企業トラッカー
Hugging Face の最新 AI ニュース、製品、モデル、エコシステム、業界動向。
本記事では、Amazon SageMaker HyperPod 推論の新機能 5 つを紹介します。監査とモデル改善のためのマルチティアデータキャプチャ、Hugging Face Hub からの直接デプロイ、コールドスタート高速化のためのローカル NVMe モデル読み込み、カスタムドメインの自動 Route 53 DNS 管理、カスタムサービスアカウントによるポッドレベル IAM です。これらの機能により、エンタープライズ向け生成 AI ワークロードのための、より高速で可観測性が高く柔軟な推論インフラストラクチャが実現します。
この動きは、物理AIのアクセシビリティと展開を支援し、Nvidiaのこの分野での既に強い存在感をさらに高めるものと見られている。
NVIDIAは、エージェントAIの構築におけるオープンデータと合成データの重要性を強調し、データの検査可能性、品質、信頼を重視しています。Nemotronデータセット、Prompt Atlas可視化ツール、地域的多様性のための合成ペルソナについて詳細に説明しています。
このAINews号は2026年7月6日から7日までの幅広いAI開発をカバーしています。ハイライトには、Lilian Wengによる再帰的自己改善のためのハーネス工学への深掘り、MetaのMuse ImageとMuse Videoの発表（エージェント生成ループを備える）、Anthropic、LangChain、Googleによるエージェントプラットフォームの主要製品アップデートが含まれます。その他注目点：NVIDIAのAudexオーディオモデル、Cohereのアラビア語ASR、Hugging FaceとNVIDIAとのロボティクス統合、Liquid AIのAntidoom（推論ループ失敗削減）、Anthropicの論争を呼んだJ-space解釈可能性研究。また、エージェントと法律AIのベンチマーク、研究自動化、推論効率の進歩もカバーしています。
TransformersライブラリのvLLMバックエンドが、多くのLLMアーキテクチャにおいてカスタムvLLM実装と同等以上の推論速度を達成。モデル作者は追加コードなしで超高速推論を利用可能に。
QualcommはNexa AIを買収し、Hexagon NPU向けに最適化されたGenAIランタイムGenieXをオープンソース化しました。Snapdragonデバイス上でLLMやVLMをローカル実行可能にし、CLI、Python、Kotlin/Java、Docker、OpenAI互換サーバーなど複数のインターフェースを提供。Hugging FaceのGGUFモデルとQualcomm AI Hubのバンドルをサポートします。
Hugging FaceとAmazon SageMaker AIのディープリンク統合により、モデル発見からSageMaker Studioでの実験までをワンクリックで実現。権限の自動構成、GPUクォータの表示、モデルのカスタマイズとデプロイをサポートし、発想からエンタープライズ展開までの道のりを短縮します。
NVIDIAとHugging Faceは、ヒューマノイドロボット向けのNVIDIA Isaac GR00T 1.7モデルとIsaac TeleopフレームワークをLeRobotに統合し、さらにNVIDIA Cosmos 3の追加も計画しています。これらの統合により、開発者はロボット開発のためのよりアクセスしやすく標準化されたパスを得られ、オープンロボティクスコミュニティの革新を促進します。
SkyPilotとHugging Faceの連携により、モデルとデータセットをHubに保存し、SkyPilotを使っていずれのクラウドでもデータ転送料金なしで計算を実行できます。
LeRobot v0.6.0 は、世界モデルポリシー（VLA-JEPA、FastWAM、LingBot-VA）、新しいVLA（GR00T N1.7、MolmoAct2など）、報酬モデルAPI（Robometer、TOPReward）、6つの新しいシミュレーションベンチマーク、DAgger補正付きデプロイメントCLI、深度センシング、自動言語アノテーション、最大2倍高速なデータローディング、クラウドトレーニング、より軽量なインストールを導入し、ロボット学習ループを閉じることを目指しています。
