本文へスキップ

#モデル発表

本日1件
今日10月20日火
  1. AI at Meta40

    Metaは、オハイオ州New Albanyのギガワット級スーパークラスタ「Prometheus」で、Muse Wonderを含むMuse基盤モデルを学習したことを明らかにした。Muse Wonderの学習では、事前学習のgoodputが85%以上、強化学習が90%以上で、平均中断間隔は約47K GPU時間である。数十万基規模のGPUでは一部ホストの性能低下が学習全体を遅らせるため、大規模での耐障害性を重視して設計したという。

10月19日月
  1. xAI News59

    xAI、フラッグシップ音声モデルGrok Voice 1.0をAPIで提供開始

    xAIは新フラッグシップ音声モデルGrok Voice 1.0をAPIで提供開始した。カスタマーサポートや営業など複雑な複数ステップのワークフロー向けで、τ-voice Benchイのリーダーボードで首位とされる。Starlinkの電話窓口では、営業の成約率20%、サポートの解決率70%を記録している。

  3. xAI News38

    Grok Build で Composer 2.5 が利用可能に

    Grok Build で Composer 2.5 が利用可能になった。/models メニューから、または /model と入力して Composer 2.5 を選択すると利用できる。Composer 2.5 は高速で最先端のモデルとされ、長時間に及ぶタスクや複雑な指示への追従に優れるという。

  4. xAI News35

    xAI、画像から動画を生成する grok-imagine-video-1.5-preview をAPIでプレビュー公開

    xAIは、静止画から動画を生成する画像から動画へのモデル「grok-imagine-video-1.5-preview」を、xAI APIでプレビュー提供開始した。開始フレームと動きを説明するプロンプトを与えると、カメラの動き、雰囲気、物理表現を含めて場面をアニメーション化し、入力画像に忠実な映像を生成する。最大720pのクリップを作成でき、複数のシーンを連結して、プロジェクト全体で一貫した見た目の長い映像を作ることもできる。

  5. xAI News58

    xAI、画像から動画を生成するGrok Imagine Video 1.5をImagine APIで一般提供

    xAIはGrok Imagine Video 1.5をImagine APIで一般提供し、高速版のVideo 1.5 Fastをgrok.com/imagineとiOS・Androidアプリで公開した。Video 1.5 Fastは6秒、720pの動画を約25秒で生成し、従来モデルの40秒以上から短縮された。Projects、複数エージェントの並列実行、ライブラリ検索の新機能も数日かけて順次提供される。

  6. xAI News62

    SpaceXSI、コーディングとエージェント向けモデルGrok 4.5を発表

    SpaceXSIはコーディング、エージェント型タスク、ナレッジワーク向けのモデルGrok 4.5を公開した。80 TPSで提供され、価格は入力100万トークンあたり$2、出力100万トークンあたり$6である。Grok Build、全プランのCursor、SpaceXSIコンソールで利用でき、Grok BuildとCursorでは期間限定で無料利用も可能である。

    選定理由：コーディング系ベンチマークの比較値に加え、トークン効率や価格も併記されており、他モデルとの費用対効果を見比べる材料になる。

  8. xAI News58

    xAI、Imagine Image 2.0を一般提供開始 精密な画像生成と編集に対応

    xAIは画像生成モデルImagine Image 2.0を、grok.com/imagineとiOS・AndroidアプリのQuality Modeとして一般提供した。指示への忠実さ、タイポグラフィとレイアウトの計画、生成や編集をまたぐ内容の保持を特徴とする。APIではgrok-imagine-image-2.0として利用でき、Arenaのtext-to-imageと画像編集の両方で総合Elo世界2位としている。

  9. xAI News58

    xAI、長時間エージェント向けのGrok 4.6を公開 CursorとGrok Buildで利用可能

    xAIはGrok 4.5を土台に、長時間動作するエージェントと対話的・視覚的な作業を重視したGrok 4.6を公開した。Artificial Analysis Intelligence IndexではGPT-5.6 Solと同じ61である。CursorとGrok Buildで利用でき、APIは入力100万トークンあたり$2、出力$6からである。

