ベンチマーク（LLM技術）に関するニュース一覧

Dharma AIの研究チームが、ブラジルポルトガル語のOCRベンチマークにおいて、わずか30億パラメータの特化型小規模モデルが、Claude Opus 4.6やGPT-5.4など主要なフロンティアAPIすべてを品質・コスト・安定性の全指標で上回ったとする論文を発表しました。この結果は、企業のAI調達における「最大モデルが最良」という従来の常識に疑問を投げかけています。

ベンチマークの複合スコアで特化型3Bモデルは0.911を記録し、2位のClaude Opus 4.6の0.833を大きく引き離しました。コスト面では100万ページあたりの推論費用がClaude Opus比で約52分の1という圧倒的な差を示しています。さらにテキスト生成の崩壊率も0.20%と最低水準で、本番運用の安定性でも優位に立ちました。

研究が注目するのは「分布整合性」という変数です。モデルの性能を決定づけるのはパラメータ数ではなく、訓練履歴がデプロイ先のタスクにどれだけ近いかだと論文は主張します。同一アーキテクチャ・同一手法でファインチューニングしても、OCR特化済みの基盤モデルから出発した場合と汎用モデルから出発した場合で、精度に最大16ポイントの差が生じました。

この知見はOCR領域に限定された実証ですが、企業のAI評価フレームワークに対する重要な問題提起を含んでいます。論文は、パラメータ規模だけでなくタスクへの特化度を第一級の評価変数として扱うべきだと提言しています。汎用的な万能モデルを探すよりも、自社の業務領域に段階的に特化させたモデル群を構築する方が、品質・コスト・安定性のすべてで有利になる可能性があります。

複数大学の研究チームが、AIエージェントの情報検索において従来のRAG（検索拡張生成）を代替する新手法「Direct Corpus Interaction（DCI）」を発表しました。DCIはベクトルデータベースを介さず、grep・find・sedなどの標準的なコマンドラインツールでコーパスを直接検索する仕組みです。論文によれば、従来のRAGでは埋め込みモデルによる類似度検索が「エージェントが見られる情報を早い段階で決めてしまう」ボトルネックになっていました。

DCIでは、エージェントがターミナル環境でシェルパイプラインを組み合わせ、正規表現による厳密な文字列検索や複数条件の絞り込みを実行します。これにより、エラーコードやファイルパスなど意味的類似検索では捉えにくい長尾の詳細情報を正確に抽出できます。さらに、埋め込みインデックスの再構築が不要なため、日次レポートやログなど常に変化するデータにもリアルタイムで対応します。

ベンチマーク評価では、Claude Sonnet 4.6を基盤とするDCI-Agent-CCがBrowseComp-Plusで精度80.0%を達成し、従来のベクトル検索手法の69.0%を大きく上回りました。同時にAPIコストは1,440ドルから1,016ドルへと約30%削減されています。軽量版のDCI-Agent-Liteも、GPT-5.4 nanoモデルで従来のo3モデル＋検索の組み合わせに匹敵する性能を600ドル以上安く実現しました。

一方で課題も明確です。コーパス規模が10万件から40万件に拡大すると精度が大幅に低下し、ツール呼び出し回数も増加します。研究チームは「DCIは既存のベクトル検索の完全な代替ではなく補完」と位置づけ、意味検索で候補を広く取得し、DCIで精密な検証を行うハイブリッド構成を推奨しています。コードはMITライセンスでGitHubに公開されており、実務での検証が可能です。

米スタートアップThe Pathは2026年5月、AIを活用したメンタルヘルス療法アプリの開発に向け、Prime Movers Lab主導で1430万ドルのシード資金を調達しました。共同創業者でCEOのAnson Whitmer氏は瞑想アプリCalm出身で、自身の家族を自殺で失った経験から、科学的知見を活かしたメンタルヘルス支援を志しています。著名な自己啓発作家トニー・ロビンズ氏も共同創業者として参画し、コーチング手法をアプリに反映しています。

The Pathが重視するのは、既存のAIチャットボットとは異なる「安全性」です。OpenAIによれば毎週9億人以上がChatGPTでメンタルヘルス関連の質問をしていますが、消費者向けチャットボットはエンゲージメント最適化のため、問題を素早く解決し利用者の考えを肯定する傾向があります。Whitmer氏はこれを「療法やコーチングの本質とは逆のアプローチ」と指摘します。

同社のAIモデルはオープンソースモデルをベースに独自の後訓練を施しており、大手LLMのラッパーではありません。メンタルヘルス安全性ベンチマーク「Vera-MH」で95点を記録し、消費者向けボットの最高点65点を大きく上回りました。利用者に単に同意するのではなく、問題を深く理解させたうえで自ら解決策を見出すよう促す設計思想が特徴です。

アプリでは11種類の仮想AIセラピストから選択でき、対話の直接性などの好みもカスタマイズできます。現在は無料で提供しユーザー獲得を進めていますが、将来的には月額40ドルの課金モデルを予定しています。投資家にはスピードスケーターのアポロ・アントン・オーノ氏やボクサーのデオンテイ・ワイルダー氏も名を連ねており、著名人の支持が同社の信頼性を後押ししています。

Resolve AIは2026年5月21日、本番環境の障害対応プラットフォームを大幅に刷新したと発表しました。同社はGreylockとLightspeed Venture Partnersが出資するスタートアップで、今年初めにシリーズAで1億2500万ドルを調達し、評価額は10億ドルに達しています。今回の発表の中核は、単一エージェントに代わるマルチエージェント調査アーキテクチャです。

新アーキテクチャでは、複数の専門エージェントが障害の仮説を並行して追跡し、互いの結論を独立に検証します。調査エージェントは根本原因から症状までの完全な因果連鎖を構築し、別のエージェントが論理の隙を突いて反証を試みます。証拠が不十分な場合は「わからない」と明示する設計で、本番環境における誤誘導リスクを低減しています。社内ベンチマークでは根本原因特定の精度が従来比2倍に向上したとしています。

新たに導入されたバックグラウンドエージェントは、デプロイやアラート発火、PR マージなどのイベントに応じて自動起動し、障害が顕在化する前に事前調査を行います。これまでのインシデント対応型とは異なり、インフラ変更の監視やコスト異常の検知といったSRE業務を継続的に担います。CEOのSpiros Xanthos氏は「すべての開発者が使える汎用SREエージェント」と位置づけています。

3つめの柱は、人間とAIエージェントがリアルタイムで証拠を共有しながら調査を進める共有ワークスペースです。調査結果は動的に更新され、ソースクエリの編集やレメディエーション実行も同一画面で完結します。さらにREST APIとMCPサーバーとしても提供され、他社のコーディングエージェントや汎用AIエージェントとの連携も可能になります。

Xanthos氏は、AIコード生成の爆発的普及により「人間が把握しきれないコード」が本番に大量投入される現状を指摘し、運用側にもAIによる防御が不可欠だと主張しています。Coinbase、DoorDash、Salesforce、MongoDBなどの大手顧客を抱える同社は、成果連動型のクレジット課金モデルを採用し、自前構築より低コストだとアピールしています。

WIREDの記者Will Knight氏が、AIエージェントOpenClawとOpenAIのCodexを使い、オープンソースのロボットアーム「LeRobot 101」をバイブコーディングで制御する実験を行いました。従来は専門知識が必要だったロボットの設定・制御が、AIコーディングによって飛躍的に簡単になりつつあります。

LeRobot 101はHuggingFaceが提供するオープンソースのロボットアームで、コントローラーアームとカメラ付きフォロワーアームの2本で構成されます。Knight氏は手動での接続・キャリブレーションに数時間を費やし、モーターの過熱トラブルにも見舞われました。しかしOpenClawとCodexを用いると、接続設定やジョイントの校正を自動で処理し、赤いボールを検出して掴むPythonスクリプトまで生成できました。

さらにOpenClawの支援のもと、ロボットアームを制御するAIモデルの訓練にも成功しています。エージェントがトレーニングプロセスを案内し、各訓練後のエラー率を確認するなど、専門家なしでもモデル開発が可能であることを示しました。ハルシネーションによるバグは残る課題ですが、成果は十分に実用的なレベルです。

この手法は2022年の論文で提唱された「Code as Policy」に基づいています。UC BerkeleyのKen Goldberg教授らはNvidia、カーネギーメロン大学、スタンフォード大学と共同で、コーディングモデルのロボット制御能力を測るCaP-Xベンチマークを開発しました。興味深いことに、ロボット制御で最も高い性能を示したのはClaudeやChatGPTではなくGoogleのGeminiでした。マルチモーダル学習と物理世界の理解に注力してきた成果とみられます。

NvidiaのJensen Huang CEOの息子であるSpencer Huang氏は、社内ハッカソンでバイブコーディングによるロボット制御の実験を推進しています。Goldberg教授との共同研究では、Code as Policyをより多くのロボットソフトウェアツールと互換性を持たせることを目指しています。「ほぼ誰でもロボティクスに参入できるようになること、それが真のブレークスルーだ」とHuang氏は語っており、音声やテキストでロボットを操作できる未来が近づいています。

Google I/O 2026が2026年5月20日に開催され、Googleは新モデル・AIエージェント・開発者プラットフォームを含む100以上の新機能を発表しました。最大の目玉はGemini 3.5 Flashの一般提供開始で、フラッグシップモデルに匹敵する性能を従来の半額以下のコストで実現します。同社はAIエージェントを軸とした製品戦略への本格転換を打ち出しました。

エージェント分野では、24時間バックグラウンドで動作する個人向けAIエージェントGemini Sparkが発表されました。Gemini 3.5を搭載し、Gmail・Drive・Photosなど自社サービスに加えDropbox・Uber・Spotifyなど30以上の外部パートナーとも連携します。端末の電源が切れていてもクラウドで稼働し続ける点が、競合するOpenClawと同様のアプローチです。まず米国のUltraプラン加入者向けにベータ提供が始まります。

The Vergeの分析によれば、Googleは9億人超の月間ユーザーと自社サービス群という圧倒的な配信基盤を持つため、AIエージェント競争で最も有利な立場にあります。OpenClawがWhatsAppやTelegramとの連携で急成長した戦略を取り込みつつ、自社エコシステムへの深い統合で差別化を図る構えです。「Googleがエージェントを実用化できなければ、誰にもできない」という指摘は、同社への期待と責任の大きさを表しています。

開発者向けには、エージェントファーストの開発プラットフォームGoogle Antigravityが大幅に拡張されました。デスクトップアプリのAntigravity 2.0、ターミナル向けのAntigravity CLI、プログラマティックなAntigravity SDKの3形態で提供されます。サブエージェント・フック・非同期タスク管理といった新しいプリミティブが追加され、数日かかったエンジニアリング作業を数時間に短縮できるとしています。

