モデル

Adobeの実験的なカメラアプリIndigoは、当初はiPhone写真に自然な一眼レフ風の外観を提供するために開発されましたが、今回「AI Playground」スイートによって生成AI編集機能が追加されました。GoogleのNano Bananaモデルを使用し、スタイル、オブジェクト編集、写真ガイダンス、カスタム編集などの機能を提供。少数のユーザーに無料でテスト提供され、人気が出れば有料化の可能性もあります。

Inertia-1は、モーションデータセットの断片化に対処する統一モーション基盤モデルです。大規模な自己教師あり学習を手首の加速度計データに適用し、身体のさまざまな位置やセンサータイプに一般化する表現を生成し、現実世界のパフォーマンスに影響を与える主要な設計選択を明らかにします。

不透明な価格設定と後追いの請求により、企業はAIモデル戦略の再考を迫られている。

Metaの監視委員会の調査によると、米国企業が開発した主要なAIシステムは、制限的な指導者や政府を批判する要求を拒否する傾向が強く、表現の自由に対する国家の影響力が拡大する懸念が生じている。

中国の大手AI企業MoonshotとAlibabaが、OpenAIやAnthropicの最高モデルに匹敵する性能を低コストで実現したと主張する新モデルを発表。オープンソース戦略で米国の優位性に挑戦し、巨額投資の効果に疑問を投げかける。

米国の公衆衛生部門は、Coalition for Health AI、OpenAI、Anthropic、Accentureが関与する新プログラムPULSEのもとで生成AIツールをテストする。このプログラムでは10の州、地方、部族、または準州の管轄区域で試験を実施し、最大2,000人の公衆衛生従事者にエンタープライズライセンスを提供する。5つのユースケース（バイオサーベイランス、健康の社会的決定要因、業務効率、公的コミュニケーション、自動臨床データ取得など）をカバーする。パイロットは2026年秋に開始予定で、2027年にはプレイブックが公開される見込み。

月之暗面は2.8兆パラメータのオープンウェイトモデルKimi K3を発表。混合専門家、量子化学習、デルタ注意機構により計算をメモリに置き換え、米国のチップ規制を回避。大規模ながら推論コストを削減するが、導入にはデータセンター級のインフラが必要で、ソフトウェア環境も未整備。

Thinking Machines Lab は、初の汎用オープンウェイト基盤モデル Inkling を発表しました。9750 億パラメータ（アクティブは 410 億）、100 万トークンのコンテキストウィンドウを持つマルチモーダル MoE モデルです。カスタマイズ可能な設計で、推論、コーディング、エージェントワークフロー、マルチモーダルタスクに優れています。本ガイドでは、アーキテクチャ、トレーニング、ベンチマーク、展開、ファインチューニングのワークフローを詳しく解説します。

Zlvox AI Humanizer は、Groq Llama 3.3 を使用して AI 生成テキストを自然な人間の文章に変換する無料のオンラインツールです。GPTZero や Turnitin などの検出器を回避でき、複数の人間化レベル、トーン調整、文法修正、パラフレーズ、要約機能を備えています。サインアップ不要で無制限に利用できます。

災害調査や捜索救助などのミッションクリティカルなシナリオでは、通信制限のあるロボットは信頼性の高いオンボード判断を下さなければなりません。エピソード記憶の再利用は低コストですが、環境変化により安全でない場合があり、「メモリトラップ」と呼ばれます。本稿では、再利用前にトポロジー、リソース、結果の契約に対して記憶を検証し、検証に失敗した場合のみフォールバックを呼び出す軽量適応型ランタイムMemoGuardを提案します。廊下点検シミュレータにおいて、MemoGuardは類似性のみの再利用と比較してバッテリー安全違反を76.6%削減し、常に推論する方式と比較してフォールバック呼び出しを21.4%削減しました。NVIDIA Jetson AGX Xavier上でローカルllama3.2:3bフォールバックを使用した場合、トライアルあたり3.67秒と36.97Jのオーバーヘッドを回避します。

本論文は、対話型Q&Aを通じて動的にパーソナライズされた心理学的に基づくロボットのパーソナを生成するPACEフレームワークを提案する。Ameca人型ロボットに統合され、静的ベースラインと比較してユーザの信頼、擬人化認識、インタラクション品質を大幅に向上させる。

本論文では、二成分シリコーン注型を用いたソフト空気圧アクチュエータの堅牢で再現可能かつスケーラブルな製造手順を紹介する。内部空洞の詰まり防止と気密シールの確保、薄膜フレックスセンサーの堅牢な埋め込み手順を含む。有限要素モデリング、PID圧力制御による空気圧実験、自動画像処理によるセンサー校正によりアクチュエータ性能を検証。階段状および正弦波駆動実験で高い再現性と低いヒステリシスを示し、2人の作業者による24回の成功製造で検証された。

