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。
Perplexity AIは、Rustで再実装したUnigramトークナイザーをオープンソース化し、Hugging Face tokenizers crateと比較してp50レイテンシを5倍低減、本番環境でのCPU使用率を5〜6倍削減しました。最適化には、ダブルアレイトライ、ビットマップパッキング、ヒュージページが含まれます。
Artificial AnalysisとIBMが、エンタープライズITエージェントタスク向けのベンチマークITBench-AAを発表。サイトリライアビリティエンジニアリング（SRE）に焦点を当て、フロンティアモデルはすべて50%未満のスコアで、Claude Opus 4.7が47%でトップ。このベンチマークは、Kubernetesインシデント対応におけるモデルの診断能力を評価する。
本記事では、Reachy Miniロボット向けにクラウドやAPIキーを必要としない完全ローカルの音声会話パイプラインをデプロイする方法を詳しく説明します。VAD、STT、LLM、TTSを組み合わせたカスケード方式を採用し、推奨デフォルトとしてllama.cppとGemma 4、Silero VAD、Parakeet-TDT 0.6B v3 STT、Qwen3-TTSを使用します。ローカルMLX、Transformers、vLLM、リモートResponses APIなど、さまざまなLLMオプションが提供されています。
本稿はAIエージェント分野で混同されがちな用語、特に「ハーネス」（実行層）と「スキャフォールド」（行動定義層）の違いを明確にし、モデル、エージェント、ツール使用、サブエージェント、訓練関連概念を解説する。
NVIDIA が Nemotron-Labs 拡散言語モデルシリーズを発表。トークンを並列生成し反復的に洗練する手法により、従来の自己回帰モデルと比較して最大 6.4 倍の推論速度向上と高い精度を実現。8B モデルは Qwen3 8B を精度で 1.2% 上回る。
ある企業がAI調達において、30億パラメータの専門化モデルが品質、コスト、生産安定性のすべてで商用フロンティアAPIを上回り、コストは約52分の1であることを発見しました。これは「パラメータが多いほど良い」というデフォルトの仮定に挑戦し、パラメータ数よりもトレーニング履歴とタスクの分布アライメント（分布的一致）が重要であることを示しています。
オープンソース運動がAIのブレークスルーをロボティクスに持ち込み、参入障壁を低減している。ROSフレームワークからNVIDIA、Hugging Face、Alibabaのモデルまで、ロボットの推論、決定、行動の能力がより多くの人々に利用可能になりつつある。しかし、商業的インセンティブと学術的理想の間の緊張が新たな課題を生んでいる。
Allen AI が OlmoEarth v1.1 を発表。解像度ごとのトークンを統合することで、計算コストを最大3分の1に削減し、v1 と同等の性能を維持。大規模なリモートセンシング解析向けで、パートナーによるグローバル展開が進んでいる。
本記事では、LoRAおよびDoRAというパラメータ効率的なファインチューニング手法を用いて、NVIDIA Cosmos Predict 2.5世界モデルを単一GPUでロボット動画生成に適応させる方法を解説します。データ準備、アダプター初期化、訓練ループ、推論方法、評価指標について詳述します。
IBMがGranite Embedding Multilingual R2シリーズを発表。97Mおよび311Mパラメータの2つの多言語埋め込みモデルで、ModernBERTベース、32Kトークンコンテキスト、200+言語対応。MTEB多言語検索ベンチマークで97Mモデルは1億パラメータ未満で最高、311Mモデルは5億パラメータ未満で2位を獲得。
新しいオープンソースモデルGLiNER2-PII（0.3Bパラメータ）が、PII検出において最先端のパフォーマンスを達成し、SPYベンチマークでOpenAIのプライバシーフィルターを上回りました。42のエンティティタイプを認識し、多言語合成コーパスで訓練されています。モデルはHugging Faceで公開されています。
現代のAIアーキテクチャを理解することはかつてないほど難しくなっています。この記事では、Hugging FaceのモデルURL内の「huggingface.co」を「hfviewer.com」に置き換えるだけで、モデル構造をインタラクティブな可視化グラフに変換する簡単な方法を紹介します。このツールはトランスフォーマー、ビジョン、マルチモーダルモデルをサポートし、セットアップ不要です。ターミナルコマンドやブラウザ拡張機能による高速アクセスも可能です。
本記事では、CPUとGPUのワークロードを分離することで推論性能を大幅に向上させる方法を解説します。連続バッチ処理はバッチを密に詰めることでGPU利用率を高めますが、同期動作によりCPUとGPUが交互に待機し、全実行時間の約4分の1を無駄にします。非同期バッチ処理では、デフォルト以外のCUDAストリームとイベントを使用してCPUとGPUを並列動作させ、待機時間を排除し、24%の無料高速化を実現します。記事では、CUDAストリーム、イベント、およびそれらを連続バッチ処理に適用する方法を詳しく説明し、transformersライブラリでの実装コードを紹介します。