モバイル分野では、AI StudioからネイティブAndroidアプリを直接作成・Google Playのテストトラックに公開できる機能が発表されました。プロンプトだけでウィジェットを生成する「Generative UI」構想も示され、非エンジニアでもスマートフォンアプリを自作できる時代の到来が近づいています。AppleもiOS 27でショートカットのAI生成を検討中と報じられており、モバイルにおけるバイブコーディングが次のトレンドになりそうです。

Googleは2026年5月20日、シンガポール政府と包括的なAI国家パートナーシップを締結しました。デジタル開発情報省（MDDI）が主導し、複数の政府機関と連携して、医療・科学・教育・安全の各分野でフロンティアAIの社会実装を加速させます。

医療分野では、Google DeepMindのシンガポール研究拠点を軸に、公立病院群と「AI共同臨床医」研究を開始します。AIエージェントが臨床ガイドラインや科学文献に基づく情報を提供し、医師の診療を支援する仕組みです。科学研究では、国立研究財団（NRF）と連携し、仮説生成ツールCo-Scientistの活用研修を展開します。

教育分野では、すでに全国の小学校から短期大学までGoogle Workspace for EducationにGeminiベースのAI機能を導入済みです。教育省との協力をさらに拡大し、授業計画や教材カスタマイズの自動化、教員向けAI研修プログラムの整備を進めます。

AI安全の領域では、サイバーセキュリティ庁（CSA）やGovTechと共同でAIエージェントサンドボックスの知見をまとめた白書を公開しました。コンピュータ操作型エージェントの安全な運用指針を示しています。さらにIMDAやMLCommonsと多言語・多モーダルの安全ベンチマーク研究も進行中です。

企業支援の面では、Google CloudシンガポールエンジニアリングセンターのForward Deployed Engineers（FDE）チームを拡充し、現地企業のエージェント型AIによる業務変革を加速させます。シンガポールを信頼できるAI展開のグローバル拠点として確立する狙いです。

デンマーク・コペンハーゲン発の医療AI企業Cortiは2026年5月20日、臨床特化型の音声認識モデル「Symphony for Speech-to-Text」を正式リリースしました。英語の医療用語における単語誤り率（WER）はわずか1.4%で、OpenAIの17.7%、ElevenLabsの18.1%、Whisperの17.4%を大幅に下回り、最大93%の精度改善を示しています。

同モデルの強みは、投薬量・測定値・日付などの臨床エンティティの再現率にも表れています。Cortiは98.3%を達成した一方、汎用モデルの最高値は44.3%にとどまりました。この54ポイントの差は、AIスクライブが医療現場で信頼されるか、医療過誤リスクとなるかの分水嶺です。

レガシー製品との比較でも優位性は明確です。医療音声認識の業界標準Dragon Medical Oneに対し、実臨床の英語ディクテーションでWER 4.6%対5.7%と19%の相対改善を達成しました。さらにスイスの多言語環境ではドイツ語2.4%、フランス語3.9%と、次点のシステムを大きく引き離しています。

Cortiの共同創業者兼CEOであるAndreas Cleve氏は、エージェントAI時代における音声認識の役割変化を強調しています。従来の音声認識は静的な文書生成が目的でしたが、自律型AIエージェントが臨床判断を支援する時代では、音声データは下流のAI推論の基盤となります。誤認識はすべての後続処理に波及するため、臨床グレードの精度が不可欠です。

今回の発表は、医療コーディングや臨床推論ベンチマークに続く6週間で3件目の成果です。汎用モデルが規制産業で天井に達しつつあるなか、垂直特化型AIラボの優位性を裏付けるデータが蓄積されています。Cortiのプラットフォームは英国NHSを含む医療機関を通じ、年間1億人以上の患者にサービスを提供しており、開発者登録は前四半期比30%増と勢いを増しています。

カナダのAI企業Cohereは2026年5月20日、218億パラメータの大規模言語モデルCommand A+を発表しました。同社として初めてApache 2.0ライセンスで公開され、企業や開発者が商用目的で自由に利用・改変・再配布できます。「Attention Is All You Need」の共著者でもあるCEOのAidan Gomez氏が主導した今回のリリースは、企業が自社環境でAIを完全に制御する「ソブリンAI」構想の具体化です。

Command A+の最大の特徴は、Sparse Mixture-of-Experts（MoE）アーキテクチャにあります。218Bの総パラメータのうち、推論時に稼働するのはわずか25Bです。これにより、OpenAIやAnthropicの数兆パラメータ規模のモデルと比較して、大幅に少ない計算資源で動作します。

さらに注目すべきはロスレス量子化技術です。MoEエキスパート部分のみを4bitに圧縮し、注意機構は高精度のまま維持する手法により、ほぼ性能を損なわずに圧縮を実現しました。その結果、NVIDIA B200 1基またはH100 2基で動作可能となり、出力速度は前世代比で最大63%向上、レイテンシは17%低減しています。

ベンチマーク性能も大幅に改善されています。複雑な推論テストτ²-Bench Telecomで37%から85%へ、数学のAIME 25で57%から90%へと飛躍しました。エージェント型コーディングではDeepSeekやGLMに後れを取るものの、25Bの稼働パラメータでこの成績は際立っています。

企業利用で重要なネイティブ引用生成機能も搭載されています。外部ツールから取得した情報について、出典元を明示的にリンクする仕組みです。金融・医療・法務など規制の厳しい業界では、ハルシネーションのリスク低減に直結します。マルチモーダル対応や128Kトークンのコンテキスト長、48言語対応の新トークナイザにより、グローバル企業の多様なニーズに応えます。

Apache 2.0での公開は、これまでCC-BY-NC 4.0で非商用に限定していたCohereの方針転換を意味します。企業は自社サーバーやエアギャップ環境でモデルを自由にファインチューニング・デプロイでき、ベンダー依存から完全に解放されます。Hugging FaceやvLLMとの即日連携も実現しており、オープンソースAIエコシステムの成熟を示すリリースといえます。

Cerebras Systemsは、2026年最大のテックIPOを完了した直後に、1兆パラメータの推論性能を公表しました。北京のMoonshot AIが開発したオープンウェイトモデルKimi K2.6を、独自のウェーハスケールチップ上で毎秒981トークンで処理し、GPU系クラウドの最速を6.7倍上回る記録をベンチマーク企業Artificial Analysisが独立検証しています。

Kimi K2.6は1兆パラメータのMixture-of-Expertsモデルで、トークンあたり320億パラメータを活性化します。SWE-Bench Proで58.6を記録し、Claude Opus 4.6やGPT-5.4と同等以上の性能を示しており、AnthropicやOpenAIの高額な閉鎖型APIの代替として企業の関心を集めています。コーディングやエージェント処理など高付加価値タスクでの利用が想定されています。

Cerebrasの速度優位を支えるのはWafer-Scale Engine 3です。ディナープレート大の単一チップに44GBのオンチップSRAMを搭載し、NVLink対比200倍以上の帯域幅を実現します。MoEモデルの全エキスパートを同一ウェーハ上に配置することで、GPU間のデータ転送ボトルネックを解消しました。

同社はFortune 500のソフトウェア・金融・ヘルスケア企業にクラウド試験を提供中で、消費者向けAPIよりも企業顧客を優先する戦略を採っています。料金はGPUベースのプロバイダと同等水準としつつ、速度に対する付加価値で差別化を図ります。

競争環境も急変しています。NVIDIAが高速推論のGroqを200億ドルで買収し、推論市場が訓練市場を商業的重要性で追い越しつつあることを示唆しました。Cerebrasは新ハードウェアの発表を予告しており、OpenAIとの200億ドル超の推論インフラ契約も含め、エージェント時代の推論基盤としての地位確立を目指しています。

Hugging Faceの開発者Tom Aarsen氏は2026年5月19日、Sentence Transformers向けのクロスエンコーダー型リランカー「Ettin Reranker」ファミリーとして、17Mから1Bパラメータまで6つのモデルを公開しました。いずれもジョンズ・ホプキンス大学が開発したModernBERTベースのEttinエンコーダーを基盤としており、学習データと学習スクリプトもあわせてオープンソースで提供されています。

学習手法には、既存の高性能リランカーmxbai-rerank-large-v2（15.4億パラメータ）を教師モデルとしたポイントワイズMSE蒸留が採用されています。約1億4300万件のクエリ・文書・スコアのトリプルで学習し、学習率とバッチサイズ以外のハイパーパラメータは全サイズ共通です。学習スクリプトはわずか約150行で、誰でも同じレシピを再現できます。

ベンチマーク結果では、すべてのモデルが同サイズ帯で最高精度を達成しました。17Mモデルは従来広く使われていたms-marco-MiniLM-L12-v2（33Mパラメータ）をNDCG@10で+0.051上回り、32Mモデルは17倍のパラメータを持つBAAI/bge-reranker-v2-m3（568M）を+0.025超えています。最大の1Bモデルは教師モデルとのMTEBスコア差がわずか0.0001に収まりました。

推論速度でも大きな優位性があります。17MモデルはH100 GPU上で毎秒7517ペアを処理し、MiniLM-L6-v2の約2倍の速度を実現しました。1Bモデルは教師モデルの2.4倍の速度で、精度をほぼ維持しながら大幅な高速化を達成しています。この速度差は、モジュラーTransformerアーキテクチャによるアンパディング処理とFlash Attention 2の組み合わせによるものです。

検索システムの実務では、高速な埋め込みモデルで候補を絞り込み、リランカーで最終順位を決める「retrieve-then-rerank」パターンが標準的です。Ettinリランカーは全モデルが最大8192トークンのコンテキストに対応し、Apache 2.0ライセンスで公開されているため、既存のMiniLM系リランカーからの移行が容易です。

Googleは2026年5月19日のGoogle I/O開発者会議で、最新AIモデルGemini 3.5 Flashを発表し即日提供を開始しました。同モデルはわずか4〜5カ月前にフラグシップとして位置づけられていたGemini 3.1 Proをほぼすべてのベンチマークで上回りながら、出力速度は競合フロンティアモデルの4倍となる毎秒約300トークンを達成しています。Google DeepMindのコライ・カブクチュオール最高技術責任者は「品質とレイテンシの驚異的な組み合わせ」と表現しました。

主要ベンチマークではTerminal-Bench 2.1で76.2%、GDPval-AAで1656 Elo、MCP Atlasで83.6%、CharXiv Reasoningで84.2%を記録しました。Artificial Analysisの知能・速度インデックスで「右上象限」に位置する唯一のモデルとなり、品質とコストのトレードオフを根本から覆す成果だとGoogleは主張しています。