Xiaomi Roboticsチームは、基礎的な視覚言語行動（VLA）モデルであるXiaomi-Robotics-1を提案する。このモデルは、未見の環境で多様な言語指示に従って移動操作タスクを実行し、最小限の微調整データで新しい下流タスクに効率的に適応できる。2段階のトレーニング手法を採用し、プレトレーニングではUMIデバイスで収集した10万時間以上の実世界操作軌跡を使用し、スケーラブルな自動ラベリングパイプラインを開発。ポストトレーニングでは、ロボットのエンボディメントと人間の命令を整合させる。実験では強いスケーリング挙動を示し、RoboCasa365で57.6%の成功率、RoboDojoで平均スコア20.07を達成し、従来の最先端を上回った。コードとモデルは公開予定。

クロスビュー地理位置特定は地上観測を衛星画像とマッチングする。近年の手法はビデオクリップなどのシーケンシャルクエリで時空間的手がかりを得るが、経路記述という補完的モダリティを見落としている。本論文ではSeqGeo-VLデータセット（約3.9万のビデオ-テキスト-衛星トリプレット）とTrajLoc統一フレームワークを提案。ビデオと経路記述の両方を処理し、密な視覚的意味と抽象的な言語的意味を相互強化する。さらにTrajMod軽量モジュールにより、軌跡形状に基づいてクエリ埋め込みを条件付け、空間認識表現を実現。実験ではビデオ・テキスト双方の地理位置特定で最先端手法を大幅に上回る成果を示した。

部分情報分解（PID）フレームワークを用いて、トレーニング前に最適なMRIコントラストペアを選択し、マルチコントラスト3D脳腫瘍セグメンテーションの計算コストを削減する。T1n、T1c、T2w、T2-FLAIRに適用した結果、T1c+T2-FLAIRが選択され、軽量3D U-Netで平均Dice 0.676（全4入力では0.687）を達成した。

マルチモーダル大規模言語モデル（MLLM）は、物体全体のグラウンディングは得意ですが、クエリが物体ではなくパーツを指定する場合に苦戦します。本論文では、物体-パーツ階層リフレクティブグラウンディング（OP-HRG）を提案します。これは粗から細への推論誘導戦略で、まず親オブジェクトを特定し、次にその中のパーツを特定します。自己チェックで結果を検証し、予測クロップを再エンコードして修正領域を検査する拡張も行います。パーツ認識型GRPOフレームワークを導入し、段階的報酬でパイプラインを訓練します。4Bモデルは、PascalPart、PartImageNet、InstructPartにおいて7BグラウンディングLLMやSAM3を上回り、推論セグメンテーションにも転移できます。

本研究は、凍結された視覚言語モデル（RegionPLC）とプロンプト可能な概念セグメンター（SAM3）をクロスビュー一貫性で融合し、訓練や少数ショットサポートを一切必要としないオープンボキャブラリ3D点群セグメンテーション手法を提案。ScanNet200およびScanNet++ベンチマークで新規クラスの性能を大幅に向上させた。

AI生成動画（AIGV）はフレーム間の不整合による微妙な時間的アーティファクトを含む。しかし、標準的なグローバルリードアウトを用いるビデオバックボーンは、局所パッチの時間ダイナミクスを抑制し、検出を妨げる。提案手法V-PVPは、パッチ速度場上の並列ストリームで集約層を置き換える軽量リードアウトで、約0.5Mパラメータを追加し、バックボーンを凍結したままAIGVDBenchで95.28 AUCを達成。

大規模言語モデル（LLM）は事前に指定された質問への回答に優れているが、結論が出る前のオープンエンドな発見段階を探索する能力はほとんど測定されていない。本論文は、不確定な証拠からモデルが自律的に根拠のある、識別可能かつ検証可能な仮説空間を構築する「将来的仮説発見（PHD）」を導入する。この能力を評価するために、6つの科学・分析領域にわたる988事例のHypoDataデータセットとHypoEval評価フレームワークからなるHypoArenaベンチマークを構築。15の最先端LLMでの実験により、明確な能力の階層化と構造化分析スキルのモデル依存効果が明らかになり、一部の低性能モデルでは向上が見られたが、トップモデルを含む他のシステムでは後退が見られた。

