ABEJAの辻氏が、GoProで撮った一人称視点の動画から手の行動を3D復元し、ロボットの学習データ（LeRobotDataset v3.0）にするパイプラインを試作した。Microsoftの VITRA は MANO、HaWoR、WiLoR が商用利用できないため、手を解剖学的な21個の回転関節で表すモデルを自作した。EgoExo4D での評価では、手の形の誤差が17〜19mm（VITRA は12mm）、手首の位置の誤差が80〜95mm（VITRA は27mm）で、精度は VITRA に届いていない。
Hugging FaceとVoice Arenaは、Open ASR LeaderboardにMonsoon en-INとMonsoon hi-INの2つの評価セットを追加した。Hindiは、これまで欧州言語のみだった多言語タブで初のインド系言語となる。4つのスプリットは計4,888人の話者を含み、各話者に12の属性が記録されている。
Googleは、Earth AIの実験的研究機能「planetary prediction engine（PPE）」を発表した。データ探索からモデル学習までの地理空間モデリングを自律的に実行し、従来数週間かかっていた作業を数分に短縮するとしている。米CDCの21種類の健康指標では、平均R²が手動の専門家パイプラインの60.0%に対し76.8%となった。コンゴ民主共和国のEbola流行予測では、Recall@10が83.3%と、公表済みのベイズモデルの約73%を10.3ポイント上回った。
Google Researchは、連続血糖測定（CGM）データ向けの自己教師あり基盤モデル「GlucoFM」を発表した。4つのコホートと7つの臨床予測タスク（計14の評価）でPR-AUCの平均は58.8となり、同じデータで再学習した最強のCGM専用ベースラインの54.7から4.1ポイント向上した。109,066時間の未ラベルCGMデータで事前学習し、食後血糖応答（PPGR）予測でも同条件下でMAEが最も低かった。
Google Researchは、集計・匿名化された移動データを言語モデルの場所表現に組み込む「ME-POIs」フレームワークを紹介した。未知の場所を対象とした評価では、訪問意図の予測が最大81.9%の相対的な向上、価格帯分類が75.1%の改善、混雑度推定の精度が24.7%の向上を示した。移動データは公開ベンチマークデータセットから取得され、自己教師あり学習によってテキスト記述と統合される。
Hugging Faceは、音声認識（ASR）モデルが公開ベンチマーク固有のパターンに最適化されているかを測る3つのテストを提案した。オープンソースASRモデル11件を評価したところ、スコア上位の複数モデルが、音声と矛盾する場合でもVoxPopuliやLibriSpeechの参照書き起こしを再現した。Open ASR Leaderboardには「Benchmark fitting」タブが追加された。
ストックマークは大手製造業の実務者384名を対象とした生成AIの業務活用実態調査を公表し、73%が「頼みたいのに頼めていない業務がある」と回答した。「Microsoft Copilot」の利用は78%に達するが、図面など非テキスト情報を扱えない（34%）ことなどが壁となっている。本格活用に必要な要素は「自社独自データ・ナレッジの整備」が56%、「AI活用を前提とした業務の再設計」が53%だった。
AIエージェントに与えるメモリ量は、モデルの能力に応じて調整する必要がある。ALTK-Evolveはエージェントが過去の試行から抽出したガイドラインを推論時に注入する仕組みで、重みの更新は行わない。強いモデルのDeepSeek-V3.2（671B MoE）は全ガイドラインを与えた場合にタスク完了率（TGC）が+9.5ポイント向上した一方、gpt-oss-120b（117B MoE）は厳選した検索型の注入で+16.1ポイント向上し、トークン増加は+5%にとどまった。GLM-5では測定可能な改善は見られなかった。
Sentence Transformers v6.0で、ColBERT型のLate Interaction検索に対応する新しいモデル種別「MultiVectorEncoder」が追加された。PyLateやStanford-NLPのColBERTチェックポイント、colpali-engineのモデルを読み込め, トークンごとにベクトルを保持しMaxSimでスコアリングする。単一ベクトルモデルより検索精度が高くなる一方、インデックスは大きくなる。
Turing のMLOpsチームが、E2E自動運転AI向けデータセット作成基盤を、AWS Step Functionsベースの既存システムからDatabricks上のパイプラインに置き換えた。500時間分の走行データで半日以上かかっていた作成時間が、条件にもよるが60分以下になった。保守性の向上にはDeclarative Automation Bundles（DAB）を使い、CI/CDや開発環境と本番環境の分離を実現している。