企業向けのコストインパクトも大きく、サンダー・ピチャイCEOは1日1兆トークンを処理する大口顧客がワークロードの80%をFlashに移行すれば年間10億ドル以上を節減できると述べました。推論コストは競合の2分の1から3分の1の水準です。エージェント型ワークフローではトークン消費が急増するため、このコスト優位性は自律型AI導入の採算性を大きく改善します。

エージェント機能への最適化も際立っています。3.5 Flashは数時間にわたる自律セッションを実行でき、社内テストではエージェントがOSをゼロから構築することにも成功しました。同時発表されたAntigravity 2.0はスタンドアロンのデスクトップアプリとして提供され、複数エージェントの並列管理が可能です。ShopifyやMacquarie Bank、Salesforceなどのパートナー企業も既に業務への組み込みを進めています。

消費者向けには、月間アクティブユーザー9億人超のGeminiアプリと10億人超のAI Mode in Searchの標準モデルとなりました。新たに発表された24時間稼働パーソナルエージェント「Gemini Spark」もFlashで駆動し、Gmail・Docs・Sheetsなどと連携してバックグラウンドでタスクを処理します。Googleは2026年の設備投資を1800億〜1900億ドルと見込んでおり、自社開発TPU第8世代を含むインフラ増強でさらなるコスト削減を目指します。来月にはより高性能な3.5 Proの一般提供も予定されています。

Googleは2026年5月19日、年次開発者会議Google I/O 2026を開催し、AIモデル・エージェント・デバイスにわたる大規模な発表を行いました。CEOのスンダー・ピチャイ氏は「エージェント型Gemini時代への突入」を宣言し、月間処理トークン数が前年比7倍の3.2京超に達したと報告しました。Geminiアプリの月間アクティブユーザーは9億人を突破しています。

最大の目玉は新モデルGemini 3.5 Flashです。前世代のGemini 3.1 Proをほぼ全ベンチマークで上回りながら、他社フロンティアモデルの4倍の出力速度を実現しました。Google社内では1日あたり3兆トークンを処理しており、コーディングやエージェント用途に最適化されています。合わせて動画生成が可能なGemini Omni Flashも公開され、テキスト・画像・映像・音声を入力に動画を生成できます。

エージェント分野では、Google Cloud上で24時間稼働する個人向けAIエージェントGemini Sparkが発表されました。Gmail・Docs・Sheetsなどと連携し、メール作成やスケジュール管理を自律的に実行します。検索には「情報エージェント」が導入され、ユーザーの関心事をバックグラウンドで常時監視し、条件に合致した情報を通知します。開発者向けにはAntigravity 2.0デスクトップアプリが公開され、複数エージェントの並列実行やGemini APIでのマネージドエージェント機能が利用可能になりました。

検索体験も刷新されました。25年以上ぶりの検索ボックス大幅改修で、AIが意図を先読みして提案する「インテリジェント検索ボックス」が全世界に展開されます。エージェント型コーディングにより、検索結果としてインタラクティブなUIやミニアプリをリアルタイム生成するGenerative UI機能もこの夏に無料で提供予定です。小売分野では複数店舗の商品を一括購入できるユニバーサルカートが導入されます。

ハードウェアでは、Samsung・Warby Parker・Gentle Monsterと提携したAndroid XRスマートグラスを今秋に発売すると発表しました。音声対話とカメラによるGemini連携を備え、リアルタイム翻訳にも対応します。料金面ではAI Ultraプランに月額100ドルの新ティアを追加し、従来の250ドルプランは200ドルに値下げしました。DeepMindのハサビスCEOはAIによる開発者置き換えに否定的な見解を示し、生産性向上で「3〜4倍の仕事をこなす」方針を強調しました。

AI研究機関AllenAIは2026年5月19日、衛星リモートセンシング向け基盤モデル「OlmoEarth v1.1」を公開しました。前バージョンと同等の性能を維持しながら、計算コストを最大3分の1に削減したモデルファミリーです。マングローブの変化追跡や森林減少要因の分類、国規模の作物マッピングなど、環境保護に関わるパートナー組織の活用拡大を目指しています。

効率化の鍵は、Transformerモデルのトークン系列長の短縮にあります。従来のOlmoEarth v1では、Sentinel-2衛星画像の10m・20m・60mという3つの解像度帯ごとに別々のトークンを生成していました。v1.1ではこれらを単一トークンに統合し、トークン数を3分の1に圧縮しています。Transformerの計算量は系列長の二乗に比例するため、この削減が大幅なコスト低減につながります。

ただし、解像度帯の単純な統合は精度低下を招きます。実際、素朴な統合ではm-eurosat kNNベンチマークで10ポイントもの精度低下が確認されました。AllenAIは事前学習の手法を改良することでこの課題を克服し、v1と同等の性能を実現しています。学習データセットはv1と同一のため、手法変更の効果を厳密に分離して検証できる点も研究面で価値があります。

モデルはBase・Tiny・Nanoの3サイズで提供され、Hugging Face上で重みと学習コードがオープンソースとして公開されています。AllenAIは、より効率的なモデルにより自組織のプラットフォームでより多くのパートナーを支援でき、独自運用するチームにとっても惑星規模の地図更新がより手頃になると説明しています。

IBM ResearchとHugging Faceは2026年5月18日、AIエージェントシステムを総合的に比較評価するオープンベンチマーク「Open Agent Leaderboard」を公開しました。従来のベンチマークがモデル単体の性能を測定していたのに対し、本リーダーボードはツール選択・計画立案・エラー回復などを含むエージェントシステム全体を評価対象とし、品質とコストの両面を報告します。

評価にはSWE-Bench Verified（コード修正）、BrowseComp+（Web調査）、AppWorld（アプリ操作）、tau2-Benchの航空・小売・通信（顧客対応）の6種類のベンチマークを採用しています。それぞれ異なるタスク領域を扱うことで、エージェントの汎用性を多角的に測定できる設計です。各ベンチマークは統一プロトコルで標準化され、異なるエージェントが共通のインターフェースで接続できます。

注目すべき発見は、同一モデルでもエージェントアーキテクチャの違いでスコアとコストに大きな差が出る点です。上位3構成は同じモデルを使用しながら、エージェント設計の違いにより異なる結果を示しました。また汎用エージェントがベンチマーク専用にチューニングされたシステムと同等以上の成績を収めるケースも確認されています。

失敗時の挙動にも差があり、失敗した実行は成功時より20〜54%高コストになることが判明しました。ツールの事前絞り込みがモデルを問わず性能を改善する効果も確認されており、エージェント設計が結果を左右する要因として存在感を増しています。

リーダーボード本体に加え、評価の再現と実行を可能にするフレームワーク「Exgentic」、手法と分析を記述した論文がすべてオープンソースで公開されています。オープンウェイトモデル（DeepSeek V3.2、Kimi K2.5）の結果も追加されましたが、フロンティア閉鎖モデルとの平均差は18〜29ポイントと報告されています。コミュニティからの新エージェント・ベンチマーク・モデルの追加投稿を受け付けています。

AirbnbのCTOであるAhmad Al-Dahle氏がVentureBeatに寄稿し、AIが自らの改善に必要な人間の専門家を消滅させるリスクについて警鐘を鳴らしました。知識労働においてAIが自己改善を続けるには、エラーを発見し高品質なフィードバックを提供できる人間の評価者が不可欠だと同氏は主張しています。

同氏はAlphaZeroの例を引き合いに出し、囲碁のようにルールが固定され勝敗が明確な環境と異なり、知識労働ではルールが動的に変化し報酬信号も曖昧であるため、人間なしに評価ループを閉じることはできないと指摘します。法律・医療・数学などの領域では、ある判断が正しかったかどうかの確認に何年もかかる場合があります。

問題の核心は、現在のAIシステムがまさにその専門家育成の入口であるエントリーレベル業務を最初に自動化していることです。大手テック企業の新卒採用は2019年以降半減しており、文書レビューや初期調査、コードレビューといった業務をモデルが担うようになりました。次世代の専門家が判断力を蓄積する機会が失われつつあります。

同氏はこの現象を「空洞化」と表現します。モデルが専門家の仕事で訓練されたデータに基づいて高品質な出力を続ける一方、その出力を検証・修正・発展させる人間の能力は静かに消えていきます。ベンチマーク上の性能は10年間維持されるかもしれませんが、根底の人的基盤は失われていくのです。

結論として、AI開発の速度を落とすべきではないが、評価能力の維持をモデル能力開発と同等の緊急性をもつ研究課題として扱うべきだと提言しています。千の合理的な経済判断の副産物として人的インフラが解体されている現状に対し、問題が自然に解決すると仮定するのは無責任だと同氏は訴えています。

イリノイ大学アーバナ・シャンペーン校とスタンフォード大学の研究チームが、マルチエージェントAIシステムの新フレームワーク「RecursiveMAS」を発表しました。従来のマルチエージェントシステムはエージェント間でテキストを生成・共有して連携しますが、これが遅延やトークンコスト増大の主因となっていました。RecursiveMASはテキストの代わりに埋め込み空間（潜在表現）を直接受け渡すことで、この根本的なボトルネックを解消します。

RecursiveMASの中核技術は「RecursiveLink」と呼ばれる軽量な2層モジュールです。各エージェントの最終隠れ層の状態をそのまま次のエージェントの入力埋め込み空間へ変換し、テキストへのデコードを経ずに情報を伝達します。内部用と外部用の2種類があり、異なるモデルアーキテクチャ間でも埋め込み次元を橋渡しできます。基盤モデルの重みは凍結したまま、RecursiveLinkのパラメータ（全体の約0.31%、約1300万パラメータ）のみを学習するため、訓練コストを大幅に抑えられます。

9つのベンチマーク（数学、医療推論、コード生成、検索ベースQA）での評価では、最強のベースラインに対し平均8.3%の精度向上を達成しました。特に推論負荷の高いタスクではTextGradを18.1%上回っています。テキスト生成を省略できるため、エンドツーエンドの推論速度は最大2.4倍に向上し、3ラウンド目のトークン使用量は75.6%削減されました。GPU最大メモリ使用量も最小で、訓練コストはフルファインチューニングの半分以下です。

同一の基盤モデルを使う複数エージェントではバックボーンを共有でき、GPUメモリの重複ロードも不要です。これらの効率改善により、企業のエージェント本番運用で課題となる計算コストの障壁を大きく引き下げます。研究チームはコードと学習済みモデルの重みをApache 2.0ライセンスでオープンソース公開しており、Qwen・Llama-3・Gemma3・Mistralなど主要なオープンモデルでの利用が可能です。

IBMは2026年5月14日、オープンソースの多言語埋め込みモデル「Granite Embedding Multilingual R2」を発表しました。97Mパラメータのコンパクトモデルと311Mパラメータのフルサイズモデルの2種類で、いずれもApache 2.0ライセンスのもと、200以上の言語と9種類のプログラミング言語に対応します。