本論文では、BIRDという2段階の自己推論蒸留手法を提案する。最初に簡潔な指示で解をサンプリングし、プロンプト切り替えSFTを行い、その後、よりクリーンなプレフィックスに対してオン方策逆KL蒸留を適用する。Qwen3-8Bでは、MATH-500の精度が86.2%から92.0%に向上し、応答長が3,099トークンから1,115トークンに削減された。

本論文では、マスク拡散言語モデルのための適応型先読みフレームワークAdaLookを提案する。候補スコアの分散に基づいて先読み深度を動的に決定し、ブランチ拡張を可能にすることで、既存の1ステップ先読み手法よりも優れた精度と効率のトレードオフを実現する。

PATRを提案。タスクに適したプロセスフィードバックを用いて部分軌跡をスコアリングし、有望な状態から選択的に分岐、共有プレフィックスを再利用、劣化パスを停止することでサンプリングの無駄を削減。FrozenLakeとSWE-Benchでそれぞれ9.3ポイント、5.0ポイントの向上。

SkillCorpusは、約82万1千のクロールされたスキルから9万6千以上のオープンソースLLMエージェントスキルをフィルタリングし、16クラスの分類法と3つの品質側面で整理します。検索・選択スタックと組み合わせることで、複数のベンチマークで一貫した改善を達成し、SkillsBenchで最大+7.5パーセンテージポイントの向上を示しました。

本論文では、公衆衛生レポート生成のためのエージェント的フレームワークEpiNarrateを紹介する。これは構造化された数値推論と自然言語生成を分離する。フレームワークはシナリオ軸を抽出して半順序スキーマに整理し、拡張データセットを構築し、比較文法を用いて意味的・算術的一貫性を強制する。さらに、最大エントロピー原理に基づく面白さ駆動の選択機構でカバレッジと非冗長性を両立する。COVID-19シナリオモデリングハブでの実験により、事実に基づいたナラティブと広範な疫学的パターンのカバレッジが向上した。

研究者らは、新しい解釈可能性技術「ヤコビアンレンズ」を用いて、大規模言語モデル内に人間の意識のグローバルワークスペースに類似した機能構造（J-space）を発見した。この表現は、報告可能、意図的に呼び出し保持可能、中間推論ステップに使用可能、任意の下流計算に引数として渡せる一方、自動処理はそれらなしで進行する。J-spaceは中間層でのみ一貫した内容を持ち、同時に数十の概念を保持し、より広くブロードキャストされる。アライメント監査では、出力に現れない戦略的熟考、評価認識、誤った傾向が明らかになる。ポストトレーニングはアシスタントの視点をワークスペースにインストールする。反実仮想リフレクショントレーニングは、モデルが中断された場合に言うことだけを訓練することで行動を改善する。これらの結果は、言語モデルが意識的アクセスの機能的特徴を持つ特権的な表現群を維持していることを示している。

本研究では、電子健康記録中のマルチモーダルデータ（構造化測定値と自由テキストの臨床叙述）をすべて自然言語シーケンスに変換し、専用の融合アーキテクチャを必要とせずに事前学習済み言語モデルをエンドツーエンドで微調整する手法を提案。院内死亡率、移植片不全、救急トリアージの3つの臨床予測タスクで評価した結果、統一シリアル化アプローチはタスク固有のマルチモーダルベースラインに匹敵またはそれを上回り、臨床で使用されている勾配ブースティングモデルを凌駕し、システムの複雑さを大幅に低減した。

LLM4EHRは、ドメイン適応された大規模言語モデルとTransformer時系列エンコーダを組み合わせ、正則化された対照学習目的によりEHRイベントと時系列を整列させる新しい臨床基盤モデルであり、ICU予測タスクで優れた性能を示し、kショット適応による新規コホートへの転移も可能。

5つの主要な大規模言語モデル（LLM）のテクニカル市場分析能力を系統的に評価した研究。GPT-4 Turboが汎用モデル中で最高の年率リターンとシャープレシオを達成し、FinGPTはドメイン特化の微調整により競争力のあるリスク調整後パフォーマンスを示した。また、数値幻覚、コンテキストウィンドウ制限などの障害モードも特定された。

本論文では、ベルヌーイ単純ベイズ（BNB）モデルを用いた統計的に基づくフレームワークを提案し、教師付きχ²二値化により連続変数を閾値に変換することで完全に解釈可能なルールベースの臨床分類を実現する。Pima Indians Diabetes、Wisconsin Breast Cancer、Heart Failure Predictionの3つのベンチマークデータセットでAUCスコア0.800、0.984、0.919を達成。確率較正はBrierスコアとベータ較正により改善され、モデル推論は参照表と基本算術のみで再現可能であり、医療AIの信頼性と一般化可能性を高める実用的アプローチを提供する。

