オープンなモデル、フレームワーク、リポジトリ。重みの公開、急成長するコミュニティ、オープンとクローズドの力関係。
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。
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。
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。
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。
Mistralは、総パラメータ1兆、アクティブ520億のネイティブマルチモーダルモデルMistral Large 4（ML4）のパブリックプレビューを開始した。プレビューAPIはMistral Studioで試用でき、ウェイトは今月末に公開予定である。コーディング、エージェント型ワークフロー、マルチモーダル理解で高い性能を示すとしており、Artificial Analysis Cyber Indexでは世界上位5モデルに入るとしている。
選定理由：サイバーセキュリティや金融、法務での評価結果に加え、学習基盤とRLの運用規模まで示されており、オープンウェイト大型モデルの位置づけを比較しやすい。
NVIDIAは、AIエージェントのテストから展開までを保護するオープンなプラットフォーム NVIDIA Open Agent Safety Platform を発表した。ソフトウェアの OpenShell と、BlueField-4 DPU 上で動作するリファレンス設計 Sentry で構成される。OpenShell は NVIDIA 開発者向けソースページと GitHub から入手できる。
選定理由：ソフトウェア層のOpenShellとBlueField-4上のSentryという二層構成で、エージェント制御の置き場所を整理して読める。
Hugging Face HubにRL Environments用のフィルターが追加された。rl-environment タグを付けたデータセットリポジトリが一覧に表示され、Harbor、Verifiers、OpenEnv、NeMo Gym の4フレームワークのタグも登録されている。新しいリポジトリ種別やレジストリ、サインアップは不要である。
選定理由：既存のデータセットリポジトリにタグを付けるだけで複数フレームワークから共通利用できる設計が示されており、環境公開の手順を具体的に把握できる。
Hugging Faceはtransformersに、GGUFモデルを`from_pretrained`で読み込んで実行する機能を追加した。ggmlのカーネルをkernelsライブラリ経由で再利用し、まずApple SiliconのQwen3.5アーキテクチャを対象にしている。現時点ではmainブランチで利用でき、パック済み推論経路はMPSのみに対応する。
選定理由：GGUFをtransformersのAPIで読み込む手順と、llama.cppとの役割分担、Apple Siliconでの現時点の対応範囲が具体的に整理されている。
Hugging Faceのブログが、Surya Narreddiの水彩画生成の手法をTRLとOpenEnvで再現し、データセット、RL環境、学習スクリプト、学習済みモデルをすべて公開した。Qwen/Qwen3.5-35B-A3Bにp5.brush用のJavaScriptを書かせ、審査モデルと美的評価モデルの報酬で学習させている。3種類の報酬配分はいずれも報酬が上昇した。
選定理由：報酬設計から失敗した実験、コストまでが具体的な数字で整理されており、好みを報酬にするRLを自分で再現する際の判断材料になる。
Hugging Faceは2026年1月から8月のHubの動向をまとめた報告書を公開した。公開モデルリポジトリは2.43百万から2.96百万、データセットは71.1万から100万に増加した。中国勢の大規模モデル、ダウンロードといいねの乖離、Qwenの派生数151,448、AIエージェントのHub利用拡大などを論点に挙げている。
選定理由：ダウンロードといいねの乖離やQwenの派生数など、Hubの実データに基づく数値が並び、オープンモデルの現状を比較して捉えやすい。
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。
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。
LINEヤフーのチームは、エージェントがiOSとAndroidの画面を見てタップし結果を検証できるクロスプラットフォームCLI「sim-use」をオープンソースとして公開した。画面をoutlineと呼ぶ独自のテキスト形式に変換し、24 KBのJSONが1.2 KBになりトークン消費は1/20に抑えられる。記事ではoutline、quadtreeプローブ、daemon、クロスプラットフォーム設計、マルチタッチの5つの技術判断を解説している。
選定理由：UIツリーをoutlineに圧縮する設計や、quadtreeプローブ、daemon化の判断が実測値つきで示され、エージェント向けCLI設計に応用しやすい。
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。
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 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。
Mistral AIは、128B denseのオープンウェイトモデルMistral Medium 3.5をパブリックプレビューで公開し、Mistral VibeとLe Chatにクラウド上で動くリモートエージェントを追加した。SWE-Bench Verifiedで77.6%、τ³-Telecomで91.4を記録したとしている。Pro、Team、Enterpriseプランで利用でき、APIは入力100万トークンあたり$1.5、出力$7.5である。
選定理由：128B denseモデルの公開とクラウド型エージェントの提供が同時に示され、価格や自社ホスト要件も併記されているため、導入判断の材料にしやすい。
Mistral AIはMistral Small 4を発表した。Magistralの推論、Pixtralのマルチモーダル、Devstralのエージェント型コーディングを1つのモデルに統合し、Apache 2.0ライセンスで公開している。119B総パラメータのMoEで256kコンテキストウィンドウに対応し、Mistral Small 3と比べてレイテンシ重視設定でエンドツーエンドの完了時間を40%削減、スループット重視設定で毎秒リクエスト数を3倍にした。
選定理由：推論、マルチモーダル、エージェント型コーディングを1モデルに統合した構成と、出力長を抑えた比較が示されており、モデル選定の軸を整理しやすい。
Mistral AIは音声認識モデルのファミリーVoxtral Transcribe 2を公開した。バッチ向けのVoxtral Mini Transcribe V2と、遅延を200ms未満まで設定できるライブ向けのVoxtral Realtimeで構成する。Realtimeは4BパラメータでApache 2.0のオープンウェイトとしてHugging Face Hubで配布され、Mini Transcribe V2のAPI料金は1分あたり$0.003である。
選定理由：バッチ向けとリアルタイム向けの二つのモデルについて、遅延設定、料金、対応言語が並べて示されており、用途ごとの使い分けを判断しやすい。