xAI、コーディングと知識業務向けモデルGrok 4.7を発表

xAIはコーディングと知識業務向けの最上位モデルGrok 4.7を発表した。価格と速度はGrok 4.6と同じで、入力は100万トークンあたり$2、出力は$6である。CursorとGrok Buildで本日から利用でき、Grok APIなどでも提供される。

xAI、音声文字起こしモデル「Grok Voice Transcribe 2.0」を発表

xAIは音声文字起こしモデル「Grok Voice Transcribe 2.0」を公開し、同価格の前世代「Grok Voice Transcribe 1.0」より精度が2倍になったとしている。Artificial Analysisの公開リーダーボードでは、ストリーミング対応の32モデルの中で精度が首位となった。料金はバッチが1時間あたり0.10ドル、ストリーミングが1時間あたり0.20ドルで、1.0と同一である。

Z.ai@Zai_orgAIスコア4444

Zhipu GLMは、GLM-5.3がGLM-5.3-Flashを提供する推論インフラの構築と最適化に貢献したと公表した。初回の実行成功から本番投入可能な状態まで2週間未満で到達し、エンドツーエンドのスループットは初期ベースライン比で3倍になった。鍵はローカルの正しさテスト、実行トレース、マイクロベンチマーク、エンドツーエンド計測という密なフィードバックで、集計指標だけに頼らず仮説を絞って検証できたという。

Google DeepMind、音声対話モデルGemini 3.8 LiveとGemini 3.8 Live Extended Thinkingを発表

Google DeepMindは、音声対話モデルGemini 3.8 LiveとGemini 3.8 Live Extended Thinkingを発表した。前者は規模とコスト効率、後者は複雑なタスク向けの設計である。Extended ThinkingはArtificial AnalysisのSpeech to Speech Quality Indexで総合1位（82.6）となり、両モデルとも本日から順次提供される。

Google、音声対話モデルGemini 3.8 LiveとExtended Thinkingを発表

Googleは音声対話モデルGemini 3.8 LiveとGemini 3.8 Live Extended Thinkingを発表した。前者は規模とコスト効率、後者は高度な多段階推論を重視している。Extended ThinkingはArtificial AnalysisのSpeech to Speech Quality Indexで82.6の1位となり、いずれも発表日から順次提供が始まっている。

DeepSeek@deepseek_aiAIスコア3434

🚀 DeepSeek-V4.1-Flashを発表。より賢く、より高速に、より効率的に。 🔹 新アーキテクチャファミリーで最小のモデルを発表。ネイティブの視覚理解に対応。 🔹 より高い性能、より高速な推論、より高いスループット、そしてより大規模なモデルへのスケーリングを目指して設計。 1/6

最新オープンアーティファクト（#24）：Motif-3、GLM-5.3、Hy4-previewとオープンモデルのライセンス動向

ZhipuのGLM-5.3は、GLM-5.2以前のMITから独自ライセンスへ変更された。Model as a Serviceを運営し、関連会社を含む連続12か月の売上が100億ドルを超える場合、商用利用前にZ.AIのセキュリティ審査が必要となる。「affiliates」が定義されておらず採用の障壁になると指摘し、Kimi K3やMiniMax M3も制限的な条件を課している。MotifのMotif-3はMITライセンスで公開されている。

AI情報通：OpenAI、GPT-6 Astraとサイバー防御支援策「Daybreak for Frontline Defenders」を発表

OpenAIは2026年9月3日、ソフトウェア開発やサイバーセキュリティ、科学研究等の能力を高めた新モデル「GPT-6 Astra」を発表した。Astraは一部の組織への限定提供を経て、ChatGPTの有料プランやAPI等へ順次展開するとしている。同日、サイバー防御支援の取組「Daybreak for Frontline Defenders」も発表され、アクセス、研修、技術支援及び新たな提携に総額10億ドル相当が充てられる。

Microsoft、MAI-Image-2.6をFoundryで提供開始、高速版MAI-Image-2.6-Flashも追加

Microsoftは画像モデルMAI-Image-2.6をMicrosoft Foundryの開発者向けに提供し、低遅延向けのMAI-Image-2.6-Flashを加えた。MAI-Image-2.6はArenaでtext to imageと画像編集がともにNo. 2、Artificial Analysisではtext-to-imageがNo. 2、画像編集がNo. 1である。Flashは GPT-Image-2-Mediumより2.8倍高速で、効率は72%高いとしている。

Google、音楽生成モデルLyria 3.5をGeminiアプリとGemini APIで提供開始

Googleは音楽生成モデルLyria 3.5をGeminiアプリとGemini APIで提供開始した。より表現力のあるボーカルと豊かな楽曲アレンジに対応し、高い忠実度でトラックを作成できる。Webとモバイルアプリで世界中の全ユーザーが利用できる。

SB Intuitions、日本語に強い画像生成基盤モデルSarashina Image 2.6Bを開発

SB Intuitionsは、日本語および英語のプロンプトから高解像度画像を生成する画像生成基盤モデル「Sarashina Image 2.6B」を開発した。26億パラメータのDiffusion Transformer（DiT）を既存モデルのファインチューニングではなくフルスクラッチで訓練し、Text Encoderには自社のSarashina2.2-Vision-3Bを採用している。学習データは自社購入の大規模ストックフォトを中核に、ライセンスや利用規約を遵守したオープンデータセットを組み合わせて構築した。

