覚的グラウンディングの5つの次元をカバーします。約2,000ページのエンタープライズ文書と167,000以上のテストルールを用いた14の手法の評価では、単一の手法がすべてに優れるわけではないが、LlamaParse Agenticが84.9%の総合スコアで、5つの主要次元すべてで競争力のある唯一の手法であることが示されました。

Fireworks AIは、ゲーム向け低遅延コンテナオーケストレーションに特化したHathoraを買収しました。そのリアルタイム・マルチリージョン最適化技術をAI推論に適用し、推論速度と信頼性の向上を目指します。

Fireworks AI は Microsoft Foundry 上でのパブリックプレビューを発表し、高性能なオープンモデル推論を Azure に統合します。DeepSeek V3.2、Kimi K2.5 などの最先端モデルをワンストップで利用可能にし、BYOW と柔軟な価格設定をサポートします。

チームは最新の訓練アルゴリズムを追いかけがちですが、実際のボトルネックは統合の摩擦と反復速度です。本記事では、GensparkやCursorなどの実例を交え、これらのボトルネックを克服する方法と、将来的な自律的ファインチューニングループについて解説します。

Fireworks AIがトレーニングプレビューを発表。Qwen3 8BからKimi K2.5（1兆パラメータ）までのフルパラメータトレーニングをサポートし、トレーニングエージェント、マネージドトレーニング、トレーニングAPIの3つのインターフェースを提供。RL、SFT、DPO、分類タスクで顕著なパフォーマンス向上を実証し、トレーニングと推論の数値的一貫性を確保。

Fireworksは、ユーザー入力内の制御トークン文字列がモデルの制御トークンとして誤ってエンコードされるのを防ぐ安全なトークン化（safe_tokenization）メカニズムを導入しました。この機能はAPIリクエストごとのブール値フラグとして提供され、通常の入力には影響を与えず、制御トークンが解釈されるのを防ぎ、チャットテンプレートの構造を維持します。記事では、問題の原因、攻撃の実演、動作原理、およびモデル出力への影響を詳しく説明しています。

DeepSeek V4 ProがFireworks上で利用可能になりました。初期の推論トレース破損問題によりリリースが遅れましたが、本記事ではその問題、デバッグ、検証プロセスについて詳述します。

本記事では、混合エキスパート（MoE）モデルにおいて、浮動小数点加算の非結合性に起因する学習時と推論時の数値的不一致について深く分析します。Kimi K2.5とQwen3.5-MoEの実例を通じて、全リデューストポロジの違い、通信と計算の融合、MoEの多操作融合が引き起こす数値のずれを明らかにし、解決策と測定方法を提案します。

DeepSeek-V4のトレーニングシステムは、アーキテクチャ、ルーティング、報酬モデリング、推論モード、蒸留、エージェント実行をトレーニングループに統合します。主な革新には、ハイブリッドアテンション（CSA/HCA）、安定性のための先見的ルーティング、同一重みからの3つの推論モード、生成的報酬モデル、全語彙ロジットを使用したオンポリシー蒸留、ランタイムをループに取り込むエージェンティックトレーニングが含まれます。この傾向は、固定レシピがプログラマブルなトレーニングインフラに取って代わられることを示しています。

Fireworks のブログ記事では、トレーニング SDK と最適化（低精度量子化、オプティマイザ状態のオフロード、構成可能な並列化、Blackwell ネイティブ精度、ストリーミングパイプラインパラレリズム）を用いて、数兆パラメータの MoE モデルの学習をスケーリングする方法を詳述しています。LoRA と全パラメータ学習の両方をサポートし、幅広いモデルカタログに対応します。

AIエージェントのボトルネックはモデル能力ではなく、コンテキストエンジニアリングにある。市場インテリジェンスエージェントが10-K報告書を分析する例を用いて、現在のアプローチ（Agentic RAGやサンドボックス内のコーディングエージェント）の非効率性を説明。Pineconeは、Context Compilerによる自動コンテキスト構築とKnowQL宣言的クエリを備えたKnowledge Engine「Nexus」を導入し、精度、レイテンシ、コストを改善する。

Pinecone Marketplace を使用すると、チームは既存の知識（ドキュメント、マニュアル、ポリシーなど）をエンジニアリングのオーバーヘッドなしに AI 搭載アプリケーションに変換できます。テンプレートを使用し、ソースを引用し、瞬時に公開することで、従来の検索とカスタム構築ソリューションのギャップを埋めます。

Pineconeは、AIエージェント向けの知識エンジンNexusを発表。検索から知識コンパイルへとパラダイムをシフトし、タスク完了率を向上させ、トークン消費を削減します。同時にKnowQLクエリ言語とPinecone Marketplaceも公開。

GroqCloudは、リモートモデルコンテキストプロトコル（MCP）サーバー統合のベータ版提供を発表。OpenAI互換のAPIを介して外部ツールに接続でき、コード変更なしで高速かつ低コストなAIアプリケーションを実現します。