Hugging Face と Amazon SageMaker AI は、開発者がモデル発見から SageMaker Studio での実験までワンクリックで移行できるディープリンク統合を発表しました。この統合により、権限が事前設定され、GPU クォータが表示され、微調整とデプロイのワークフローが合理化されます。
IOL-AI 2026チャレンジがHugging Face Spacesで公開され、AIモデルが言語学オリンピックの問題を解く能力をテストします。研究者は革新的なソリューションを提出できます。
この記事では、7Bテキストから画像へのモデルPRXのデータパイプラインについて詳しく説明しています。多様な事前学習データセットを公開・内部データセットから構築し、VLMを使用して長く正確なキャプションを生成し、データセット構築にはLance、ストリーミングにはMDSを使用しています。チームは、品質92のJPEGエンコーディングの選択、オンザフライのテキスト潜在変数の計算、データ断片化に関する教訓について説明しています。
このチュートリアルでは、Tunix、JAX、LoRA、カスタム報酬関数を使用して、Gemma-3がGSM8K数学問題を解決するためのエンドツーエンドのGRPOトレーニングワークフローを構築します。環境準備、Hugging Face認証、モデル読み込み、プロンプト形式設計、報酬関数定義、LoRAアダプター適用、ベースライン評価、GRPOトレーニングをカバーします。
Hugging Face の Kernels プロジェクトは、カスタムカーネルのパッケージ化、配布、利用を標準化することを目的としています。この記事では、主要なアップデートをまとめています。新しい「カーネル」リポジトリタイプによる発見性の向上、信頼できるパブリッシャーとコード署名によるセキュリティ強化、CLI の再設計、Torch Stable ABI と Apache TVM FFI のサポート拡張、エージェントによるカーネル開発の基盤、環境セットアップや互換性チェックの改善などです。
Leanstral 1.5 は、無料の Apache-2.0 ライセンスモデルで、119B の総パラメータと 6B のアクティブパラメータを持ち、形式検証において大きな性能向上を実現しました。miniF2F を飽和させ、PutnamBench で 587/672 の問題を解決し、FATE-H (87%) と FATE-X (34%) で最先端の結果を達成。中間トレーニング、教師ありファインチューニング、CISPO を用いた強化学習を経て、エージェント指向の証明工学と実世界のコード検証で優れた能力を発揮し、57 のリポジトリで 5 つの未知のバグを発見しました。完全にオープンソース化され、Hugging Face と無料 API から利用可能で、Lean 4 での実用的な証明工学が可能になりました。
Wiolaは、GPT、LLaMA、Mistral、Falconなどの既存モデルファミリーとは無関係に、第一原理から構築された完全にオリジナルの小型言語モデル（SLM）アーキテクチャです。螺旋回転位置符号化（SRPE）、ゲート付き層間注意（GCLA）、適応型トークン統合（ATM）、二重ストリームフィードフォワード（DSFF）、WiolaRMSNormの5つの新しいコンポーネントを導入しています。4つのサイズ（120M、360M、700M、1.5Bパラメータ）でリリースされ、HuggingFace Transformersと完全互換です。
Hugging Face と Cerebras は、Gemma 4 を活用したリアルタイム音声AIシステムを発表。オープンなモジュラーアーキテクチャによりレイテンシを大幅に削減し、自然な対話を実現する。Nvidia の音声認識、Cerebras の高速推論、Alibaba の音声合成を統合し、9,000台以上の Reachy Mini ロボットに導入されている。
研究者らは、Hugging Faceなどのプラットフォーム上のAIアプリを初めて体系的にセキュリティ分析し、5つの脅威カテゴリと10の攻撃ベクトルを特定しました。97万以上の公開AIアプリを分析した結果、数千が認証情報を漏洩し、数百がコード実行の脆弱性を持ち、数十にバックドアが埋め込まれていることが判明しました。
