Google DeepMindは、50以上の手話を学習した手話からテキストへの翻訳モデルSL2Tを発表した。Pixel 11のGboardとLive Transcribeで、ASLから英語へのサインtoテキスト入力に対応する。FLEURS-ASL（sd-test）でゼロショット70 BLEURTを記録し、従来の報告値を大きく上回ると説明している。
選定理由：手話をポーズ座標だけで翻訳する設計や、100,000時間超の学習データ、既知の誤りの例まで具体的に示されており、手話AIの現状を把握しやすい。
MicrosoftはMAI-Image-2.6を発表し、Arenaのtext-to-imageリーダーボードで2位となった。MAI-Image-2.5からは総合で+79 Elo、テキスト描画では+91 Eloの向上で、全カテゴリーで改善した。Arenaで利用可能で、MAI Playgroundには今週後半に追加され、Microsoft Foundryなどにも順次展開される予定である。
NVIDIAのオープンウェイト音声合成モデル「Magpie TTS Multilingual」は、364Mパラメータで12言語に対応し、今回新たにModern Standard Arabic、韓国語、ブラジルポルトガル語が加わった。NIMによるオンプレミス計測では、B200の1ストリームTTFAが32ms、64ストリームでは239ms、RTFXは319.81倍となる。自社インフラへのデプロイや微調整が可能で、Hugging Faceではオープンなチェックポイントが提供されている。
MetaがMuseから30Bパラメータに蒸留したマルチモーダルモデルMuse Glimmerを、Apache 2.0ライセンスで公開した。ローカルでのエージェント用途を想定し、transformers、llama.cpp、vLLM、Inference Endpointsがday-0で対応する。Hugging Face Hubから入手できる。
選定理由：30Bのローカル向けモデルについて、アーキテクチャと各推論基盤での使い方、ファインチューニングの要件が一続きで整理されている。
Google DeepMindは、サイクロンの進路、強度、風の構造を単一モデルで予測するWeatherNextをNature論文で発表し、WeatherNext 2とWeatherNext Cyclonesのコードとモデルウェイトを公開した。3日先の予測が従来モデルの2日先の精度に相当し、平均で1日分の予測精度が上乗せされるとしている。コンパクト版のWeatherNext 2-miniも公開され、無料のColabノートブックで単一のTPU上で動作する。
選定理由：単一モデルで進路、強度、風の構造を予測する手法と、重みとコードの公開範囲が具体的に示されており、気象分野での再利用を考える材料になる。
Mistral AIは、テキストと画像の安全性を評価する3Bのオープンウェイト・マルチモーダル安全性分類モデル「Shieldstral」を、Apache 2.0ライセンスで公開した。ポリシーは推論時に平易な言葉で指定でき、再学習なしで用途に合わせて調整できる。テキスト安全性ではサイズが最大7倍のオープンガードモデルに匹敵し、単一の16GB NVIDIA GPUで動作する。
Google DeepMindはロボット向けの「身体性推論」モデルGemini Robotics ER 2を公開した。動画理解、タスクのオーケストレーション、マルチロボット連携に対応し、ER 1.6から強化されている。Gemini API、Google AI Studioで開発者に提供され、Gemini Enterprise Agent Platformではプライベートプレビューとなる。
Google DeepMindの新しい音楽生成モデル「Lyria 3.5」が、Google Flow Musicで提供開始された。メロディの複雑さと自然さ、歌詞の品質と指示への追従性、ボーカルの表現力と発音が改善されたとしている。テンポと長さをより簡単に制御できる点も加わった。
Google DeepMindはロボット向けのGemini Robotics 2を発表した。VLAのGemini Robotics 2、推論モデルのGemini Robotics ER 2、オンデバイス向けのGemini Robotics On-Device 2の3モデルで構成し、ヒューマノイドの全身制御や複数ロボットの協調を可能にする。ER 2はGoogle AI Studioで利用でき、VLAとOn-Deviceモデルは早期アクセスパートナー向けに提供される。
選定理由：全身制御、器用な手の操作、複数ロボットの協調を3つのモデルの役割分担で整理しており、提供範囲や適応に必要なデータ量も確認しやすい。
UK AISIとU.S. CAISIは、Moonshot AIのKimi K3のサイバー能力を共同評価し、最新のフロンティアモデルを大幅に下回るが、オープンウェイトモデルGLM-5.2は上回ると報告した。模擬企業ネットワーク「The Last Ones」への攻撃では、Kimi K3が32段階中平均17段階まで到達したのに対し、米国のフロンティアモデル群は平均28.5段階まで到達した。