最大の注目点は97Mパラメータモデルの検索性能です。MTEB多言語検索ベンチマークで60.3を記録し、100M未満のオープンな多言語埋め込みモデルとしては最高スコアとなりました。同規模で次点のmultilingual-e5-smallの50.9を9.4ポイント上回っています。前世代のR1モデルからはアーキテクチャの刷新やトレーニング手法の改良により、12.2ポイントの大幅な改善を実現しています。

技術面では、エンコーダをXLM-RoBERTAからModernBERTに刷新し、コンテキスト長を512トークンから32,768トークンへ64倍に拡大しました。これにより長文文書の検索精度が劇的に向上し、LongEmbedベンチマークでは31.3ポイントの改善を記録しています。法務文書や技術マニュアルなど、実務で扱う長い文書の検索において大きな恩恵をもたらします。

311MモデルはMatryoshka表現学習に対応しており、768次元の埋め込みを256次元に削減してもMTEB多言語検索で0.5ポイント低下にとどまります。ストレージや計算コストを3分の1に抑えつつ高い検索品質を維持できるため、大規模な本番環境への導入に適しています。

企業利用を強く意識した設計も特徴です。MS-MARCOデータセットや非商用ライセンスのデータを使用せず、IBMが独自にキュレーションしたデータで学習しています。sentence-transformersやLangChain、LlamaIndex、Haystack、Milvusといった主要フレームワークにモデル名を1行変更するだけで導入できるため、既存のRAGパイプラインへの組み込みも容易です。ONNX・OpenVINO形式のウェイトも同梱されており、GPUなしでのCPU推論にも対応しています。

Anthropicは2026年5月14日、ビル&メリンダ・ゲイツ財団と総額2億ドル規模のパートナーシップを発表しました。助成金、Claudeの利用クレジット、技術支援を組み合わせ、グローバルヘルス、ライフサイエンス、教育、経済的流動性の4分野で今後4年間にわたりプログラムを展開します。市場原理だけではAIの恩恵が届かない領域に対し、意図的に投資を行う姿勢を示しています。

提携の最大の柱は、約46億人が必要な医療サービスを受けられていない低中所得国での健康改善です。Claudeを活用してワクチンや治療薬の候補を計算的にスクリーニングし、前臨床開発に進む前段階の期間を短縮することを目指します。対象疾患にはポリオ、HPV、子癇前症が含まれ、HPVだけで年間約35万人が死亡し、その9割が低中所得国に集中しています。

教育分野では、米国のK-12学生向けにエビデンスに基づくチュータリングツールを開発するほか、サブサハラアフリカとインドでは基礎的な読み書き・計算能力を支援するAIアプリを構築します。モデルのベンチマークやデータセットを公共財として公開し、教育用AIツールの有効性を検証可能にする計画です。

経済的流動性の領域では、小規模農家の生産性向上に向けて地域作物のデータセットやモデル評価基準を整備し、公共財として提供します。米国では、スキルや資格のポータブル記録の開発、キャリアガイダンスの提供、職業訓練プログラムと雇用成果の紐づけに取り組みます。

今回の提携は、AI企業が純粋な商業展開だけでなく社会的インパクトへの責任を示す動きとして注目されます。ゲイツ財団が持つ数十年にわたるグローバル開発の実績と、Anthropicの最新AI技術が組み合わさることで、具体的な成果指標を伴ったプログラム設計が期待されます。Anthropicは今後、意思決定プロセスや学びを公開していく方針です。

Microsoft Researchの研究チームが、LLMに文書編集を委任する作業の信頼性を測定するベンチマーク「DELEGATE-52」を開発しました。52の専門領域にわたる310の作業環境で、20回の連続編集をシミュレーションした結果、全モデル平均で文書内容の50%が劣化し、Gemini 3.1 Pro、Claude 4.6 Opus、GPT 5.4といった最先端モデルでも25%が破損することが判明しています。

特筆すべきは破損のパターンです。小さなエラーが徐々に蓄積するのではなく、劣化の約80%は1回のやり取りで文書の10%以上が消失する突発的な大規模障害によって引き起こされます。さらに弱いモデルが主にコンテンツを削除するのに対し、高性能モデルは既存の内容を巧妙に書き換えてしまうため、人間のレビューで発見するのが極めて困難です。

コード実行やファイル操作などの汎用ツールをエージェントに与えると、むしろ平均6%性能が悪化することも示されました。研究者は、汎用ツールではなく、ドメイン固有の狭い範囲に絞ったツールを構築すべきだと指摘しています。RAGパイプラインについても、単発の検索ベンチマークではなく複数ステップのワークフローで評価すべきだと警告しています。

研究チームは、完全自律型AIエージェントへの過度な期待に警鐘を鳴らしつつも、改善速度には楽観的な見方を示しています。GPTシリーズだけでも18か月で20%未満から約70%へとスコアが向上しました。ただし企業環境の規模と多様性を考えると、カスタムのドメイン特化ツール構築は今後も欠かせないと結論づけています。

Microsoft Researchの研究チームが、LLMに文書編集を委任する作業の信頼性を測定するベンチマーク「DELEGATE-52」を発表しました。会計、ソフトウェア工学、結晶学、音楽記譜など52の専門領域にわたる310の作業環境を用意し、19のモデルに対して20回の連続編集タスクを実行させた結果、全モデル平均で文書内容の50%が劣化することが明らかになりました。

評価手法には機械翻訳のバックトランスレーションに着想を得た「往復リレー」方式が採用されています。編集指示とその逆操作をペアにし、元の文書がどれだけ正確に復元されるかを自動測定します。各ラウンドは独立した会話セッションで実施されるため、モデルは直前の作業を「覚えて元に戻す」ことはできず、純粋な編集能力が問われます。

Gemini 3.1 Pro、Claude 4.6 Opus、GPT 5.4といった最上位モデルでも平均25%の文書内容が損なわれました。注目すべきは劣化パターンの違いです。低性能モデルは内容を削除する傾向がある一方、高性能モデルはテキストを残しつつ微妙に歪曲・幻覚を混入させるため、人間による検出がはるかに困難になります。劣化の約80%は徐々に蓄積するのではなく、一度に10%以上の内容が失われる突発的な破局的失敗に起因していました。

実務への示唆も重要です。コード実行やファイル操作などの汎用ツールを与えると性能はむしろ6%悪化し、ドメイン特化型ツールの必要性が浮き彫りになりました。RAGパイプラインにおいても、ノイズの多いコンテキストは2回のやり取りでは1%の劣化にとどまるものの、長期シミュレーションでは2〜8%に膨れ上がります。研究者は、自律エージェントの導入には短く透明性の高いタスク設計と、段階的な人間レビューが不可欠だと指摘しています。

フィンテック企業Rampが5万社超の支出データをもとに公表した2026年5月版AIインデックスによると、Anthropicの企業導入率が34.4%に達し、OpenAIの32.3%を初めて上回りました。Anthropicは1年前の約8%から4倍以上に急成長した一方、OpenAIは2025年半ばの約36.5%をピークに緩やかな下降が続いています。企業AI導入率全体も50.6%に達し、米国の職場でAIが日常化しつつあることが見て取れます。

この急成長を牽引したのが、エージェント型コーディングツールClaude Codeです。GitHub公開コミットの4%がClaude Code経由とされ、前月比で倍増しました。Rampのエコノミストは、Anthropicが技術者層のアーリーアダプターを足がかりに主流市場へ拡大した戦略が奏功したと分析しています。新規AI導入企業の約70%がOpenAIよりAnthropicを選んでおり、2025年の傾向から完全に逆転しています。

しかしRampの分析は、Anthropicの優位が盤石ではないと警告しています。第一のリスクはコスト構造です。UberではAI予算をわずか4カ月で使い切り、エンジニア1人あたり月額500〜2,000ドルのAPI費用が発生しています。第二に、需要の急増によりサービス障害やレート制限が頻発し、ユーザー不満が高まっています。Anthropicは対策としてSpaceXとの300MW超のコンピュート契約を締結しましたが、大半の新規容量は2026年後半以降の稼働です。

第三の脅威は競争環境です。OpenAIのCodexはClaude Codeと同等の機能を低価格で提供し、Uber自身もすでにCodexの検証を始めています。オープンソースモデルを安価に利用できる推論プラットフォームも急成長中です。それでもAnthropicへの需要が衰えない背景には、国防総省の利用条件を拒否した姿勢がブランド忠誠を生んだ「文化的要因」があるとRampは指摘します。AIモデルの選択が合理的な調達判断ではなくアイデンティティの表明になりつつある可能性は、この市場の異質さを物語っています。わずか2ポイントのリードが、史上最も不安定なソフトウェア市場で勝ち取られたものであることを忘れてはなりません。

AI研究企業Adaptionは5月13日、AIモデルの微調整を自動化する新ツール「AutoScientist」を発表しました。共同創業者でCEOのSara Hooker氏によると、このツールはデータとモデルを同時に最適化し、あらゆる能力を効率的に学習する手法を実現するものです。同氏はCohere元AI研究VPという経歴を持ちます。

AutoScientistは同社の既存製品「Adaptive Data」を基盤としています。Adaptive Dataが高品質なデータセットの継続的な改善を支援する一方、AutoScientistはその改善されたデータをモデルの継続的な向上に直結させます。Hooker氏は「スタック全体が完全に適応可能であるべきだ」と語り、タスクに応じてリアルタイムで最適化する設計思想を強調しています。

性能面では、異なるモデルにおいて勝率を2倍以上に引き上げたと同社は主張しています。ただし、AutoScientistは特定タスクへの適応に特化しているため、SWE-BenchやARC-AGIといった汎用ベンチマークでの評価は難しいとされています。成果の客観的な検証方法は今後の課題です。

Adaptionはツールの実力に自信を持ち、リリース後30日間は無料で提供する方針です。Hooker氏は「コード生成が多くのタスクを解放したように、AutoScientistはさまざまな分野のフロンティアでイノベーションを解放する」と語っています。巨大ラボに集中してきたフロンティアAI訓練の裾野が広がるか、業界の注目が集まります。

スタートアップのPerceptronは2026年5月12日、独自開発の動画解析推論モデル「Mk1」を発表しました。入力100万トークンあたり0.15ドル、出力100万トークンあたり1.50ドルという価格設定で、AnthropicのClaude Sonnet 4.5、OpenAIのGPT-5、GoogleのGemini 3.1 Proと比較して80〜90%低いコストで利用できます。

Mk1の最大の特徴は、動画を静止画の連続ではなく時間的連続性を保って処理する点にあります。最大2FPSで32Kトークンのコンテキストウィンドウを活用し、遮蔽物越しでも物体の同一性を維持できます。空間推論ベンチマークのEmbSpatialBenchでは85.1を記録し、GoogleのRobotics-ER 1.5（78.4）を上回りました。