IBM Researchは、エンタープライズJavaにおけるクロスフレームワーク移行タスクのAIエージェントを評価するためのオープンベンチマークScarfBenchを発表しました。ベンチマークには34のアプリケーション、102のフレームワーク実装、204の移行タスクが含まれています。現在のトップエージェントの行動成功率は10%未満であり、移行中の振る舞い保持の難しさが浮き彫りになっています。
本稿は、最適化理論、進化生物学、競争市場、機械学習の四つの視点から、専門化が限られたリソース下でシステムの性能を向上させる必然的な道であることを論じる。著者は、汎用性は性能上の優位性ではなく、有限リソースではタスクを絞り込むことが効果的だと指摘する。また、専門化とドメイン知識の違いを明確にし、スケーリングがこの根本的な制約を変えないと述べる。
Every Eval Ever（EEE）とHugging Face Community Evalsが相互運用可能になり、評価結果のクロスポストと解釈が可能になり、オープンモデル、リーダーボード、統一された標準化メタデータストアへのリンクが提供されます。
DiScoFormerは、データポイントの集合から分布の密度とスコア（対数密度の勾配）を一回の順伝播で推定する新しいトランスフォーマーモデルです。再学習不要で、クロスアテンション、共有バックボーン、一貫性損失を利用して分布に適応します。100次元では、最適なKDEと比較してスコア誤差を約6.5倍、密度誤差を37倍以上削減します。
Kog は、高速シングルリクエスト推論のために一から設計された23億パラメータの命令チューニング済みコーディングモデル「Laneformer 2B」をリリースしました。モデルアーキテクチャと推論エンジンを共同設計することで、Kog は Delayed Tensor Parallelism とレーン構造の Transformer を導入し、通信オーバーヘッドを隠蔽します。このモデルは競争力のあるコーディングベンチマーク（HumanEval+ 45.1%、MBPP+ 51.6%）を達成し、Hugging Face でオープンソース化されています。
本チュートリアルでは、Hugging FaceのFable 5 Tracesデータセットを中心に、Colabで堅牢なワークフローを構築します。脆弱な依存関係を避けるため、マージされたJSONLファイルを手動で解析し、ツール呼び出しを正規化し、データ構造を監査し、秘密情報を検出・編集し、純Pythonのナイーブベイズベースラインを学習して出力タイプとツール使用を予測します。
このチュートリアルでは、NVIDIAのOpen-SWE-Tracesデータセットを使用して、エージェント型ソフトウェアエンジニアリングの軌跡を教師ありファインチューニングに備える方法を紹介します。Hugging Faceからのストリーミング、マルチターン対話の正規化、コードパッチの解析、分析DataFrameの構築、および成功ラベル、トークン制限、言語フィルタに基づく高品質軌跡の選択について説明します。
Hugging Faceのインフラ上で、サーバーのプロビジョニングやKubernetesを必要とせず、1つのコマンドでプライベートなOpenAI互換のLLMエンドポイントを起動できます。秒単位の課金です。起動、クエリ、クリーンアップ、大規模モデルへの拡張、チャットUIの作成、SSHデバッグ、コーディングエージェントのバックエンドとしての利用まで、完全なフローをカバーし、Inference Endpointsとの比較も行います。
Ai2チームは、7BパラメータのTransformerモデルOlmo 3とハイブリッドモデルOlmo Hybridを比較。ハイブリッドモデルは内容語（名詞、動詞、形容詞）や文脈推論が必要なトークンで優れるが、繰り返しトークンや閉じ括弧では優位性が消失する。トークンレベルの損失フィルタリングにより、アーキテクチャ間の微妙な差異が明らかになった。
NVIDIA NeMo AutoModelはHuggingFace Transformers v5をベースに、エキスパート並列化、DeepEP融合オールツーオールディスパッチ、TransformerEngineカーネルを追加し、MoEモデルのファインチューニングでトレーニングスループットを3.4～3.7倍、GPUメモリを29～32%削減、API変更は不要。