Google、Gemini 3.8 Flash と 3.8 Flash Cyber を発表

Googleは推論とコーディング性能を高めたGemini 3.8として、汎用の3.8 Flashとサイバーセキュリティ特化の3.8 Flash Cyberを発表した。3.8 Flashは入力100万トークンあたり0.75ドル、出力3.75ドルの初期提供価格で、Cyberは新設のFairwind Programを通じてパートナーに提供される。

Google DeepMind、気象AIモデルWeatherNext 3を発表 衛星データを取り込み毎時予報を生成

Google DeepMindとGoogle Researchは、グローバル気象AIモデルWeatherNext 3を発表した。リアルタイムの衛星データを学習に用い、最大5kmの解像度で毎時予報を生成する。Search、Gemini、Maps、Google Maps Platform、Cloudなどに今日から順次組み込まれ、降水予報は1日以上先で最大50%精度が向上するとしている。

Microsoft AI、音声認識モデルMAI-Transcribe-2を発表

Microsoft AIが音声認識モデルMAI-Transcribe-2を発表した。FLEURSの60言語で平均Word-Error-Rate 5.2%の1位となり、Artificial Analysisでは精度とレイテンシーのPareto Frontierを形成している。話者分離、単語単位のタイムスタンプ、verbatim/cleanの出力設定に対応し、OpenAIのGPT-Transcribeより10x高速という。価格は年末までの期間限定で1時間あたり$0.10である。

NeoMME：効率的なマルチモーダルネイティブ・多言語エンコーダ

Hugging Face、260Mと800Mの2サイズからなる多言語マルチモーダルエンコーダ「NeoMME」を発表。事前学習済みのビジョンタワーを使わず、単一の双方向Transformerでテキストトークンと画像パッチを同時に処理する。

Google DeepMind、Gemini 3.8 FlashとGemini 3.8 Flash Cyberを発表

Google DeepMindは、推論とコーディング性能を高めたGemini 3.8 Flashと、サイバーセキュリティ特化のGemini 3.8 Flash Cyberを発表した。3.8 Flashは入力$0.75、出力$3.75（100万トークンあたり）の導入価格で、HLE-Verifiedで54.9%を記録した。Cyber版は新設のFairwind Programを通じ、信頼された防御者のみに提供される。

Google AI Developers@googleaidevsAIスコア3838

Gemini 3.8 Flashは複雑な推論に特化して設計されている。⚙️ そのスキルを試すため、@GoogleAIStudio で 3.8 Flash と @ThreeJS を使い、インタラクティブな3Dビジュアライザーを構築した。モデルがハードウェアデバイスの、現実的で物理的な比率を保った分解図を生成する様子をご覧いただきたい。デバイスは自動的にレイヤーへ分解され、ユーザーは分解スライダーで展開して内部を確認できる。

LLM-jp、視覚言語モデル「LLM-jp-4-VL 9B」を公開 llm-jp-4-8b-thinkingをマルチモーダル化

大規模言語モデル研究開発センター（LLMC）は、llm-jp-4-8b-thinkingをマルチモーダル化した視覚言語モデル「LLM-jp-4-VL 9B」を公開した。FineVisionの問題データを削除・修正したデータセット「RefinedVision」も併せて公開し、学習データは約2,930万件である。beta版よりGPQAやCharXiv Reasoningなどで性能が向上した一方、Qwen3.5-9Bとは多くのタスクで差が残る。

Anthropic、Claude Fable 5.1とClaude Mythos 5.1を提供開始

Anthropicは長時間のエージェント型コーディングや知識業務、研究向けのClaude Fable 5.1（claude-fable-5-1）と、Project Glasswing参加者向けのClaude Mythos 5.1（claude-mythos-5-1）を公開した。どちらも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、常時有効な適応型thinkingに対応し、価格はClaude Fable 5と同じ$10 / $50 per MTokで、キャッシュ読み取りは$0.25 per MTokに下がった。

TimesFM-3：多変量予測向けのゼロショット基盤モデル

Googleは時系列基盤モデル「TimesFM-3」を発表した。複数の関連する時系列を同時に予測する多変量予測を、追加学習なしのゼロショットで行えるモデルである。パラメータ数は3億3000万で、1兆を超える時点の実世界データと合成データで事前学習されている。予測期間全体を1回のフォワードパスで生成し、各時点で10〜90パーセンタイルの9つの分位点を出力する。

Google DeepMind、Gemini Omni 1.1 Flashを発表 シーン延長や4Kアップスケールに対応

Google DeepMindは、開発者向け動画生成モデルGemini Omni 1.1 Flashを発表した。シーン延長、最初と最後のフレーム指定、360pドラフト、1080p/4K出力、動画参照入力に対応する。Google AI StudioのGemini APIやGoogle Flowなどで本日から利用できる。