同モデルは物理推論を強みとしており、物体の動きや相互作用を時空間的に理解できます。バスケットボールのシュートがブザーの前か後かを判定するといった、因果関係の把握が求められるタスクにも対応します。アナログ計器の読み取りや、密集シーンでの数百単位のカウントも高精度で実行可能です。

創業者のArmen Aghajanyan CEOとAkshat Shrivastavaは、いずれもMeta FAIRの出身です。2024年11月にワシントン州ベルビューでPerceptronを設立し、Metaで手掛けたマルチモーダル基盤モデルの研究を物理AIの領域へと発展させました。16カ月の開発期間を経て今回のリリースに至っています。

すでにスポーツ中継のハイライト自動切り出しや、製造ラインでの品質検査、ロボティクスの訓練データ生成といった実運用が始まっています。エッジ向けにはオープンウェイトのIsaacシリーズ（最新は0.2-2bプレビュー）も提供しており、200ミリ秒未満の応答速度でリアルタイム処理に対応します。APIとオープンウェイトの二本立てで、企業用途からコミュニティまで幅広い展開を狙います。

米Wiredは2026年5月11日、NvidiaのソフトウェアプラットフォームCUDAが同社最大の競争優位（堀）である理由を分析する記事を掲載しました。CUDAはGPUの並列計算能力を最大限に引き出す開発基盤であり、AI時代における同社の支配的地位を支えています。

CUDAはCompute Unified Device Architectureの略称で、もともとゲーム用GPUの汎用計算への転用から生まれました。2000年代初頭にStanford大学のIan Buck氏がGPUの汎用計算利用を着想し、Nvidia入社後にJohn Nickolls氏とともに開発を主導しました。現在ではAI向けライブラリ群を包含する巨大なエコシステムに成長しています。

記事の筆者が実際にCUDAでの開発を試みたところ、PyTorchなら3行で書ける行列積がCUDAでは50行以上を要しました。GPU性能の最適化は極めて専門的な作業であり、優秀なGPUカーネルエンジニアの数は世界的に限られています。この人材の多くをNvidiaが囲い込んでいる点も同社の強みです。

CUDAの支配力はロックイン効果によってさらに強化されています。主要な機械学習フレームワークがCUDA上に構築されているため、AMDのGPUはスペック上で優位でも実性能ではNvidiaに及びません。独立研究者のベンチマークでも、AMD MI300XはNvidia H100に劣後するとの結果が報告されています。

競合の動向も振るいません。AMD の ROCm はバグや互換性の問題が続き、Intel の oneAPI も普及に失敗しました。唯一の有望な挑戦者として、Swift や LLVM の生みの親であるChris Lattner氏率いる Modular が挙げられています。記事は、Nvidia の本質は Apple に近く、ハードウェアの強さはソフトウェアエコシステムに支えられていると結論づけています。

サイバーセキュリティの防御領域に特化した小型言語モデルCyberSecQwen-4Bが、Hugging Face上でApache 2.0ライセンスのもと公開されました。AMD Developer Hackathonで開発された本モデルは、40億パラメータながら、Ciscoが公開した80億パラメータの専門モデルFoundation-Sec-Instruct-8Bと同等以上の性能を達成しています。12GB以上のGPUがあればローカルで動作し、機密性の高いセキュリティデータを外部に送信する必要がありません。

ベンチマークのCTI-Benchでは、CTI-MCQ（サイバー脅威インテリジェンスの多肢選択問題）で0.5868を記録し、8Bモデルの0.4996を8.7ポイント上回りました。CVEからCWEへのマッピング精度を測るCTI-RCMでも0.6664と、8Bモデルの97.3%の精度を維持しています。パラメータ数が半分であることを考えれば、防御用途において小型特化モデルが大型汎用モデルを凌駕しうることを示す結果です。

訓練はAMD Instinct MI300X（192GB HBM3）1基のみで完結しました。ROCm 7とvLLMスタックの組み合わせにより、量子化や勾配チェックポイントなどの工夫なしにbf16精度でフル学習が可能でした。訓練データはMITRE/NVD公開レコードからの2021年CVE-CWEマッピングと、教師モデルから生成した合成Q&A;データで構成され、評価セットとの重複は事前に除去されています。

同一の訓練レシピをGemma-4-E2Bに適用したGemma4Defense-2Bも作成され、CTI-RCMで0.9ポイント差に収まる結果を得ました。レシピの再現性と移植性が確認されたことで、組織ごとのライセンス要件やデプロイ規模に応じた基盤モデルの選択が可能です。

想定用途はCWE分類、CVE-CWEマッピング、構造化されたサイバー脅威インテリジェンスQ&A;など、SOC分析官の日常業務を支援する領域です。今後はノートPC向けの1Bモデル、スマートフォンやエッジ機器向けのGGUF量子化版、新規CVEへの継続的評価、プロンプトインジェクション耐性の強化が計画されています。エアギャップ環境や医療・政府機関など、外部API接続が制限される現場への展開が期待されます。

Allen Institute for AI（AllenAI）は2026年5月8日、事前学習の過程でエキスパートが自律的にモジュール構造を獲得する新しいMixture-of-Experts（MoE）モデル「EMO」を公開しました。EMOは全128エキスパート中わずか12.5%（16エキスパート）のみを使用しても、フルモデルに近い性能を維持できる点が最大の特徴です。モデル、学習コード、ベースラインがHugging Face上でオープンに提供されています。

従来のMoEモデルでは、各トークンが独立にエキスパートを選択するため、前置詞や冠詞といった表層的な言語パターンでエキスパートが特化してしまう問題がありました。その結果、特定タスクに必要なエキスパートだけを取り出して使うことが困難でした。EMOはこの課題を、同一文書内のトークンが共通のエキスパートプールからルーティングする制約を導入することで解決しています。

この文書単位のルーティング制約により、EMOのエキスパートは健康・医療、米国政治、映画・音楽といった意味的に一貫したドメインに自然と分化します。人間が事前にドメインラベルを定義する必要がなく、学習データから自律的にモジュール構造が創発される点が画期的です。学習時にはプールサイズをランダムにサンプリングすることで、推論時にさまざまなサブセットサイズに対応可能としています。

ベンチマーク評価では、全エキスパート使用時に標準MoEと同等の汎用性能を達成しつつ、エキスパートを25%に削減しても精度低下はわずか約1%にとどまりました。12.5%まで削減した場合でも約3%の低下で済む一方、標準MoEは同条件でランダム水準まで性能が崩壊します。タスク向けエキスパート選択も少数の例示で十分に機能することが確認されています。

AllenAIは今回の公開を「大規模疎モデルのモジュール化に向けた第一歩」と位置づけています。エキスパートサブセットの選択・合成手法の改善、モジュール単位での更新、解釈可能性や制御性の向上など、今後の研究課題も多く残されています。巨大モデルの効率的なデプロイやドメイン適応を求める企業にとって、メモリと精度のトレードオフを大幅に改善する実用的な選択肢となる可能性があります。

Palo AltoのスタートアップZyphraは2026年5月7日、オープンソースの推論特化型言語モデルZAYA1-8BをApache 2.0ライセンスで公開しました。総パラメータ数は約84億、活性パラメータはわずか7.6億という超効率設計で、AMD Instinct MI300 GPUのみで訓練された点が大きな特徴です。

ZAYA1-8Bは独自のMoE++アーキテクチャを採用しています。圧縮畳み込みアテンション（CCA）によりKVキャッシュを従来の8分の1に削減し、長文脈での推論効率を大幅に向上させました。さらにMLPベースのルーター設計やPID制御に着想を得た安定化手法など、Transformer基盤に根本的な改良を加えています。

最大の技術的突破は推論時の計算手法Markovian RSAです。複数の推論トレースを並列生成し、末尾部分のみを集約して再推論するという手法で、コンテキスト窓を溢れさせずに深い思考を実現します。これによりAIME '25で91.9%、HMMT '25数学で89.6%（Claude 4.5 Sonnetの79.2%を上回る）、LiveCodeBenchで69.2%（DeepSeek-R1-0528超え）という驚異的なスコアを記録しました。

事前学習段階から推論能力を組み込む「推論ファースト事前学習」も特徴的です。長い思考連鎖がコンテキストに収まらない場合、問題設定と最終回答を保持しつつ中間部分を刈り込むAnswer-Preserving Trimmingを開発し、問題と解答の関係を効率的に学習させています。

企業にとっての実用的意義は大きく、活性パラメータ760Mという軽量さはオンデバイス展開やエッジ推論を現実的にします。データ所在地の制約やAPI依存コストといった課題を解消し、高度な推論能力をローカル環境で利用可能にします。AMD GPUでの訓練成功は、Nvidia一強への有力な対抗軸が成立することを示しました。2025年にユニコーン評価を得たZyphraは、AMDやIBMの支援のもと「パラメータを増やす」以外のAI進化の道筋を示しています。

Sakana AIは、わずか70億パラメータの小型言語モデルを強化学習で訓練し、GPT-5・Claude Sonnet 4・Gemini 2.5 Proなど複数の大規模LLMを自律的に指揮する「RL Conductor」を発表しました。LangChainなど従来のハードコードされたパイプラインが、ユーザー需要の多様化に対応できない課題を解決する技術です。

RL Conductorは各タスクに対し、自然言語で作業指示を生成し、最適なモデルへ割り当て、エージェント間の情報共有範囲まで自動設計します。逐次チェーン、並列ツリー、再帰ループなど柔軟なワークフローを構築でき、人手による設計を一切必要としません。強化学習の試行錯誤を通じて、プロンプト最適化や反復改善といった高度な戦略を自発的に獲得しています。

ベンチマーク評価では、数学（AIME25: 93.3%）、科学推論（GPQA-Diamond: 87.5%）、コーディング（LiveCodeBench: 83.93%）の各領域で最高水準を記録しました。平均精度77.27%は、個別のフロンティアモデルや既存のマルチエージェント手法を上回ります。さらに1問あたり平均1,820トークン・3ステップで処理を完了し、従来手法（MoA: 11,203トークン）と比べ大幅に効率的です。

実験では、Conductorがタスク難度を自動判定する能力も確認されました。単純な事実確認は1ステップで処理する一方、複雑なコーディング問題では最大4エージェントを動員し、設計・実装・検証の各フェーズを分担させます。モデルごとの得意領域も学習しており、コーディングではGemini 2.5 ProとClaude Sonnet 4に上流設計を任せ、GPT-5に最終コード生成を担当させるといった役割分担を自律的に行います。

Sakana AIはこの技術を商用サービス「Fugu」として製品化し、ベータ版を提供開始しています。OpenAI互換APIとして既存アプリケーションに統合でき、低遅延向けのFugu Miniと高性能向けのFugu Ultraの2種を展開します。共同著者のYujin Tang氏は、金融や防衛など既存パイプラインの汎化性能が限界に達している分野が主要ターゲットだと述べ、将来的にはテキスト・コード領域を超えたクロスモーダルな自律協調システムへの発展も示唆しました。