OpenAIのリリースを装った悪意あるHugging FaceリポジトリがWindowsマシンに情報窃取型マルウェアを配布し、削除前に約244,000回のダウンロードを記録しました。研究者らは、公開AIモデルレジストリがサプライチェーンリスクをもたらすと警告しています。
本記事では、AWSにおけるファウンデーションモデルの事前学習、事後学習、推論のためのインフラコンポーネント（GPUインスタンス、Elastic Fabric Adapter、Lustreファイルシステム、UltraCluster/UltraServerアーキテクチャ）を分析し、オープンソースソフトウェアがリソース管理と監視において果たす役割を強調します。
AMD Strix Halo APU（gfx1151）上で大規模言語モデルをフルファインチューニングおよびLoRAファインチューニングするためのガイド。ROCm互換性の問題を回避し、HuggingFace Trainerを直接使用します。
Unslothは、PyTorchエコシステムに正式に加わりました。同社はオープンソースのAI最適化ライブラリを提供し、モデル訓練の高速化、量子化、Unsloth Studio UIなどで知られています。PyTorchチームとの協業により、FP8強化学習、携帯電話向けExecuTorch、量子化認識訓練（QAT）などのプロジェクトを推進。コミュニティではHugging Faceで2.5億ダウンロード、200人以上のコントリビューターを達成しています。
MachinaCheckは、AMD MI300XをベースにしたマルチエージェントAIシステムで、STEPファイルをアップロードするだけで30秒でCNC製造可能性レポートを生成します。完全にオンプレミスで動作し、知的財産を保護します。
CrusoeとNVIDIA Dynamoは、HuggingFace比平均9.1倍の高速化を実現し、長コンテキストワークロードでTTFTを最大40%削減するオープンソースのRust BPEトークナイザーfastokensを開発しました。
Hugging Faceの共同創業者兼CEOであるClem Delangue氏が、オープンソースAIの現状とシーシュポスの神話について語った。彼は、AIエンジンを車に例えるような単純な比較を避けるべきだと主張している。
OncoAgentは、オープンソースでプライバシー保護型の腫瘍学向け臨床意思決定支援システムです。二層LLMアーキテクチャ（9B高速モデルと27B深層推論モデル）、マルチエージェントLangGraphトポロジー、70以上のNCCNおよびESMOガイドラインをカバーする修正RAGパイプライン、そしてZero-PHIポリシーを備えた3層反射安全バリデーターを特徴とします。複雑性スコアリングによってクエリをルーティングし、AMD Instinct MI300X上でファインチューニングされ、56倍のスループット高速化を達成しました。データ主権を確保するため、オンプレミス展開をサポートします。
CyberSecQwen-4Bは、Qwen3-4B-Instructからファインチューニングされた小型のサイバーセキュリティ特化モデルで、データプライバシー、コスト、オフライン展開のニーズに応えます。CTI-Benchベンチマークで、8BパラメータのCisco Foundation-Sec-Instructモデルと同等かそれ以上の性能を、半分のパラメータ数で達成し、1枚のコンシューマGPUで動作します。記事では、トレーニング手法、データソース、ベンチマーク結果、今後の方向性を詳述しています。
Allen AIがEMOモデルを公開。これは、人間が定義した事前知識に頼らず、データから直接モジュール構造が創発するようにエンドツーエンドで事前学習された混合専門家（MoE）モデルです。EMOは、タスクごとに専門家のわずか12.5%を使用しながらも、フルモデルに近い性能を維持し、すべての専門家を使用した場合には強力な汎用モデルとして機能します。標準MoEとは異なり、EMOの専門家サブセットは選択的に使用しても性能低下がわずかです。
gnucleus-aiがHugging FaceでオープンソースのFreeCADデータセットを公開。100個のパラメトリックCADモデル（シャフト、ベアリング、フランジなど）を含み、各モデルに主要パラメータ、画像、.FCStdファイルが付属。CAD生成タスクに最適で、Apache-2.0ライセンス。
AMD MI300XとROCmを使用して、MedMCQAデータセットでQwen3-1.7BをLoRAファインチューニングする完全な手順。CUDA不要でトレーニングは約5分、モデルは回答と解説を出力します。
ServiceNow AIチームは、強化学習トレーニングパイプラインをvLLM V0からV1に移行する際、4つのバックエンド問題（logprobsセマンティクス、ランタイムデフォルト、インフライトウェイト更新、fp32 lm_head）を特定しました。バックエンドの正しさを優先して修正し、その後で目的側の修正を検討することで、V0リファレンスとの完全なパリティを達成しました。