CUGAはIBMが開発したオープンソースのエージェントハーネスで、エージェント構築における配管作業を処理し、開発者はツールリストとプロンプトのみを記述すればよい。本記事では、IBM Cloudアドバイザーアプリの例を通して、CUGAの計画、リフレクション、ポリシーシステムがどのように堅牢で本番運用可能なエージェントを実現するかを解説する。
この記事では、Cross-Origin Storage（COS）APIの提案を紹介します。このAPIは、暗号化ハッシュを使用してファイルを識別することで、WebアプリがAIモデルやWasmランタイムなどの大規模ファイルをオリジン間で共有できるようにします。Transformers.jsを例に、現在のキャッシュ分離が引き起こす重複ダウンロードの問題と、COSがハッシュベースの識別、柔軟なアクセス制御、整合性検証によってどのように解決するかを説明します。
Hugging Faceチームは、AIとオープンソースツールを活用してhuggingface_hubのリリースサイクルを4～6週間から毎週に短縮し、人間による最終レビューを残しました。新しいパイプラインは1リリースあたり約0.25ドルのコストで、リリースノートの品質と統合問題の発見が向上しました。
PP-OCRv6 は PaddleOCR の最新の汎用 OCR モデルファミリーで、1.5M から 34.5M パラメータの 3 つのティアにわたり、50 言語をサポートします。PP-OCRv5_server と比較して、テキスト検出の Hmean が +4.6 ポイント、認識精度が +5.1 ポイント向上しました。新アーキテクチャには PPLCNetV4 バックボーン、RepLKFPN 検出モジュール、EncoderWithLightSVTR 認識モジュールが含まれます。Paddle Inference、Transformers、ONNX Runtime の複数の推論バックエンドをサポートします。
OpenClawのメンテナーがローカルのオープンウェイトモデル（Gemma、Qwen）をエージェントハーネスで使用し、イシューやプルリクエストをリアルタイムでトリアージするシステムを構築。クローズドモデルに匹敵する性能をローカルハードウェアで実現。
Salesforce CodeGenのエンドツーエンドワークフローを実装し、Hugging Faceからモデルをロードします。基本的な推論を超えて、関数抽出、構文チェック、静的セキュリティチェック、単体テスト検証を追加します。ベストオブN候補の再ランク付け、マルチターン合成、プロンプトスタイルの実験を行い、最後にミニベンチマークを可視化して生成アーティファクトを再利用可能なファイルとしてエクスポートします。
ディープリサーチエージェントがプライベート文書とWeb検索を組み合わせると、クエリログを通じて機密情報が意図せず漏洩する可能性があります。MosaicLeaksベンチマークはこのプライバシーリスクを定量化し、Privacy-Aware Deep Research (PA-DR) と呼ばれる訓練手法を提案します。これにより、タスクパフォーマンスを維持しながら情報漏洩を3倍以上削減します。
LoRAは最も人気のあるパラメータ効率的ファインチューニング（PEFT）技術だが、特定のタスクでは他の手法が優れることを研究が示している。本記事では、Hugging FaceのPEFTライブラリとそのベンチマークを紹介し、ニーズに応じた適切なPEFT技術の選択方法を解説し、LoRAが常に最良とは限らないと指摘する。
新しいベンチマークフレームワークは、AIエージェントがソフトウェアライブラリを使用する際のプロセス全体の労力を評価します。Hugging Face Transformersをケーススタディとして、トークン使用量、時間、エラー率を異なるモデルとツール階層で測定し、使いやすさとリソース消費のトレードオフを明らかにします。
MolmoMotionは、ビデオフレーム、オブジェクト上の3D点、および言語指示から、数秒後の3D点軌跡を予測する新しい3D動作予測モデルです。ロボット計画や制御可能なビデオ生成で既存手法を凌駕します。最大のデータセットMolmoMotion-1MとベンチマークPointMotionBenchも公開しています。
AWSのオープンソースSDK「Strands Robots」がLeRobotを統合し、開発者は単一のAgentワークフローでHubデータセットから学習し、シミュレーションまたは実ロボットにポリシーをデプロイできます。本記事では5つのステップを解説し、ラップトップで実行可能なサンプルを提供します。