ベルリン発のスタートアップParloaは、OpenAIのモデルを活用した企業向け音声カスタマーサービス基盤「AI Agent Management Platform（AMP）」を構築しました。AMPはGPT-5.4を含む最新モデルを基盤とし、設計・展開・管理を一元化するプラットフォームです。小売・旅行・保険など複数業界で数百万件の会話を処理しています。

AMPの特徴は、ノーコードでAIエージェントを構築できる点です。業務担当者が自然言語でエージェントの役割・指示・ツール・制約を定義し、コードやインテントツリーを書く必要がありません。認証や予約変更などの機能をサブエージェントに分離するモジュラー設計により、単一プロンプトの複雑化を回避しています。

本番投入前の品質保証プロセスが差別化要因となっています。GPT-5.4を使い、一方が顧客役・もう一方がエージェント役となるシミュレーションを実行し、LLM-as-a-judgeと決定的ルールの組み合わせで評価します。抽象的なベンチマークではなく、実際の本番エージェントを再現したテストで性能を検証する方針です。

音声対話では低遅延が不可欠です。音声認識・モデル推論・音声合成のパイプライン全体で、わずかな遅延も通話体験を損ないます。ParloaはOpenAIと連携し、リアルタイム用途向けにレイテンシと応答品質を最適化しています。音声認識の単語誤り率テストや、音声合成のブラインドリスニングテストも実施しています。

導入効果として、ある大手旅行会社では有人対応リクエストが80%削減されました。Parloaは今後、電話・チャット・インタラクティブ要素を統合したマルチモーダルな顧客体験への進化を見据えており、AIエージェントがウェブサイトやモバイルアプリと同等の存在になると展望しています。

OpenAIは2026年5月7日、開発者向けRealtime APIに3つの音声モデルを公開しました。GPT-Realtime-2はGPT-5クラスの推論能力を持つ音声対話モデル、GPT-Realtime-Translateは70以上の入力言語から13の出力言語へリアルタイム翻訳するモデル、GPT-Realtime-Whisperは低遅延のストリーミング音声認識モデルです。これらにより、音声アプリケーションの開発が大きく前進します。

GPT-Realtime-2の最大の進化は、対話中にツール呼び出しや推論を行いながら自然な会話を維持できる点です。コンテキストウィンドウは従来の32Kから128Kに拡大され、長時間のエージェント的ワークフローに対応します。推論レベルはminimalからxhighまで5段階で調整でき、応答速度と推論精度のバランスを開発者が制御できます。

ベンチマークでは、Big Bench Audioで前世代比15.2%、Audio MultiChallengeで13.8%のスコア向上を達成しました。不動産大手Zillowは早期テストで、プロンプト最適化後のコール成功率が69%から95%へ26ポイント向上したと報告しています。

翻訳モデルのGPT-Realtime-Translateは、話者のペースに合わせて意味を保持しながらリアルタイム翻訳を行います。Deutsche Telekomは多言語カスタマーサポートでの活用を検証中です。インドの多言語評価では、ヒンディー語・タミル語・テルグ語で他モデル比12.5%低い単語誤り率を記録しました。

価格はGPT-Realtime-2が入力100万トークンあたり32ドル（キャッシュ入力は0.40ドル）、出力100万トークンあたり64ドルです。Translateは1分あたり0.034ドル、Whisperは1分あたり0.017ドルに設定されています。EUデータレジデンシーにも完全対応し、企業のプライバシー要件を満たします。

Hugging Faceは2026年5月6日、音声認識モデルの性能を測るOpen ASR Leaderboardに非公開の評価データセットを追加したと発表しました。データはAppen Inc.とDataoceanAIの2社が提供したもので、公開テストセットに過剰に最適化する「ベンチマクシング」やテストセット汚染を防ぐ目的があります。

新たに追加されたデータセットは、朗読形式と自然な会話形式の英語音声で構成されています。アメリカ英語だけでなく、オーストラリア・カナダ・インド・イギリスの各アクセントを含む計11のスプリットが用意され、合計約30時間の音声を収録しています。句読点やケーシング、言いよどみなど、実環境に近い条件での評価が可能です。

評価の公平性にも配慮がなされています。リーダーボードのデフォルトの平均WER（単語誤り率）は従来どおり公開データセットのみで算出され、ユーザーがトグル操作で非公開データを含めた場合にのみスコアが変動します。また、個別スプリットごとのスコアはあえて公開せず、特定のデータ提供元やアクセントに特化した最適化を防いでいます。

モデル開発者が非公開データでの評価を受けるには、GitHubでプルリクエストを提出し、まず公開データセットの結果を報告する必要があります。その後Hugging Face側が非公開データでの評価を実施し、結果を確認するという手順です。Open ASR Leaderboardは2023年9月の開設以来、71万回以上のアクセスを記録しており、今回の更新でベンチマークとしての信頼性がさらに高まることが期待されます。

OpenAIは2026年5月5日、ChatGPTの既定モデルをGPT-5.5 Instantに更新すると発表しました。従来のGPT-5.3 Instantを置き換え、全ユーザーに順次提供されます。APIでは「chat-latest」として利用可能になり、開発者も即座にアクセスできます。

最大の改善点はハルシネーションの大幅な削減です。社内評価によると、医療・法律・金融など正確性が求められる領域で、GPT-5.3比で52.5%のハルシネーション削減を達成しました。ユーザーから事実誤認の報告があった難易度の高い会話でも、不正確な回答が37.3%減少しています。数学ベンチマークAIME 2025では81.2点（従来65.4点）、マルチモーダル推論のMMMU-Proでも76点（同69.2点）と大きく性能が向上しました。

応答品質の面では、語数を30.2%、行数を29.2%削減し、冗長さを排除しつつ情報量を維持しています。不要な絵文字やフォローアップの質問も抑制され、より自然で実用的な対話が可能になりました。さらに過去の会話履歴やファイル、接続済みのGmailを活用したパーソナライゼーションが強化され、ユーザーが同じ情報を繰り返し伝える必要がなくなります。

新機能として全モデルに「メモリソース」表示が導入されます。AIが応答に使用した文脈（保存済みメモリや過去のチャット）を確認でき、古い情報の削除や修正が可能です。共有チャットでは他者にメモリソースは表示されません。パーソナライゼーション強化はまずPlus・Proユーザー向けにWeb版で提供開始し、モバイルやFree・Go・Business・Enterpriseプランへも数週間内に拡大予定です。

GPT-5.3 Instantは有料ユーザー向けに3か月間利用可能な状態が維持された後、廃止されます。OpenAIは過去にGPT-4oの廃止時にユーザーから強い反発を受けた経緯があり、今回は移行期間を設けることで混乱の軽減を図っています。同モデルはサイバーセキュリティおよび生物・化学分野で「High」能力と分類された初のInstantモデルであり、それに応じた安全対策が実装されています。

NVIDIAとServiceNowは、ServiceNow Knowledge 2026において自律型エンタープライズAIエージェントに関する提携拡大を発表しました。NVIDIAのジェンスン・ファンCEOとServiceNowのビル・マクダーモットCEOが基調講演に登壇し、企業向けAIの次の段階として「AIが自ら行動する」フェーズに入ると説明しています。

提携の中核となるのがProject Arcです。これは開発者やIT管理者などのナレッジワーカー向けに設計された、長時間稼働・自己進化型の自律デスクトップエージェントです。ローカルのファイルシステムやターミナル、アプリケーションにアクセスし、従来の自動化では対応できなかった複雑なマルチステップタスクを実行します。ServiceNowのAction FabricとAI Control Towerにより、すべての操作にガバナンスと監査証跡が確保されます。

セキュリティ面では、NVIDIAのオープンソース技術OpenShellが基盤となります。サンドボックス化されたポリシー準拠の環境でエージェントを実行し、エージェントがアクセスできる範囲やツールを企業側が厳密に制御できます。ServiceNowはOpenShellへの貢献も行い、安全なエージェント実行の共通基盤構築を進めます。

性能と効率の面では、NVIDIAのBlackwellプラットフォームがHopper世代比で1ワットあたり50倍以上のトークン出力を実現し、100万トークンあたりのコストを約35分の1に削減します。常時稼働するAIエージェントを数百万のワークフローに展開するうえで、このトークンエコノミクスの改善が試験運用から本番移行への鍵になるとしています。

また、両社はオープンモデル・エージェントスキルのエコシステムも強化しています。NemotronオープンモデルやNVIDIA Agent Toolkitを活用し、企業が自社ドメインに特化したAIエージェントを構築できる環境を整備。業務ワークフローに特化したベンチマークスイートNOWAI-Benchでは、Nemotron 3 Superがオープンソースモデル中1位を獲得しています。

ベクトルデータベース大手のPineconeは2026年5月4日、エージェントAI向けの新たな知識エンジン「Nexus」を発表しました。従来のRAG（検索拡張生成）パイプラインがエージェントAIの要件に適合しないという課題に対応するもので、同日からアーリーアクセスを開始しています。VentureBeatの2026年第1四半期調査によると、単体ベクトルデータベースはすべて採用シェアを落とし、ハイブリッド検索志向は33.3%に達しています。

Nexusの中核は「コンテキストコンパイラ」です。従来のRAGでは推論時に毎回データの解釈・構造化を行いますが、Nexusはエージェントがクエリを発行する前のコンパイル段階で一度だけ推論を実行し、再利用可能な知識アーティファクトとして保存します。同じデータ基盤から営業エージェントにはCRM文脈を、財務エージェントには契約・請求文脈を、それぞれタスクに最適化した形で提供します。

さらにPineconeはエージェント専用の宣言型クエリ言語「KnowQL」を同時リリースしました。意図、フィルタ、出典、出力形式、信頼度、レイテンシ予算の6つのプリミティブにより、エージェントが構造化された応答と根拠を単一インターフェースで指定できます。PineconeのCEO Ash Ashutosh氏は、KnowQLがリレーショナルデータベースにおけるSQLと同様の構造的ギャップを埋めるものだと説明しています。

Pineconeの社内ベンチマークでは、ある金融分析タスクで従来280万トークンを消費していた処理がNexusではわずか4,000トークンで完了し、98%の削減を達成しました。ただし顧客の本番環境での検証はまだ行われていません。同社はエージェントの計算処理の85%がセッションごとのデータ再探索に費やされていると推計しており、これがコスト膨張と非決定論的な結果の根本原因だと指摘しています。