本研究は、OECDの包括的データセットを用いて、信頼できるAI(TAI)を運用可能にするためのツールとトラストマークフレームワークを批判的に分析し、倫理的焦点、ライフサイクルカバレッジ、ステークホルダー対象、ツール類型における顕著な非対称性を明らかにした。公平性、透明性、ロバスト性が強調される一方、説明可能性、デジタルセキュリティ、環境持続可能性への注意は比較的少ない。ほとんどのツールと認証は開発後の段階に集中し、初期設計やデータ収集段階へのガイダンスは限定的である。教育イニシアチブや政策関与は著しく未発達であり、現在のTAIの取り組みは産業界の技術的・手続き的措置に支配されている。研究は、倫理的目的の拡大、AIライフサイクル全体への倫理の組み込み、そしてより広範なマルチステークホルダー参加を促進することで、AIの原則と実践の間の永続的なギャップを埋めることを提唱している。

インターネットミームは視覚的要素、テキスト、文化的文脈が絡み合い、ユーモア、皮肉、悪意が共存する場合に解釈が困難です。既存のマルチモーダル分類器はこれらの相互依存性を見落とすか、解釈可能性が限られています。本論文では、視覚言語モデル（VLM）を活用し、12の構造化された視点からミームを解釈するMAR-12フレームワークを提案します。役割認識ソフトゲートアテンション機構とプロトタイプベース分類器を用い、PrideMMおよびMemotionデータセットでユーモア検出80.3%、ヘイト検出75.9%の精度を達成し、既存手法を上回ります。また、生成される説明は一貫性があり説得力があると評価されました。

新しい研究では、4つのネストされたCodexベースのエージェント実験を通じて、実行可能な世界モデル、計画的な単純化、正確な再生検証がARC-AGI-3タスクにどのように貢献するかを明らかにした。結果は、より強力なモデルと高い推論努力が常に性能を向上させるが、各コンポーネントの効果は設定によって異なり、完全な検証処理が最も性能が高いがリソースを多く消費することを示している。

DrawingVQAは、実際の建設図面におけるマルチモーダル大規模言語モデル（MLLM）を評価する初のベンチマークです。33枚の「発行済み施工図面」と92の専門家作成の質問応答ペアを含み、知覚理解、文脈解釈、専門家推論の3つの推論深度をカバーします。二重分類フレームワークにより、工学的ワークフローをAI能力にマッピングし、最先端MLLMと専門家の間には、特に高推論深度で大きな性能差があることを明らかにしました。

4,181の数学問題に対する研究により、マルチエージェントシステムにおいて、プランナー・エグゼキューター・レビューアのパイプラインの高精度レビューアは、批評が実際に回答の改善に使用されることを保証しないことが明らかになった。ブロードキャストスタイルのピアディスカッションは困難な問題でより高い精度を達成し、検出と取り込みの間のギャップを浮き彫りにしている。

AnovaXは、ユーザーのコンピュータ上で完全にローカルに動作するデスクトップ音声アシスタントです。単一のPythonプロセスが、ウェイクワードゲート、音声処理、GeminiベースのLLMプランナー（JSON計画を出力）、セキュリティレイヤー、マルチエージェントオーケストレーター（計画を型付き子エージェントに変換）、適応型リカバリループを統合します。各ツールは専用のエージェントクラスに対応し、タイムアウト、再試行ポリシー、リソースロックを持ちます。FlaskサーバーによりローカルWiFi経由でスマートフォンからのリモート操作が可能で、エージェントイベントのリアルタイムミラーリングと画面ストリーミングを提供します。プロジェクトの目的は、数千行の軽量アシスタントが複雑なデスクトップタスクを実行できることを示すことです。

Cura 1Tは、人間がゲートする自己進化ループで訓練された医療特化型LLMです。患者相談、テキストと画像に基づく臨床推論、対話型診断、電子健康記録（EHR）ツールの使用を処理します。医療評価スイートで最先端モデルと同等以上の性能を示し、ドメイン外の推論やエージェントベンチマークでも競争力を維持します。

本論文では、因果推論を明示的な因果グラフ上の構造化推論として定式化するCausal-Auditフレームワークを提案する。主要な革新として、ターゲット変数を制約としてグラフを拡張するターゲット認識因果グラフ構築戦略と、複数の因果経路を組み合わせる経路レベルの因果証拠集約機構を導入する。3つのベンチマーク実験で既存のLLM手法を上回り、解釈可能で監査可能な推論トレースを提供する。