Z.AI が最新フラッグシップモデル GLM-5.2 を発表。長期間タスクに特化し、安定した 1M トークンコンテキストを提供。コーディングベンチマークで優れた性能を発揮し、IndexShare アーキテクチャで計算コストを削減。努力レベル制御により柔軟性を実現。MIT ライセンスで公開。
Agentic Resource Discovery（ARD）仕様は、AIエージェントがツール、スキル、他のエージェントを動的に発見できるようにする発見レイヤーを提供します。Hugging Face はHub上でリファレンスツールを実装し、自然言語検索を可能にしています。
米中のAI競争において、オープンソースとクローズドソースの哲学の違いが勝敗を分ける可能性がある。中国のAIラボは積極的にオープンソースモデルを公開する一方、OpenAIやAnthropicなどの米国企業はクローズドソースを好む。元Hugging Faceのアジア太平洋地域エコシステム責任者であるTiezhen Wang氏が、オープンソースモデルの歴史、中国のAIラボの収益化方法、モデル蒸留と知的財産をめぐる議論について語った。
olmo-evalは、LLM開発中の反復的な評価サイクルをサポートする新しい評価ワークベンチです。OLMES標準を基盤とし、柔軟なタスク定義、交換可能な実行時ポリシー、詳細な質問ごとの比較機能を提供し、開発者が介入が有意かどうかを判断するのに役立ちます。
本記事は PyTorch プロファイリングシリーズの第2部であり、nn.Linear レイヤーの内部機構（転置操作、バイアス融合エピローグ技術、torch.compile の影響）を掘り下げます。その後、GeGLU 活性化関数を含む多層パーセプトロン (MLP) のパフォーマンス特性を解析し、GPU カーネルのスケジューリングと実行を示します。
Cohere は、エージェント型ソフトウェアエンジニアリングタスク向けに設計された、300億パラメータのMixture-of-Expertsモデル（アクティブパラメータ30億）「North Mini Code」をリリースしました。Apache 2.0ライセンスでHugging Face上で公開され、コーディングベンチマークで競争力のある性能を達成しています。
この記事では、Hugging Face 上の 90,000 以上のテキストから画像へのモデルから、2026 年に注目すべき 7 つのモデルを厳選。FLUX.1 Schnell、FLUX.1 Dev、FLUX.1 Kontext Dev、Stable Diffusion 3.5 Large、FLUX.2 Dev、Playground v2.5、Kolors について、ライセンス、最適な用途、実際のトレードオフを詳しく解説します。
コーディングエージェントが2つのHugging Face Space（画像生成と3Dガウシアンスプラット再構成）をagents.md経由で呼び出し、パリのモニュメントを展示する3Dウェブサイトを自動構築。画像生成ツールや3D再構築ツールを直接使うことなく、エージェントが各SpaceのAPIを連鎖させて結果を統合。本記事は、マルチメディアAIにおける「ビルディングブロック経済」の到来を示し、モデルを呼び出し可能な部品としてエージェントが自在に組み合わせることで、統合障壁を劇的に低減する可能性を強調している。
NeuroBaitは、ADHDの脳がタスクを開始できない「実行機能障害」を克服するために、ドーパミンを刺激するように微調整されたAIモデルです。著者の妻の観察から生まれ、従来のToDoリストではなく、温かみのある流れるような散文で小さな実行可能な一歩を提供します。LoRAを用いてGemma 3 12Bを微調整し、Hugging Face Spaceにデプロイされています。ADHDに限らず、圧倒されていると感じる誰でも役立ちます。
HushはWeya AIが開発したオープンソースの音声強調モデルで、音声AIエージェント向けに設計されています。CPU上でリアルタイムに主話者を分離し、背景ノイズや競合する声を抑制し、レイテンシは1ms未満です。モデルサイズは8MB、Apache 2.0ライセンスで、Hugging FaceのAudio-to-Audioリーダーボードで5位にランクインしています。