アナリストの評価は慎重ながらも前向きです。HyperFRAME ResearchのStephanie Walter氏は「知識コンパイルをインフラ層として製品化した点が真の革新」と評価しつつ、RAGの完全な再発明ではなく進化だと位置づけています。GartnerのArun Chandrasekaran氏は「単純な検索から高度な推論への重要な飛躍」と述べました。一方で企業の導入判断においては、性能指標よりもコスト管理・ガバナンス・セキュリティの制御が決定要因になるとの見方が示されています。

Microsoft、ノースウェスタン大学、非営利団体Witnessの共同チームが、AIディープフェイク検出システムの性能評価を目的とした新しいベンチマークデータセット「MNW」を公開しました。研究成果は2026年4月10日付でIEEE Intelligent Systems誌に掲載されています。生成AIによる偽メディアの品質が急速に向上する中、検出技術の遅れが社会的課題となっています。

現在のディープフェイク検出器は、限られた生成器のデータで訓練されるケースが多く、実環境での汎用性に欠けるという問題を抱えています。Microsoftの主任研究員Thomas Roca氏は「ラボのAIは野生のAIではない」と指摘し、既存のベンチマークでは高精度を示す検出器が、実際のオンライン環境では機能しない現状を問題視しています。

MNWベンチマークは、この課題に対応するため多種多様な生成器から作成されたフェイク画像・動画・音声を収録しています。リサイズやクロップ、圧縮といった後処理や、検出を逃れるための意図的な改ざんも反映しており、現実のAI生成メディアの実態を再現することを目指しています。

データセットは春と秋に定期更新される予定です。生成AIの進化に合わせて最新のアーティファクトや回避手法を取り込むことで、検出器が時代遅れになることを防ぎます。GitHubでオープンソースとして公開されており、開発者は自由にベンチマークとして利用できます。

産業界・学術界・市民社会の3つの視点を統合した点も特徴です。ノースウェスタン大学のMarco Postiglione氏は「どの組織単独でも達成できない」と連携の意義を強調しています。研究チームは、悪用のリスクを認識しつつも、ディープフェイク対策の緊急性がそれを上回ると判断し、検出技術の透明性と標準化に貢献する姿勢を示しています。

xAIは2026年5月1日、独自の大規模言語モデル「Grok 4.3」と音声クローニングスイートを発表しました。Grok 4.3は推論を常時有効にした設計を採用し、100万トークンのコンテキストウィンドウを備えています。API価格は入力100万トークンあたり1.25ドル、出力2.50ドルと、前モデルのGrok 4.2から入力で約40%、出力で約60%の値下げとなりました。

第三者ベンチマークでは、法務分野のCaseLaw v2で79.3%の正解率を達成して1位を獲得し、企業財務分野のCorpFinでも首位に立ちました。エージェント型タスクの指標であるGDPval-AAベンチマークではElo 1500を記録し、Gemini 3.1 ProやGPT-5.4 miniを上回っています。一方で汎用コーディングや数学では弱点が残り、ProofBenchのスコアは11%にとどまりました。

新たに提供が始まったCustom Voices機能は、120秒の音声サンプルからユーザーの声を高精度にクローンできるサービスです。話し方のパターンも再現でき、カスタマーサポート風の口調で録音すればそのスタイルが反映されます。ただし利用は米国内に限定され、イリノイ州はプライバシー規制により対象外です。音声エージェントAPIは1時間あたり3ドルで提供されます。

xAIは低価格を最大の差別化要因と位置づけており、Abacus AIのCEOは「Sonnet 4.6と同等の性能で5倍安く速い」と評価しました。ただし、エージェント動作の安定性に課題が指摘されており、シミュレーション上で行動を取らず停止する「ナルコレプシー」問題が報告されています。また過去のGrokモデルで発生した不適切コンテンツ生成の前例もあり、企業導入には慎重な評価が求められます。

Google DeepMindは2026年4月30日、AIが医師の診療を補助する「AI co-clinician（AI共同臨床医）」の研究構想を発表しました。WHOが2030年までに世界で1000万人以上の医療従事者不足を予測するなか、AIを臨床チームの一員として機能させ、医師の監督下で患者ケアの質・コスト・アクセスを改善することを目指しています。

臨床支援の面では、98件の現実的なプライマリケア質問を用いた盲検評価で、AI co-clinicianは97件で重大エラーゼロを記録し、医師が広く利用する既存AI2システムを上回りました。また薬剤知識ベンチマーク「RxQA」のオープンエンド形式でも、他の最先端AIモデルを凌駕する成績を示しています。

遠隔医療への応用研究では、GeminiとProject Astraの技術を基盤に、音声・映像をリアルタイムで活用するテレメディカル診察のシミュレーションを実施しました。ハーバード大学とスタンフォード大学の医師と共同で20の臨床シナリオを設計し、吸入器の使い方の修正や肩の回旋腱板損傷の特定など、テキストだけでは不可能な診察支援を実証しています。

ただし140項目の診察スキル評価では、専門医がAIを総合的に上回り、特に危険信号の特定や重要な身体診察の誘導で差が出ました。研究チームはAIが医師の代替ではなく支援ツールとして最も効果的だと結論づけています。安全面では「Planner」と「Talker」の二重エージェント構造を採用し、臨床的に安全な範囲を逸脱しないよう監視する仕組みを導入しました。

今後はアメリカ、インド、オーストラリア、ニュージーランド、シンガポール、UAEなど世界各地の医療機関や学術研究センターと段階的な評価を進める計画です。現段階では診断・治療への直接使用は想定しておらず、責任ある開発と展開を重視する姿勢を示しています。

Alibaba研究チームは2026年4月、AIエージェントが外部ツールを過剰に呼び出す問題を解決する強化学習フレームワーク「HDPO（Hierarchical Decoupled Policy Optimization）」を発表しました。大規模言語モデルは従来、Webの検索やコード実行などのツールを盲目的に呼び出す傾向があり、レイテンシの増大、APIコストの浪費、推論精度の低下を引き起こしていました。

HDPOの核心は、タスクの正確性と実行効率を2つの独立した最適化チャネルに分離する点にあります。従来の手法では両者を1つの報酬信号にまとめていたため、効率のペナルティを強くすると必要なツール使用まで抑制され、弱くするとツール乱用を防げないという矛盾がありました。HDPOは不正解の応答にはツール節約の報酬を一切与えず、学習初期は正確性に集中し、推論能力の成熟に応じて効率シグナルを段階的に強化する暗黙的なカリキュラム学習を実現します。

このフレームワークで訓練されたマルチモーダルエージェント「Metis」は、Qwen3-VL-8B-Instructをベースとする80億パラメータモデルでありながら、冗長なツール呼び出し率を98%から2%に削減しました。視覚認識や数学的推論のベンチマークでは、300億パラメータのSkywork-R1V4を含む既存のエージェントモデルを上回る精度を達成しています。

研究チームはMetisのモデルとHDPOのコードをApache 2.0ライセンスで公開しました。論文では「戦略的なツール使用と高い推論性能はトレードオフではなく、ノイズの多い冗長なツール呼び出しの排除が精度向上に直接寄与する」と結論づけており、ツール使用の「実行方法」を教えるだけでなく「いつ使わないか」のメタ認知を育てるパラダイムシフトを提唱しています。

AIモデルの評価コストが急騰し、新たな計算資源のボトルネックになりつつあります。EvalEval Coalitionの分析によると、プリンストン大学のHolistic Agent Leaderboard（HAL）は9モデル・9ベンチマークで2万1730回のエージェント実行に約4万ドルを費やしました。フロンティアモデルでのGAIA1回の実行コストはキャッシュなしで最大2829ドルに達します。

コスト高騰の背景には、評価対象の複雑化があります。静的なLLMベンチマークでは、Flash-HELMやtinyBenchmarksなどの手法で100〜200倍の圧縮がランキング精度を保ったまま可能でした。しかしエージェント評価では、各タスクが多ターンの実行を伴うため、圧縮率は2〜3.5倍にとどまります。さらに学習を伴う評価ベンチマークでは、汎用的な圧縮手法が存在しません。

科学計算ML分野のThe Wellでは、1アーキテクチャの評価に約960 H100時間、4モデルの完全比較に3840 H100時間を要します。PaperBenchではICML論文20本の再現評価1回に約9500ドルがかかります。これらのベンチマークでは評価コストが学習コストを上回る逆転現象が起きています。

信頼性の確保がコストをさらに押し上げます。単一実行では統計的検出力が不足するため、HALスタイルの評価を8回再実行すると費用は約32万ドルに膨らみます。τ-benchでは1回60%の精度が、8回の一貫性基準では25%まで低下する事例も報告されています。HALは信頼性向上のため新規モデル評価を一時停止しました。

この状況は、誰がAIシステムを評価できるかという公平性の問題に直結します。学術機関やAI安全機関、ジャーナリストは技術的制約より予算制約に先に直面しています。論文の著者らは、評価結果の標準フォーマットでの共有と再利用が最もコスト効率の高い対策だと提言し、Every Eval Everプロジェクトを通じた評価データの共有基盤を呼びかけています。

米AIスタートアップのPoolsideは2026年4月28日、コーディング特化の大規模言語モデル「Laguna」シリーズ2モデルを発表しました。小型モデルのLaguna XS.2はApache 2.0ライセンスで無料公開され、消費者向けGPU1枚でローカル実行できるのが大きな特徴です。同社は2023年にサンフランシスコで設立された約60人の組織で、政府・公共セクター向けにセキュアなAI開発を進めてきました。

Laguna XS.2は総パラメータ数33B、活性パラメータ数3BのMixture of Experts構成を採用しています。Apple SiliconのMacでは統合メモリ36GB以上、PCではRTX 5090など24〜32GB以上のVRAMがあれば4ビット量子化で動作します。一方、上位モデルのLaguna M.1は225BパラメータのMoEで、企業や政府向けの高セキュリティ環境での複雑なソフトウェア工学タスクに最適化されています。

ベンチマーク性能は注目に値します。XS.2はSWE-bench Proで44.5%を達成し、Claude Haiku 4.5の39.5%やGemma 4 31Bの35.7%を上回りました。M.1もSWE-bench Proで46.9%、SWE-bench Verifiedで72.5%を記録しています。訓練には30兆トークンが使われ、そのうち約13%は合成データです。独自のMuonオプティマイザにより標準手法より約15%速く学習が進むとしています。

開発者向けツールも同時に公開されました。poolはターミナルベースのコーディングエージェントで、同社が内部のRL訓練に使うのと同じAgent Client Protocolサーバとして機能します。shimmerはクラウドネイティブの開発環境で、スマートフォンからでもフル機能の開発が可能です。GitHubとの連携や既存リポジトリのインポートにも対応しています。