  11. xAI News44

    Grok 4.6、Gemini Enterprise Agent Platformで利用可能に

    xAIのGrok 4.6が、Gemini Enterprise Agent PlatformのModel Gardenから利用可能になった。Grok 4.6は長時間稼働するエージェントや対話型・視覚的な作業向けのフラッグシップモデルで、500kのコンテキストウィンドウを備え、推論の度合いをlow、medium、high、xhighから設定できる。料金は入力が100万トークンあたり2ドル、キャッシュ入力が同0.50ドル、出力が同6ドル。

  12. xAI News22

    Grok 4.6、Microsoft Foundryで利用可能に

    xAIのGrok 4.6がMicrosoft Foundryで利用可能になった。コンテキストウィンドウは500kで、推論の強度はlow、medium、high、xhighから設定できる。Foundryでは他のフロンティアモデルとの比較評価、マネージドエンドポイントへのデプロイ、エンタープライズ向けのセキュリティとガバナンス管理が行える。

  15. Google Developers Blog56

    Google DeepMind、オープンウェイトのマルチモーダル埋め込みモデルEmbeddingGemma 2を公開

    Google DeepMindは、テキスト、画像、動画フレーム、音声を単一のベクトル空間に写像するオープンウェイトの埋め込みモデルEmbeddingGemma 2を公開した。パラメータ数は740Mで、Google Pixel 11 Pro上のアクティブRAMはテキストのみで約191MB、フルマルチモーダルで約567MBとされる。Google AI Edge GalleryとForesightでのデモに加え、MediaPipe TasksやLiteRTで開発できる。

  16. Google Developers Blog62

    Google、Gemma 4ベースの埋め込みモデルEmbeddingGemma 2を公開、5種類のデータを統一空間に

    GoogleはGemma 4をベースにしたApache 2.0ライセンスのオープンモデルEmbeddingGemma 2を公開した。テキスト、コード、画像、動画、音声を768次元の共通ベクトル空間に変換し、270Mから740Mパラメータまで必要なエンコーダーだけを読み込める。MTEB (Code)ではEmbeddingGemma 1より14%高いスコアを示している。

    選定理由：モジュール式エンコーダーと次元削減の選び方が数値付きで整理されており、自分の検索基盤の構成を検討する際の比較材料になる。

  17. Google Developers Blog59

    Google、ロボティクス向けGemini 4 Argonを公開、ERQAで87%

    GoogleはGemini 4 Argonを公開した。物理的理解、コード生成、視覚・意味推論が向上し、ERQAベンチマークでは推論のみで87%を記録して他のフロンティアモデルを上回ったとしている。ロボット制御、Real2Sim、物理理解、研究・自己改善の4分野の代表的なプロンプトも紹介している。Google AI StudioやGemini APIなどで利用できる。

10月17日土
  2. Google DeepMind43

    4体のGemini 4 Argonエージェントが、ゼロから27時間でMinecraftをクリアした。 サンドボックス内でコードとテキストのみを使い、2,783本のプログラムを書き、チャットで役割を分担し、メモを共有し、エラーを一緒にデバッグした。人間の助けは一切なし ↓ https://x.com/maxencefaldor/status/2111023397106770026

    引用元Maxence Faldor@maxencefaldor

    Four Gemini 4 Argon agents, one shared Minecraft world, one goal: defeat the Ender Dragon. 27 hours and 2,783 self-written programs later, the dragon fell. https://x.com/i/article/2111007444981645312