Strands Robotsのエージェントループで、ロボットのデモ記録、Hubからの直接ストリーミング学習、ポリシーのハードウェアへの再配備を一つのデータループとして実行する方法を解説する。データはLeRobot形式のままStorage Bucketに同期され、同期のたびに変更されたバイトのみがアップロードされる。学習時は`stream_dataset(repo_type="bucket")`でダウンロードせずに読み込み、デプロイは`mode="real"`への引数変更で行う。
ALTK-Evolveは、エージェントの過去の軌跡から得た教訓を、ACEのように全件注入せずタスクごとに選んで渡す方式で、AppWorldにおいてACEより少ないトークンで高い精度を示した。DeepSeek-V3.2ではTGC 89.3、SGC 80.4となり、ACEのTGC 80.4、SGC 73.2を上回り、トークン数は263Kと634Kだった。gpt-oss-120bではTGC 56.0対54.8とほぼ同等で、トークン数は116Kと777Kである。
教師モデルのTop-K logitsを事前にオフラインで計算してキャッシュし、語彙全体×系列長の行列を作らない融合チャンク化KL損失と組み合わせることで、知識蒸留の学習コストを削減する手法が示された。gpt-oss-120b（語彙201,088）、系列長32K、バッチサイズ4の場合、従来のDense KLは1回の学習イテレーションでピーク約250GBのVRAMを要するのに対し、融合チャンク化KLは約128GBに抑えられる。これにより、単一GPUでの長文コンテキストの回復（healing）が可能になる。
SB Intuitionsは、商用APIとして提供開始したSarashina3 miniとSarashina3 nanoについて、トークナイザの効率の良さを紹介した。日本語Wikipedia（約19億文字）のトークナイズでは、GPT-5が約14億トークン、Gemini 3.5が約12億トークンに対し、Sarashina3は約9.5億トークンだった。API料金は入出力トークン数で決まるため、トークン効率は利用料金や消費電力にも関わるとしている。
SB IntuitionsのRoboticsチームが、VLAモデル開発に向け、VRトラッカーを用いたUMIデータ収集システムを独自のQDDロボットアームに適用した際の工学的課題を紹介している。Enactic開発の「Openarm」ベースのロボットでは、組立公差により関節可動域が設計値とずれ、エンドエフェクタに数cmの位置誤差が生じた。対策として、計測（XYZ 4点法による関節キャリブレーション）、制御（重力補償）、コンピュータビジョン（レンズ変更に伴う内部パラメータ補正）の3点に取り組んだ。
NAB の公開センサーデータを gemini-3.5-flash に入力して異常検知レポートを作成させ、入力方式ごとの精度を比較する。数値をプロンプトに直接入れる方式では、machine-temp で既知異常区間 4 つのうち 2 つを検出し、誤検知率は 0.06% だった。検出は全体的に疎だが、ambient-temp や network など複数のセンサーでは検出率が 100% となった。
LINEヤフーの社内ワークショップ「ODW#12」は、AIに渡す情報によって成果物が変わることを実例で示した。乗換案内の運賃計算を題材に、ルールを書いた説明ファイルがある環境では学割の距離帯別割引や10円単位の切り上げが意図どおり実装され、答え合わせのテストも全て通ったと報告している。一方、情報がない環境では推測で割引率や端数処理を誤るケースが見られたという。
Microsoftの研究チームは、障害やアイデンティティなど共通の経験を持つコミュニティが、AI生成画像での描かれ方を自ら定義できる基盤「Community Library Creator」を開発した。各ライブラリは約400枚の実世界の画像と説明文で構成され、生成画像へのコミュニティの評価がフィードバックとして使われる。データはアドボカシー団体が所有し、Hugging Faceなどでの共有可否や利用制限も決められる。
Hugging FaceはPollen Roboticsによる手持ちグリッパー型の操作データ記録システムGrabetteを公開した。ロボットなしで人の手による実演を記録でき、ブラウザ上の処理でLeRobot形式のデータセットに変換される。ハードウェアのCADや制作ファイル、ソフトウェア、処理パイプラインはすべてオープンソースである。
