マルチモーダルAI

Mistral AIは、オープンおよびクローズドな競合を狙う1兆パラメーターのマルチモーダルモデル「Mistral Large 4」を発表した。ただし、安全性テストのため重みの公開は延期される。

Metaは、ローカルエージェント、コーディング、さまざまなハードウェア上でのプライベートな画像・動画ワークフロー向けの30Bオープンウェイト・マルチモーダルモデル「Muse Glimmer」を公開した。

Metaは、ローカルAIエージェント向けの30B Apache 2.0マルチモーダルモデルMuse Glimmerを公開。プライベートで低コストな推論を狙い、幅広いツール対応を備える。

Moonshot AIのPerceptionBenchは、主要なマルチモーダルモデルが基本的な視覚タスクで60%未満にとどまっていることを示し、見かけ上の推論エラーの背後にある知覚の失敗を浮き彫りにした。

Mistral AIは、単眼カメラナビゲーション向けの8BロボティクスモデルRobostral Navigateを発表し、より安価なロボット知覚スタックへの動きを示した。

Twelve LabsはAmazonとベンチャー投資家から1億ドルを調達し、規模の大きい動画を検索・分析できるAIシステムへの需要が高まっていることを示した。

Googleは、16GBのメモリを搭載したノートパソコン上でローカルに動作するよう設計された、エンコーダー不要の多モーダルオープンモデル「Gemma 4 12B」を発表した。

Mira MuratiのThinking Machines Labは、AIとの継続的なリアルタイム共同作業のために設計された対話モデルを公開した。

Luma AIのUni-1は自己回帰アーキテクチャを採用し、推論ベンチマークでGoogle Nano Banana 2とOpenAI GPT Image 1.5を上回ると同時に、2K解像度の価格を最大30%削減します。

XiaomiはMiMo-V2-Pro、MiMo-V2-Omni、MiMo-V2-TTSを発表した — これら3つのAIモデルは1兆以上のパラメータ、マルチモーダル認識、感情的な音声合成を備え、エージェントベンチマークでClaude Opus 4.6と競合する。

GoogleはGemini Embedding 2をリリースしました。これは、テキスト、画像、動画を統一されたベクトル空間に共にマッピングし、検索や情報検索のタスクに利用できる初のネイティブなマルチモーダル埋め込みモデルです。

中国のDeepSeekはテキスト、画像、動画を生成できるV4マルチモーダルモデルの公開を目前に控えており、報道によればNvidiaやAMDには早期の最適化アクセスを許可せず、中国の年次国会開催前に国内の半導体メーカーであるHuaweiとCambriconにのみ独占的に提供しているという。

DeepSeekの求人情報は、テキスト、画像、音声をサポートするマルチモーダルなAI検索エンジンの計画を明らかにしており、Googleの検索市場シェアを直接的に狙っています。

北京に拠点を置くMoonshot AIは、OpenAIやAnthropicに匹敵しながら運用コストは4分の1のオープンソースのマルチモーダルAIモデルKimi K2.5を公開し、米国の半導体輸出規制が中国のAI開発を抑制する効果について疑問を投げかけている。