  3. AWS Machine Learning Blog49

    Reflection Beam登場、AWSでのエージェント型コーディング向けオープンウェイトモデル

    Reflection AIが、エージェント型コーディングと長期タスク向けのオープンウェイトモデルBeamを公開した。総パラメータ501B、アクティブ23BのスパースMoEで、実効コンテキスト長は1Mトークンと同社は報告している。重みはApache 2.0ライセンスでHugging Faceから提供され、発表時点ではAmazon SageMaker JumpStartの米国東部（バージニア北部、オハイオ）で利用できる。

10月16日金
  2. Hugging Face60

    Hugging FaceはReflectionチームがオープンウェイトモデル Beam の開発過程を語るライブ配信を告知した。配信はYouTubeで行われ、URLは https://www.youtube.com/watch?v=dGhUFqeITbY である。引用元のReflectionは、Beamが Apache 2.0 ライセンスのオープンウェイトで公開されたと伝えている。

    引用元Reflection@reflection_ai

    Beam is now available across platforms, with open weights under the Apache 2.0 license - in collaboration with an ecosystem of 40+ partners. We're releasing: - Weights, tokenizer, and reference implementation - BF16, FP8 and NVFP4 weights and a DFlash2 drafter - The open source harness we built and trained Beam on: Mirror CLI Weights and model card on Hugging Face: https://huggingface.co/reflection

  4. Hugging Face Blog78

    Reflection、501B規模のオープンモデルBeamをHugging Faceで公開

    新興の米ラボReflectionが初のモデルBeamをApache 2.0ライセンスで公開した。総パラメータ501B、トークンあたり23B活性のMoEモデルで、コンテキストウィンドウは1Mトークン、コーディングとエージェント用途に重点を置く。transformers、vLLM、SGLangがDay-0で対応し、BF16、FP8、NVFP4の3種のチェックポイントを提供する。

    選定理由：アーキテクチャの内訳、精度別チェックポイントごとのベンチマーク、必要なGPU構成、SFTとGRPOの手順がまとまっており、自前運用の見積もりに使いやすい。

  6. AI at Meta29

    Meta Omnilingual ASRが、TIMEの「Best Inventions of 2026」の1つに選ばれた。1,600以上の言語に対応するASRモデル群で、これまでどのASRシステムも対応していなかった低カバレッジ言語500言語を含む。多くのASRはネット上で資料の多い限られた言語に集中しており、今回のリリースは普遍的な文字起こしシステムに向けた大きな一歩と位置づけられている。

  7. Hugging Face Blog42

    Granite Switch 4.1、チャット・判定・音声認識を1つのエンドポイントで提供

    Granite Switch 4.1の8Bと30Bモデルは、汎用のDecision aLoRA、安全性判定向けのGuardian aLoRA、OpenASR Leaderboardで最速とされるASRモデルGranite-Speech-5.0-Turbo-CTCを1つのモデルに統合し、1つのエンドポイントでチャット、判定、文字起こしを処理する。必要なVRAMはベースモデル単体とほぼ同じで、KVキャッシュも再利用できる。vLLMではプラグインで動作し、llama.cppもネイティブに対応している。

  9. Microsoft AI (MAI) News50

    Microsoft AI、MAI-Base-2の事前学習を解説

    Microsoft AIは、アクティブ80B、総計2.8Tパラメータの MoE 基盤モデル MAI-Base-2 の事前学習を完了した。保留評価では試験したオープンウェイトモデルをすべて上回り、DeepSeek-V4-Pro-Base に対する事前学習のFLOPs効率は4〜12倍である。16k GB200 GPUで38日間学習し、現在は事後学習中で、重みはFoundry経由で信頼できるパートナーにライセンス提供する方針である。

  10. NVIDIA62

    NVIDIAはオープンモデルのNemotronファミリーに、Nemotron 3.5 Super VLを加えた。視覚理解、推論、ツール利用を組み合わせ、AIエージェントがより短時間で多くの作業を完了できるようにするという。総パラメータ120B、アクティブ12Bで、テキスト、画像、ドキュメント、動画の理解に対応する。