Google Researchは、ラベルなしのウェアラブルデータから学習する大規模センサー基盤モデルSensorFMを発表した。500万人、1兆分超のセンサー信号で事前学習し、35の健康タスク中34でエンジニアリング特徴量ベースの教師あり基準を上回った。AIエージェントによる予測ヘッド自動設計や、Personal Health Agentへの組み込みも検証している。
SB Intuitionsは、日本語に強い指示認識型テキスト埋め込みモデル「Sarashina3 embedding」のAPI提供を開始する。JMTEB（v1.4.0）の平均スコアは78.22で、比較対象のSarashina2 embedding（78.69）に次ぐ水準である。ベクトル次元を1536から256まで削減しても平均75.72を維持するとしている。
Google Researchは、表形式データの分類と回帰をゼロショットで行う基盤モデルTabFMを発表した。文脈内学習により、モデル学習やハイパーパラメータ調整、特徴量エンジニアリングなしで1回の順伝播で予測できる。Hugging FaceとGitHubで公開され、Google Cloud BigQueryでも利用できる。
選定理由：表形式データの予測を文脈内学習として扱う設計と、合成データのみで事前学習した点が整理されており、従来の木系手法との違いを把握しやすい。
LINEヤフーは、LINEバイトの検索リランキングでembeddingを後処理により安定化し、cold start problemを解決した。安定化後のembeddingは1か月後も類似度0.87前後を維持し、オフライン評価ではconversion nDCGが+9.0%向上した。A/Bテストでは検索画面単体のKPIに有意な改善はなかったが、サービス全体ではKPIが+4.7%、売上が+6.5%となった。
「PJ One Piece」は、生成AIを活用して事業の問いからデータ分析、示唆の整理、次のアクション検討までをつなぐ分析エージェントの取り組みである。先行展開では、依頼から結果が返るまで平均で約2週間かかっていた分析が約10分で実行できるようになり、事業部内では月数百回規模の分析が行われるようになった。分析の知識はドメインごとのプラグインやSkillとして蓄積され、別の担当者やドメインでも再利用できる構成にしている。
Googleは、Earth AIを用いてイングランドの生垣や石垣、小規模な林などの微細な樹木地物を高解像度で検出し、それらを地図化したベクターデータセットを公開した。モデルは、3億枚を超える衛星画像で事前学習されたRemote Sensing Foundations（RSF）のVision-Transformer（ViT）バックボーンを基に、約247km²の注釈データでファインチューニングされた。樹冠と地表の境界を二層でラベル付けし、Polsby–Popper compactness scoreが0.5未満の細長い形状を線状の樹木地物として分類している。
Google Researchは、機械学習のアンラーニングを監査する新たな枠組み「Regularized f-Divergence Kernel Tests」を発表した。AISTATS 2026で発表された手法で、アンラーニング後のモデルが再学習モデルと元のモデルのどちらに分布的に近いかを判定する。理論上、サンプル数にかかわらず偽陽性を抑えられ、データ数の増加とともに偽陰性のリスクはゼロに収束するとされる。
GRPOなどのLLM強化学習では、Rolloutを行う推論backendと学習backendの差によってPolicyがずれる。ABEJAはQwen3-4Bを使い、vLLMとtransformersの確率を比較して実測した。約3900tokenのうち81.1%は確率差0.001未満で一致した一方、差0.10以上も0.3%あり、最大は0.215だった。補正策としてtoken-level IS、truncated IS、幾何平均、rejection samplingが挙げられている。
Googleは、AIによる洪水予測のための水文モデルフレームワークをGitHubでオープンソース化した。Google Flood Hubの河川予測と同じアーキテクチャと類似の学習データを使い、各国の気象・水文機関や予報担当者がモデルを学習できる。新モデルは、従来版と比べて観測地点のある流域で予測可能期間を6日、観測のない流域で1日延長したとされている。
Mistralは AI Now Summit 2026で、Airbus、BMW、ASMLと組む産業エンジニアリング向けAIスタック「Mistral for Industrial Engineering」を発表した。同時に、長時間の複数ステップ作業を担うエージェント「Vibe」を一本化して提供する。フランスのLes Ulis拠点には10 MWの推論向けデータセンターを2026年Q3に開設予定である。