NVIDIAは、外科手術ロボット向けのリアルタイム生成シミュレーター「Cosmos-H-Dreams」を発表した。Cosmos-H-Surgical-Simulatorを因果的な少ステップのstudentモデルに蒸留し、ストリーミング推論ライブラリFlashDreamsで提供する。単一のNVIDIA RTX PRO 6000 GPUで動作し、人間または学習済みポリシーが閉ループで操作できる。
Anthropicは Claude Opus 4.8 から大きく改善したとする Claude Opus 5（claude-opus-5）を公開した。1Mトークンのコンテキストウィンドウ、最大出力128kトークン、デフォルトで思考オンに対応し、価格は100万トークンあたり$5 / $25で Opus 4.8 と同じである。あわせて mid-conversation tool changes のベータ提供と、Claude Opus 4.7 の fast mode 廃止も発表された。
選定理由：価格据え置きでの仕様と、思考無効化の400エラーなど移行時に確認すべき破壊的変更が同じ場所にまとまっており、移行判断の材料になる。
Microsoft AIは画像生成モデルMAI-Image-2.5-Proと音声モデルMAI-Voice-2-Flashをパブリックプレビューとして公開した。Proは同社最高忠実度の画像モデルで、Flashは MAI-Voice-2より2倍高速で32%安価、価格は100万文字あたり$15である。両モデルはFoundryやMAI Playgroundで試せる。
Microsoft AIは、GitHub Copilot向けのMAI-Code-1-Flashと、そこから派生したExcel向けMAIモデルの結果を公表した。Excelのモデルは最も一般的なタスクでGPT-5.6と同等の品質で、コスト効率が高いという。今後はCopilot Chat、Outlook、PowerPointなどにも同じ手法を広げる。
Googleは、エージェント構築向けにGemini 3.6 Flash、3.5 Flash-Lite、3.5 Flash Cyberを発表した。3.6 FlashはArtificial Analysis Indexで3.5 Flashより出力トークンが17%少なく、価格は入力$1.50/1M、出力$7.50/1Mである。3.6 Flashと3.5 Flash-Liteは同日からGemini APIなどで利用できる。
選定理由：3.6 FlashとFlash-Liteの価格、速度、ベンチマーク数値が並んで示されており、エージェント用途でのモデル選択を比較しやすい。
英国AI Security InstituteとNIST CAISIが、GLM-5.2とDeepSeek V4-Proの評価結果を公開した。英国AISIは両モデルのサイバー能力を、4～7か月前に公開されたクローズドモデルと同程度と報告した。CAISIはGLM-5.2の総合能力をGPT-5.2とほぼ同じとし、安全対策には強みと弱みが混在すると示した。
Googleは、3.5 Flashを基に脆弱性の発見・検証・修正に特化して微調整した軽量サイバーセキュリティモデル「Gemini 3.5 Flash Cyber」を発表した。限定公開のパイロットとして、まず政府や信頼できるパートナーにCodeMender経由で提供される。V8では、固定回数の呼び出しで確認済みの固有の問題を55件発見し、3.5 Flashの47件、Claude Opus 4.6の36件を上回った。
DharmaOCRは、ポルトガル語に特化したベンチマークでスコア0.925を記録し、Mistral OCR4（0.798）とUnlimited-OCR（0.7587）を上回った。記事は、この差を新しいモデルにも通じる特化学習の利点によるものだとしている。学習はブラジルポルトガル語の文書を用いた教師ありファインチューニングとDirect Preference Optimization（DPO）の2段階で行われ、DPOは出力の安定性を高めたとされる。
Thinking Machines Labが、画像・テキスト・音声を入力できる約1Tパラメータのオープンモデル Inkling を Hugging Face で公開した。総パラメータ975B、アクティブ41BのMoEで、1Mコンテキストに対応する。276B総・12Bアクティブの Inkling-Small も追加され、Inference Endpoints でワンクリックでデプロイできる。
選定理由：アーキテクチャの内訳、必要VRAM、各推論エンジンでの起動手順、ベンチマーク表が一つにまとまり、導入可否を判断する材料になる。
SB Intuitionsは、日英・英日翻訳に特化した大規模言語モデル「Sarashina3 translate」を発表した。LLMによるペアワイズ評価では、Google翻訳とplamo-2-translateの両方に対して勝ち越した。人手評価では英日翻訳で236対213と Google を上回った一方、日英翻訳では199対214で惜敗した。