本記事では、特にエージェントベンチマークにおけるAI評価コストの急上昇について考察し、評価が新たな計算ボトルネックになっていることを指摘する。静的ベンチマークは100～200倍に圧縮可能だが、エージェントやトレーニング・イン・ザ・ループのベンチマークは圧縮が難しい。信頼性には複数回の実行が必要で、コストが倍増する。高額な評価コストは、検証能力を資金豊富な研究室に集中させるリスクがある。
IBM Granite 4.1 は、デコーダーのみの高密度LLMファミリ（3B、8B、30B）で、約15兆トークンによるマルチステージ事前学習、最大512Kトークンの長コンテキスト拡張、約410万の厳選サンプルによる教師ありファインチューニング、そしてオンポリシーGRPOとDAPO損失を利用したマルチステージ強化学習を採用。8Bインストラクトモデルは、以前の32B MoEモデルに匹敵またはそれを上回る性能を発揮。すべてのモデルはApache 2.0ライセンスで公開。
DeepInfra が Hugging Face Hub の Inference Provider に加わり、100以上のモデルを低コストのサーバーレス推論で提供。会話・テキスト生成タスクから始まり、UI や SDK から簡単に利用可能。
NVIDIA は Nemotron 3 Nano Omni を発表しました。これはテキスト、画像、動画、音声を処理する新しい全モーダル理解モデルです。ハイブリッド Mamba-Transformer-MoE バックボーンに C-RADIOv4-H ビジョンエンコーダと Parakeet-TDT-0.6B-v2 オーディオエンコーダを組み合わせ、文書理解、ASR、動画理解、効率性の各ベンチマークでトップの精度を達成しました。実世界の文書分析、自動音声認識、長尺動画音声理解、エージェント型コンピュータ使用、汎用マルチモーダル推論向けに設計されています。
本記事では、Scikit-LLMライブラリのテキスト要約機能を使用して、機械学習パイプラインで大量のテキストを処理する方法を紹介します。カスタムトランスフォーマーでHugging Faceの事前学習済み要約モデルを統合し、scikit-learnパイプラインに組み込んで、長文から分類までのエンドツーエンドのフローを実現します。
この記事では、OpenAIが新たにリリースしたオープンソースのPrivacy Filterを使用して、3つのスケーラブルなWebアプリケーション（ドキュメントプライバシーエクスプローラー、画像匿名化ツール、スマートリダクトペースト）を構築する方法を紹介します。各アプリはモデルの異なる機能を示し、gradio.Serverを活用して効率的なバックエンド処理とカスタムフロントエンドを実現しています。
DeepSeekがV4をリリース。100万トークンのコンテキストウィンドウを持ち、エージェントワークロードに最適化。ハイブリッドアテンション（CSAとHCA）によりKVキャッシュを従来のGQAの2%に削減。ツール呼び出しをまたぐ思考の保持、専用の|DSML|ツール呼び出し形式、RLトレーニング用のDSecサンドボックスを導入。複数のエージェントベンチマークで競争力のあるスコアを達成。
QIMMA（アラビア語で「頂上」の意）は、品質優先のアラビア語LLMリーダーボードです。評価前にベンチマークの品質を検証し、広く使われているアラビア語ベンチマークに体系的な品質問題があることを明らかにしました。14のベンチマークから109のサブセット（52,000以上のサンプル）を統合し、マルチモデル自動評価と人間によるレビューを適用して、ネイティブなアラビア語能力に焦点を当てたモデルランキングを提供します。アラビア語LLM向けとしては初めてコード評価を含みます。
本記事では、特にMythosモデルがシステムレベルの能力を活用して脆弱性を発見・修正する方法を通じて、サイバーセキュリティにおけるAIの役割を考察する。防御におけるオープン性の構造的利点を強調し、人間の監督下での半自律型AIエージェントを提唱し、オープンエコシステムがプロプライエタリなシステムよりも進化する攻撃に対抗しやすいと指摘する。
新しいオープンウェイトモデルのリリースを理解するための学習指向のワークフロー。公式のテクニカルレポートから始めるが、最近の論文は詳細が不足しているため、Hugging Faceの設定ファイルとリファレンス実装から情報を得る。
Ecom-RLVEは、RLVEフレームワークを単一ターンの推論からマルチターン・ツール拡張型Eコマース会話へと拡張し、8つの検証可能な環境（商品発見、代替提案、カート構築、返品、注文追跡、ポリシーQA、バンドル計画、マルチインテントジャーニー）を提供。各環境は手続き的問題生成、12軸の難易度カリキュラム、アルゴリズム的に検証可能な報酬を備える。DAPOを用いてQwen 3 8Bを300ステップで訓練した初期結果は、環境スケーリングと適応的難易度が現実のタスク完了に転移することを示している。
DeepSeek は V2.5 シリーズの最終版として V2.5-1210 をリリース。インターネット検索機能を追加し、数学、コーディング、ライティング、ロールプレイなどのベンチマークで性能が向上。オープンソースモデルを Hugging Face で公開し、次世代モデルの開発を示唆。