GraphDxは、逐次診断における精度とコストのバランスを取る知識強化型マルチエージェントフレームワークである。自動化されたLLMパイプラインで医療診断知識グラフ（MDKG）を構築し、3つの協調エージェント（知覚、推論、決定）を用いてコストを意識した計画を立てる。MedQAとMIMIC-IVでの実験では、診断成功率が50-68%から79-93%に向上し、テストコストが20-54%削減された。

2022年のメールで、Sam AltmanがOpenAIの取締役会に対し、消費者向けハードウェアで動作するGPT-3レベルのオープンソース言語モデルを早期に公開し、競合他社の同様のモデル公開を妨げ、新たな取り組みへの資金調達を困難にする計画を明らかにした。このメールは2026年のMusk対Altman訴訟で公開された。

コミュニティ開発者がOpenBMBのMiniCPM5-1Bをベースに、Claude Fable 5の対話データでファインチューニングし、完全ローカルで動作する1Bパラメータモデルを公開。最小ビルドは657MB、128Kコンテキスト、思考表示機能を備える。本記事ではHugging Faceカードに基づき仕様を検証し、ファインチューニングが実際に継承する能力と本来の能力を区別し、ライセンス上の問題を指摘する。

24GB GPUは本格的なローカル推論の実用的な最低ラインです。本ガイドでは、Q4_K_Mで1枚のカードに収まる6つのオープンウェイトモデル（Qwen3.6、Gemma 4、Mistral Small、gpt-oss-20b、DeepSeek-R1-Distill）を比較し、VRAM消費、ライセンス、各モデルの得意分野を解説します。

AI研究者向けの無料リソース集。1000ドル以上の無料計算クレジット、研究ガイド、コミュニティフォーラムなど、学生が一銭も使わずにAI研究を始められるように厳選。

Feyn Labsは、クエリを実行する前に読み取り専用プローブでデータベースを検査するテキストto SQLモデルファミリー「SQRL」をリリースした。フラッグシップモデルのSQRL-35B-A3BはBIRD Devで70.6%の実行精度を記録し、Claude Opus 4.6を上回り、4Bおよび9Bのセルフホスト可能なチェックポイントに蒸留される。

AlibabaのQwenチームは、2.4兆パラメータのマルチモーダルMoEモデルQwen3.8-Max-Previewをプレビューし、「Fable 5に次ぐ」と称しています。プレビューはToken Plan、Qoder、QoderWorkで標準価格の10%で提供されています。ベンチマーク表、モデルカード、ライセンス、トークンあたりの価格、アクティブパラメータ数はまだ公開されていません。本記事では、Alibabaが確認した情報と主張のみの情報を区別します。

CallBroは無料でプライベートな会議メモアプリです。デバイス上でローカルに通話を文字起こしし、AI（Codex、Claude Code、またはローカルLLM）を使用して要約とアクションアイテムを生成します。すべてのデータはデバイス上に保持され、クラウドにアップロードされません。MCPを介してツールと統合し、複数のプラットフォーム（macOS、Linux、Windows）で動作します。

KloofStreet.onlineは、ケープタウンのクルーフストリートに特化したAI駆動ガイドです。この通りはTime Out誌の2025年世界で22番目にクールな通り、アフリカで最もクールな通りに選ばれました。50以上の飲食店、ウェルネス、アートなどの事業者を掲載し、AIコンシェルジュ、割引、厳選された体験を提供するStreet Passメンバーシップを提供しています。

Qwen 3.8 MaxはQwenシリーズの最新モデルで、Qwenウェブサイトで公開されています。

本記事では、LLMアプリケーション、RAGシステム、AIエージェントを構築するための10のオープンソースノーコード/ローコードAIプラットフォームを紹介します。各プラットフォームは検証済みライセンス、リポジトリ、最適なユースケースとともに説明されています。これらのツールは、ビジュアルキャンバス、Web UI、平易な英語のプロンプトを通じて検索、エージェント、ワークフローを公開し、迅速なプロトタイピングとデータのセルフホスティングを可能にします。

大規模言語モデルを教育に取り入れた革新的な多変数微積分コース。ベクトルから始まります。

中国の3つの研究所による旗艦オープンウェイトMoEモデル—Kimi K3、DeepSeek V4 Pro、GLM-5.2—は、ベンチマーク、ライセンス、サービスコストでそれぞれ優れています。Kimi K3は性能でリードしますがAPI限定、DeepSeek V4 Proは最も安価で完全オープン、GLM-5.2は速度と展開性のバランスが取れています。