Mistral AIは、ロボットのナビゲートに特化した8Bモデル「Robostral Navigate」を発表した。深度センサーやLiDARを使わず、通常のRGBカメラ1台と自然言語の指示だけで環境内を移動する。R2R-CEの未学習環境（validation unseen）で成功率76.6%を達成し、単一カメラ手法を9.7ポイント、深度センサーや複数カメラを用いた手法を4.5ポイント上回ったとされる。学習はシミュレーションデータを用いて社内で構築され、オンライン強化学習（CISPO）により成功率がさらに3.2%向上した。
Mistral AIは、Lean 4での形式検証に対応したApache-2.0ライセンスのモデル「Leanstral 1.5」を公開した。総パラメータ119B、アクティブパラメータ6Bで、miniF2Fを飽和させ、PutnamBenchでは672問中587問を解いた。FATE-Hで87%、FATE-Xで34%と新たなstate-of-the-artを達成し、Hugging Faceと無料APIで利用できる。
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 DeepMindは、最速かつ低コストの画像モデルNano Banana 2 Liteと、動画生成・対話型編集モデルGemini Omni Flashを開発者向けに提供開始した。Nano Banana 2 Liteは1K画像あたり$0.034、text-to-imageの出力は4秒で、Omni Flashは動画出力1秒あたり$0.10である。どちらもGoogle AI Studioとgemini APIから利用できる。
選定理由：画像生成と動画生成の2モデルを連結する使い方と、価格や制限事項が具体的に示されており、開発での採用判断の材料になる。
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。
SB Intuitionsは、フルスクラッチで開発した国産LLM「Sarashina3 mini」とその軽量版「Sarashina3 nano」を公開し、商用APIとして提供を開始した。事前学習には日本語・英語を中心とした30Tトークンのデータを用い、数学（AIME 2025）やエージェント（τ2-bench Telecom）などで前世代のSarashina2 miniから大幅な性能向上を達成したという。
Anthropicは Sonnet ファミリーの次世代モデル Claude Sonnet 5（claude-sonnet-5）を公開した。導入価格は$2 / $10 per MTokで、8月10日に標準価格となる。1Mトークンのコンテキストウィンドウと128kの最大出力トークンに対応するが、Priority Tier は利用できない。あわせて Claude Managed Agents にもイベントデルタやセッション単位の設定上書きなどの更新が入った。
選定理由：料金、コンテキスト長、移行時に必ず確認すべき挙動変更とトークナイザー変更が一つにまとまっており、移行コストの見積もりに使える。
Mistral AIはOCRモデルMistral OCR 4を公開した。テキストに加え、バウンディングボックス、ブロック種別の分類、インラインの信頼度スコアを返し、10言語グループにわたる170言語に対応する。APIは1,000ページあたり$4で、Batch APIでは50%割引の$2、Document AIは$5である。単一コンテナでセルフホストもでき、企業向けに提供される。
選定理由：バウンディングボックスや信頼度スコアを返す構造化出力と、ベンチマーク自体の採点上の限界が併記されており、自社文書での検証の考え方をつかみやすい。
Anthropicは、Claude Sonnet 4（claude-sonnet-4-20250514）とClaude Opus 4（claude-opus-4-20250514）の提供を終了した。両モデルへのClaude APIのリクエストは、現在エラーを返す。移行先としては、それぞれClaude Sonnet 4.6とClaude Opus 4.8が推奨されている。研究者は、External Researcher Access Programを通じて継続的なアクセスを申請できる。
Google DeepMindは、テキスト拡散を採用した26B MoEのオープンモデルDiffusionGemmaをApache 2.0ライセンスで公開した。専用GPU上で最大4x高速な推論を実現し、単一のNVIDIA H100で1000+トークン/秒、NVIDIA GeForce RTX 5090で700+トークン/秒を出す。出力品質は標準のGemma 4より低く、高品質が必要な用途にはGemma 4を推奨している。
選定理由：自己回帰モデルとの速度差が生じる仕組みと、ローカル推論に向く条件、クラウド配信で利点が薄れる点が整理されており、用途の見極めに使いやすい。
Googleは、70以上の言語でほぼリアルタイムの音声から音声への翻訳を行う音声モデルGemini 3.5 Live Translateを公開した。話者の抑揚、話す速さ、音の高さを保った自然な翻訳音声を生成する。開発者向けにGemini Live APIとGoogle AI Studioでパブリックプレビュー、Google Translateアプリ（Android、iOS）にも展開が始まった。