Mistralは物理AI（physics AI）を企業向けソリューションの新たな基盤機能として打ち出し、そのためにEmmi AIをMistralに迎え入れた。物理AIはジオメトリや境界条件から物理場全体を単一GPU上で1回の順伝播により秒単位で予測するモデルで、パートナーにはASML、Airbus、Safran、Siemens Energyが挙げられている。
Mistralは、Emmi AIの買収を経て航空宇宙、自動車、半導体、エネルギーなどを対象とする産業向けPhysics AIの研究を進めており、関連する研究成果を公開している。2025年12月1日には、遷音速領域の3D翼を対象としたCFDシミュレーションのデータセットを公開し、約30,000サンプルの体積場と表面場を含むとしている。AB-UPTは、リメッシュなしで単一GPU上において表面9M、体積140Mのセルを扱う。
Mistral AIが、オーストリア発の物理AI企業Emmi AIを買収することで合意した。産業分野における同社の地位を強化する狙いである。Emmi AIの30名超の研究者・エンジニアは5月にMistral AIのScienceチームおよびApplied AIチームに加わる予定で、両社のモデルを組み合わせてエンジニア向けエージェントを開発するとしている。
Google DeepMindのCo-Scientistは、老化研究で細胞を若い状態へ近づける遺伝子候補の探索に使われている。文献数万件を検討して新規性と妥当性のある遺伝子因子を20以上提案し、そのうち数件の仮説が実験で細胞を若い状態に移行させ機能を改善することが確認された。さらに、大規模スクリーニングの結果と文献の突き合わせ作業は、最長6か月かかっていたものが数日に短縮されたという。
Google Researchは、オープンソースのツールとオープンアクセスのデータセットを公開し、世界の科学コミュニティと連携して研究の再現と発展を支えている。ゲノム解析のDeepVariantなどのツールは、250,000人以上の研究者・開発者のエコシステムで利用されている。医療分野ではHAI-DEFのダウンロードが480万件を超え、OHSは10か国以上で導入され6,500万人以上の受益者に届いている。
Turingの走行データビューアは、トリップ単位で走行動画と速度・ペダル・ハンドル角などの走行メトリクスを同じ時刻軸で同期再生するWebツールである。動画はAWS BatchでMPEG-DASH形式に変換しCloudFront経由で配信し、dash.jsで再生する。メトリクスはDatabricks Lakeflow SDPで処理し、フロントエンドは車載基準時計の絶対時刻に基づき、start_timestampと動画のcurrentTimeを1000倍して加算することでフレーム単位の同期を実現している。
学習率を減衰させず最大学習率を保つWarmup-Stable-Only（WSO）スケジューラで事前学習したLLMは、SFT後の下流タスク平均スコアでWSD、Cosine、Linearを上回った。Llama 3アーキテクチャの1Bおよび8Bモデルの両方で一貫して最高性能を示し、中間学習を挟む3段階の設定でも同様の傾向が確認された。減衰型スケジューラのモデルは事前学習中のSharpnessがWSOの2〜3倍で、論文はこの平坦さがSFTへの適応性を支えると考察している。
Google Researchは、成功と失敗の両方の経験から知見を抽出して蓄積するエージェント向けメモリフレームワーク「ReasoningBank」を提案した。Gemini-2.5-Flashを用いた評価では、スケーリングなしのReasoningBankがメモリを使わないエージェントより、WebArenaで成功率が8.3%、SWE-Bench-Verifiedで4.6%高かった。さらにSWE-Bench-Verifiedではタスクあたりの実行ステップがほぼ3つ減少した。
Google Researchは、推論優先の合成データ生成フレームワーク「Simula」を紹介した。データセット全体をメカニズム設計として扱い、シードデータに頼らずに生成する。Gemini 2.5 Flashを教師モデル、Gemma-3 4Bを生徒モデルとして5つの領域で評価し、各領域で最大512Kのデータポイントを生成した。全領域で、Simulaは単純なベースラインより高い性能を示し、より少ないサンプル数で下流タスクの性能を上回った。
Google Researchは、合成ニューロン形状を生成するAIモデル「MoGen」を開発し、脳の神経接続マップを作るAI再構成モデルPATHFINDERの学習データに加えた。合成データを10%混ぜて学習させたPATHFINDERは、保留したマウス軸索の再構成エラー率を4.4%削減し、その改善の多くは統合エラー（merge error）の減少によるものである。マウスの全脳規模では、手作業による校正の157人年分の削減に相当するとされる。MoGenはオープンソースモデルとして公開された。