Google AI Developers@googleaidevsAIスコア3131

🗣️💬 Gemini 3.5 Transcribeを紹介する。コードベースを実際に理解する音声テキスト変換モデルである。 @Antigravityでの開発中に、この最新モデルが話し言葉の言い淀みを除去し、技術用語、ファイル名、コード変数をアクティブなコンテキストに照らして正確に特定する様子をご覧ください。ビジュアルバイアシングにより、このモデルは複雑な開発者ワークフローに、画面を認識した深いコンテキストをもたらす。

Google DeepMind、音声認識モデルGemini 3.5 Transcribeを発表

Google DeepMindは音声認識モデルGemini 3.5 Transcribeを発表した。生の音声から言い直しやフィラーを整えた整形済みテキストを直接出力し、85以上の言語を自動検出して書き起こす。Gemini APIとGemini Enterprise Agent Platformでパブリックプレビューとして提供される。

IBM、Granite 4.2 LLMの構築方法を解説

IBMのGranite 4.2は、3B、8B、30Bの3サイズで提供される推論特化型のデコーダーのみ・dense型LLMファミリーである。Granite-4.1ベースモデルを事後学習して作られ、すべてApache 2.0ライセンスで公開される。8Bと30Bはサンドボックス環境でツールを操作するエージェントRLを経ており、全モデルが思考／非思考の切り替えとネイティブなツール呼び出しに対応する。

DeepSeek@deepseek_aiAIスコア6262

DeepSeekは実験的マルチモーダルモデルDeepSeek-V4-Flash-Vision-ExpをDeepSeek API Platformで公開した。テキスト能力はDeepSeek-V4-Flashと同等で、マルチモーダルのエージェント系ベンチマークではV4-Flashから大きく向上し、Opus-4.8に近い水準になったとしている。利用は model='deepseek-v4-flash-vision-exp' で指定し、DeepSeek Harness 0.1.1も同日に公開された。

Liquid AI、LFM2.5向けDSparkドラフトモデルを公開、推論が最大3.2倍高速に

Liquid AIはLFM2.5-1.2B-Instruct、LFM2.5-2.6B、LFM2.5-8B-A1Bの3モデル向けにDSparkのドラフトモデルを公開した。投機的デコーディングにより出力品質を変えずにGPUで最大3.18倍、オンデバイスで最大2.87倍のスループット向上を示す。llama.cppとSGLangで初日から利用でき、LFM2.5-2.6Bの関数呼び出しのレイテンシは平均57%減少した。

Google DeepMind、Gemini 3.7 Flashを発表 コーディングとエージェント向け

Google DeepMindは、コーディングとエージェント向けの最新Flashモデル Gemini 3.7 Flash を発表した。3.6 Flashの3週間後の公開で、FrontierCode 1.1 Mainは43.6%対34.4%、DeepSWE v1.1は65.3%対49.0%と向上した。導入価格は入力$0.75/1Mトークン、出力$3.75/1Mトークンで、年末まで適用される。

DeepSeek@deepseek_aiAIスコア6262

DeepSeekはDeepSeek-V4-Proを公開した。エージェント機能を大きく強化し、V4-ProとV4-Flashで推論強度を low、high、max から選べる。アプリとWebでは「Expert Mode」から利用でき、APIでも提供され、モデル名は変わらない。

Microsoft AI、推論モデルMAI-Thinking-1を発表

Microsoft AIは推論モデルMAI-Thinking-1を発表した。35B-active、約1T-totalパラメータのスパースMoEで、AIME 2025で97.0%、AIME 2026で94.5%を記録した。他社モデルからの蒸留を行わず、追跡可能なデータで学習したと説明している。

Google DeepMind、手話からテキストへの翻訳モデルSL2Tを発表 Pixel 11のGboardなどに搭載

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。

MAI-Image-2.6、Arenaのtext-to-imageで2位。Google・Meta・xAIのモデルを上回る

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 Magpie TTSで低遅延の多言語音声エージェントを構築

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、ローカル向けエージェント対応のマルチモーダルモデルMuse Glimmerを公開、Apache 2.0で提供

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。

Google DeepMind、サイクロン予測のWeatherNextをNature論文とともにオープンソース化

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。

Mistral AI、オープンウェイトの安全性分類モデル「Shieldstral」を発表

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。

オープンモデルの最新動向をまとめた「Artifacts #23」、Laguna S2.1・Inkling・Kimi K3など

オープンモデルの最新動向をまとめた「Artifacts #23」では、Thinking MachinesのInkling（975B-A41B MoE）やKimi K3などを取り上げる。Tencentは、Hy3（295B-A21B MoE）のライセンスをApache 2に変更した。Kimi K3は非商用ライセンスで、推論・ファインチューニング事業者には商用契約が求められる。

Google DeepMind、ロボット向け推論モデルGemini Robotics ER 2を公開

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、Google Flow Musicで Lyria 3.5を提供開始

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、Gemini Robotics 2を発表 ヒューマノイドの全身制御に対応

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。

Kimi K3のサイバー能力をUK AISIとCAISIが評価、Anthropicは Claude Opus 5のSystem Cardを公開

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。