選定理由：開発者向けAPI、Google Meet、Google Translateアプリへの展開範囲が一度に整理されており、利用経路を比較しやすい。
Google DeepMindはノートPC向けのマルチモーダルモデルGemma 4 12Bを発表した。画像と音声の入力をエンコーダーなしでLLM本体に直接渡す構成で、16GBのVRAMまたはユニファイドメモリで動作する。Apache 2.0ライセンスで公開され、Hugging FaceとKaggleから重みを入手できる。
選定理由：画像と音声をエンコーダーなしでLLM本体に直接入力する構成と、16GBで動作するメモリ要件が示されており、ローカル運用の判断材料になる。
Anthropicは全顧客向けで最も高性能とするClaude Fable 5（claude-fable-5）を公開した。Project Glasswing参加者向けにはClaude Mythos 5（claude-mythos-5）も提供する。両モデルとも1Mトークンのコンテキストウィンドウ、最大128kの出力トークン、常時有効なadaptive thinkingに対応する。Claude Opus 4.7で導入されたトークナイザーを使い、従来モデルより同じテキストで約30%多くのトークンが生成される。
選定理由：新モデルの仕様に加え、トークナイザー変更による約30%のトークン増や拒否時の課金条件など、移行時に確認すべき点が整理されている。
Microsoft AIが音声合成（TTS）モデル「MAI-Voice-2」を発表した。対応言語は英語のみから15言語に拡大され、並列比較テストでは前世代のMAI-Voice-1より72%の割合で好まれたとされる。5～60秒の参照音声から声を再現するzero-shot音声プロンプトに対応し、Microsoft Foundryで提供されるほか、VSCodeとDynamics 365 Contact Centerへの統合が進められている。
Microsoft AI（MAI）が画像モデル「MAI-Image-2.5」を公開し、Arenaの画像編集リーダーボードで2位にランクインした。高速版の「MAI-Image-2.5-Flash」も同時に提供され、両モデルは開発者向けにFoundryで利用できる。料金はMAI-Image-2.5が1Mテキスト入力トークンあたり5ドル、1M画像入力トークンあたり8ドル、1M画像出力トークンあたり47ドルで、MAI-Image-2.5-Flashはそれぞれ1.75ドル、1.75ドル、19.50ドルである。
Microsoft AI（MAI）はBuild 2026の基調講演で、画像、音声、文字起こし、推論、コーディングにわたる7つの新モデルを発表した。初の推論モデルMAI-Thinking-1は35B active parameterのMoEで256Kコンテキストウィンドウを持ち、SWE Bench Proで53%、AIME 25で97%と説明されている。モデルはFoundryに加え、Open Router、Fireworks、Basetenでも提供される予定である。
Microsoft AIは新たなMAIモデル7種を公開し、OpenRouter、Fireworks、Baseten、Foundryで提供する。開発者がモデルのウェイトを自らチューニングできるのは初めてだという。強化学習で自社ワークフローに適応させるMicrosoft Frontier Tuningも発表し、Excel向けのMAIチューニング済みモデルはGPT 5.4に並びつつ最大10×効率的とした。
Microsoft AIは音声認識モデル「MAI-Transcribe-1.5」を発表した。ユーザーが指定したドメイン固有のキーワードへ予測を寄せるキーワードバイアシングに対応し、人名、製品名、医療用語などの認識を改善する。FLEURS多言語ベンチマークでは、キーワードバイアシング使用時にWord-Error-Rate（WER）が30%削減された。モデルは文脈を基に適用の要否を判断し、一般的な音声での精度は維持する。
Microsoft AIはコーディングモデルMAI-Code-1-Flashを発表した。GitHub Copilotの本番ハーネスで直接学習し、SWE-Bench Proでは51.2%対35.2%でClaude Haiku 4.5を上回ったとしている。SWE-Bench Verifiedでは最大60%少ないトークンで解いたという。
選定理由：GitHub Copilotの本番ハーネスで学習・評価した点と、同一ハーネスでClaude Haiku 4.5と比べた数値が示されており、比較の前提を把握しやすい。
Anthropicは最も高性能とするClaude Opus 4.8（claude-opus-4-8）を公開した。Claude API、Amazon Bedrock、Google Cloud、Microsoft Foundryで1Mトークンのコンテキストウィンドウを標準でサポートし、最大出力は128kトークンである。会話途中のシステムメッセージやstop_detailsフィールドの公開ドキュメント化なども同時に発表された。
選定理由：モデル本体に加え、キャッシュ条件やサンプリングパラメータの扱いなど移行時に確認すべき変更点がまとまっており、既存環境の見直しに役立つ。