    引用元NVIDIA AI@NVIDIAAI

    Meet NVIDIA Nemotron 3.5 Super VL Our new open model combines reasoning and tool use with text, image, document, and video understanding for long-running AI agents. 120B total parameters with 12B active 🧵

  11. NVIDIA Blog56

    NVIDIA、Nemotron 3.5 Super VLとBolt 74B-A9B 24GBをオープンモデルとして公開

    NVIDIAは1200億パラメータのオープンモデルNemotron 3.5 Super VLと、エッジ向けのNemotron 3.5 Bolt 74B-A9B 24GBを公開した。Bolt E4B 4GBは10月23日に提供予定である。Super VLは同クラスで次点の5倍高速なスループットとされ、Hugging Faceなどから利用できる。

10月15日木
  1. Mistral AI News47

    Mistral AI、時系列基盤モデル「Timestral」を公開

    Mistral AIが時系列基盤モデルのファミリー「Timestral」を公開した。最大の209Mパラメータモデルは、GIFT-Eval、TIME、fev-benchの3つの主要ベンチマークで1位となり、従来の最先端モデルよりも少ない3分の2のパラメータで上回った。5Mから209Mまでの4サイズがあり、推論にGPUは不要で、標準的なサーバーCPU（8スレッド）では1日先の予測に5Mモデルが10ms、209Mモデルが140msを要するとされる。

  2. Hugging Face Blog41

    Apertus 1.5、画像・音声理解と思考モードを追加

    Apertus 1.5は、Apertus 1.0の8Bおよび70Bモデルを拡張した最新版で、画像と音声の理解、任意で使える思考モード、4倍となる262,144トークンのコンテキストウィンドウを備える。8Bと70Bの重みは2026年7月24日にHugging FaceでApache 2.0ライセンスのもと公開された。学習データは8Bモデルに4兆トークン、70Bモデルに2兆トークンの継続事前学習を加えており、合計はそれぞれ19T、17Tである。

  3. LINEヤフー Tech Blog38

    LINEヤフー、サービス特化型言語モデルの社内共有プロジェクト「Moegi」を紹介

    LINEヤフーは、Yahoo!ショッピングやYahoo!検索などの固有テキストで事前学習したBERT系モデルを社内共有するプロジェクト「Moegi」を紹介した。bert-110mのMoegiモデルは公開日本語モデル2種を全3タスクで上回り、gpt-5.6-solと近いスコアを示した。推論コストはgpt-5.6-solの約900分の1〜約1,700分の1と概算されている。

  4. Hugging Face Blog69

    Meta、オープンウェイトのマルチモーダルMoEモデル「Muse Spark Open」を公開

    Metaはオープンウェイトのモデル「Muse Spark Open」を公開した。総パラメータ約816B、トークンあたりのアクティブ約42BのMoEで、テキスト、画像、音声、動画を入力でき、コンテキストウィンドウは最大1Mトークンである。Hugging Face Blogでは、transformers、llama.cpp、SGLang、vLLM、MLXでの実行方法とTRLによるファインチューニング、デモを紹介している。

    選定理由：総パラメータ約816B、アクティブ約42Bという構成と、各推論環境での動かし方や必要なメモリ量がまとまっており、導入規模を見積もる材料になる。

  5. Hugging Face Blog60

    Black Forest Labs、FLUX.3 Image Kleinを公開 Diffusersで初日から利用可能

    Black Forest LabsのFLUX.3 Image Kleinが公開され、Diffusersで初日から動作する。1つのモデルでtext-to-image、複数参照のimage-to-image、バウンディングボックスによるレイアウト制御に対応する。蒸留版は16ステップでCFGなし、H100で1024 × 1024の画像を約2秒で生成する。NVFP4とFP8の重み、LoRA学習スクリプト、Modular Diffusersパイプラインも提供される。

    選定理由：bboxをプロンプトに書いて配置や移動を指定する操作法と、H100での速度やメモリの実測値が併記されており、導入時の負荷を見積もりやすい。