Poolsideがオープンウェイト公開に踏み切った背景には、「西側諸国には強力なオープンウェイトモデルが必要」という信念があります。中国企業のDeepSeekやXiaomiが低コストのオープンモデルで存在感を示すなか、米国発のオープンな対抗馬として位置づけを狙っています。なお、同社のモデルは他社のようにQwenベースのファインチューニングではなく、独自にゼロから訓練されたものです。コミュニティによる評価とファインチューニングを通じた改善を期待しているとしています。

NVIDIAは2026年4月28日、マルチモーダルAIモデルNemotron 3 Nano Omniを公開しました。このモデルはテキスト・画像・動画・音声を単一のアーキテクチャで処理できるオムニモーダルモデルで、AIエージェントの構築を効率化することを目的としています。パラメータ規模は30B（アクティブ3B）で、従来のように複数モデルを組み合わせる必要がなくなります。

性能面では、文書理解のMMLongBench-DocやOCRBenchV2、動画理解のWorldSense、音声理解のVoiceBenchなど6つの主要ベンチマークでトップの精度を記録しています。同等の対話性能を持つオープンなオムニモデルと比較して、マルチドキュメント処理で7.4倍、動画処理で9.2倍のシステム効率を実現しました。

アーキテクチャの核となるのは、23層のMamba状態空間モデル、23層のMixture-of-Experts（128エキスパート、Top-6ルーティング）、6層のグループ化クエリアテンションを組み合わせたハイブリッド構成です。視覚側にはC-RADIOv4-Hエンコーダを採用し、動的解像度処理により100ページ超の文書やGUIスクリーンショットにも対応します。音声側にはParakeet-TDT-0.6B-v2エンコーダを搭載し、最大20分の音声入力をネイティブに処理できます。

想定される活用領域は、企業文書の分析、GUI操作を行うコンピュータ使用エージェント、長時間の動画・音声理解、自動音声認識、そして汎用的なマルチモーダル推論の5分野です。すでにH Company、Aible、Eka Care、Foxconnなどが採用を進めており、Dell Technologies、Oracle、Infosysなども評価段階にあります。

モデルはオープンウェイトで公開されており、BF16・FP8・NVFP4の各チェックポイントがHugging Faceからダウンロード可能です。訓練データや手法も公開されているため、NVIDIA NeMoを使った独自のカスタマイズが可能です。NVIDIA Jetsonのようなエッジデバイスからデータセンター、クラウドまで幅広い環境にデプロイでき、Nemotronファミリー全体では過去1年で5,000万回以上のダウンロードを達成しています。

Xiaomiは2026年4月27日、オープンソースの大規模言語モデルMiMo-V2.5およびMiMo-V2.5-ProをMITライセンスで公開しました。両モデルはHugging Faceからダウンロード可能で、商用利用に制限がありません。特にエージェント型タスクにおいて、主要なクローズドソースモデルを上回る効率性を示しています。

MiMo-V2.5はSparse Mixture-of-Experts構造を採用し、総パラメータ数310Bのうち推論時にはわずか15Bのみを使用します。Pro版は1.02兆パラメータで42Bが活性化し、ClawEvalベンチマークでエージェント成功率63.8%を記録しました。これはClaude Opus 4.6やGPT-5.4と同等の成果を、40〜60%少ないトークンで達成するものです。

Pro版の能力は実際の自律タスクで実証されています。SysYコンパイラのRust実装では672回のツール呼び出しを経て4.3時間で完全なコンパイラを構築し、隠しテストで満点を取得しました。また動画編集アプリケーションでは11.5時間で8192行のデスクトップアプリを生成しています。

価格面では、Pro版が海外開発者向けに入力100万トークンあたり1ドル、出力3ドルという競争力のある設定です。100万トークンのコンテキスト窓は標準料金で利用でき、業界で広がる従量課金への移行の中でコスト予測可能性を提供します。開発者支援として100兆トークンの無料枠も用意されました。

MITライセンスの採用は戦略的に重要です。企業はXiaomiの許可なく商用展開が可能で、独自データでのファインチューニングや派生モデルの公開も自由です。GitHub Copilotの従量課金移行が発表された同日のリリースは、プロプライエタリモデルへの依存コストが高まる中で、オープンソースの代替としての存在感を強調しています。

SII-GAIRの研究チームが、AIの訓練データ・モデルアーキテクチャ・学習アルゴリズムの最適化を自動で行うフレームワーク「ASI-EVOLVE」を発表しました。従来、AI研究開発には仮説の立案から実験、分析まで膨大な人的工数が必要でしたが、本フレームワークはこの一連のサイクルを自律的に回し続けることで、人間が設計したベースラインを上回る成果を達成しています。

ASI-EVOLVEの中核は「認知ベース」と「分析器」の2つです。認知ベースには既存の学術知見やヒューリスティクスが格納され、探索の初期段階から有望な方向へ導きます。分析器は訓練ログやベンチマーク結果から因果関係を抽出し、次の仮説生成に活用できる知見へと蒸留します。さらに研究者エージェント、エンジニアコンポーネント、データベースが連携し、知見が体系的に蓄積される設計です。

実験では3つの領域で顕著な成果が確認されました。データキュレーションでは、30億パラメータモデルのMMLUベンチマークスコアが18点以上向上しました。ニューラルアーキテクチャ設計では1773回の自律探索を通じ、人間設計のDeltaNetを超える105の新しい線形アテンション構造を生成しました。強化学習では、数学的推論ベンチマークでGRPOベースラインを上回る新しい最適化手法を発見しています。

企業にとっての意義は大きいといえます。多くの組織はAIモデルの最適化に必要な計算資源とエンジニアリング工数を確保できず、標準モデルをそのまま運用しています。ASI-EVOLVEは独自のドメイン知識を認知ベースに統合し、社内AIシステムの自律的な改善を可能にします。フレームワークはオープンソースとしてGitHubで公開されており、開発者はすぐに活用を始められます。

OpenAIが公開した個人情報保護モデル「Privacy Filter」を活用し、Hugging Faceの開発者3名が実用的なWebアプリ3本を構築しました。Privacy Filterは15億パラメータのモデルで、活性パラメータは5000万、Apache 2.0ライセンスで提供されています。128Kトークンのコンテキストに対応し、PII検出ベンチマークで最高精度を達成しています。

1つ目の「Document Privacy Explorer」は、PDFやDOCXファイルをアップロードすると、個人名・メールアドレス・電話番号などの個人情報を自動検出してカテゴリ別にハイライト表示するアプリです。128Kコンテキストを活かし、文書全体を一括処理するためチャンク分割が不要です。

2つ目の「Image Anonymizer」は、スクリーンショットや画像内の個人情報を黒塗りで自動秘匿するツールです。Tesseract OCRで文字領域を抽出した後にPrivacy Filterで検出し、ピクセル座標の矩形として返します。ブラウザ上でバーの表示切替やドラッグ移動、手動追加も可能です。

3つ目の「SmartRedact Paste」は、テキストを貼り付けると秘匿済みの公開URLと、原文を確認できるトークン付き非公開URLの2つを生成するプライバシー対応ペーストビンです。多言語テキストにも対応しています。

3つのアプリはすべてgradio.Server上に構築されています。モデル推論は@server.apiデコレータでGradioのキューに載せ、ZeroGPU割り当てやプログレス通知を活用します。静的ページの配信にはFastAPIのルートを使い、モデル呼び出しとUI提供を明確に分離する設計パターンが共通しています。

MITのCSAIL、KAUST、HUMAINの研究チームは2026年4月24日、数学オリンピックレベルの証明問題を集めた世界最大のデータセット「MathNet」を公開しました。47カ国・143大会から収集した3万問超の問題と解答を含み、17言語に対応しています。同種のデータセットとしては既存最大の5倍の規模です。成果はブラジルで開催されるICLR 2026で発表されます。

従来のデータセットは米国と中国の大会に偏っていましたが、MathNetは6大陸にまたがる公式大会の問題集を網羅しています。1,595件のPDF資料・計2万5000ページ以上を追跡し、数十年前のスキャン文書まで含めて収録しました。問題と解答はすべて専門家が執筆・査読したもので、複数の解法が示されるケースも多く、AIの数学的推論の学習に質の高い信号を提供します。

AIモデルのベンチマークとしても重要な知見をもたらしています。最高性能のGPT-5でも6,400問のベンチマークで正答率は約69.3%にとどまり、約3問に1問を解けませんでした。図形を含む問題では全モデルで精度が大幅に低下し、視覚的推論が一貫した弱点であることが判明しました。また複数のオープンソースモデルはモンゴル語の問題で正答率0%を記録しています。

さらに類似問題の検索ベンチマークでは、最先端の埋め込みモデル8種を評価した結果、初回で正しい類似問題を特定できた割合はわずか約5%でした。検索拡張生成の実験では、関連性の高い問題を与えるとDeepSeek-V3.2-Specialeの正答率が最大12ポイント向上する一方、無関係な問題の提示は約22%のケースで性能を低下させました。

筆頭著者のShaden Alshammari氏はIMO出場経験を持ち、「多くの国で独力で大会準備をしている学生がいる。質の高い問題と解答を一カ所に集めたかった」と語っています。データセットはIMO財団とも共有される予定で、mathnet.csail.mit.eduから誰でもアクセスできます。

中国のAIスタートアップDeepSeekは2026年4月24日、次世代大規模言語モデルDeepSeek V4のプレビュー版を公開しました。V4-Proは総パラメータ1.6兆、稼働パラメータ49BのMixture-of-Experts構成で、オープンウェイトモデルとしては世界最大です。コンテキスト長は100万トークンに対応し、APIの標準価格はGPT-5.5の約7分の1、Claude Opus 4.7の約6分の1に設定されています。DeepSeekは「フロンティアモデルとの差を事実上埋めた」と主張しています。

ベンチマーク結果を見ると、V4-Pro-MaxはBrowseCompで83.4%を記録し、Claude Opus 4.7の79.3%を上回りました。SWE Verifiedでは80.6%でOpus 4.6 Maxの80.8%にほぼ並び、MCPAtlas Publicでも73.6%と僅差です。一方、GPQA Diamondでは90.1%にとどまり、GPT-5.5の93.6%やOpus 4.7の94.2%には及びません。総合的にはGPT-5.5とOpus 4.7がリードを保つものの、価格対性能比ではDeepSeekが圧倒的です。

技術面では、Compressed Sparse Attention(CSA)とHeavily Compressed Attention(HCA)を交互に配置するハイブリッドアテンションが最大の特徴です。100万トークン時点でV3.2比KVキャッシュ使用量を10%、推論FLOPsを27%に削減しました。従来型のGrouped Query Attentionと比較するとKVキャッシュは約2%で済みます。エージェント用途では、ツール呼び出しを含む会話で推論履歴をターンをまたいで保持する仕組みも導入されています。

地政学的にも注目すべき点があります。DeepSeekはHuawei Ascend NPUでのファインチューニングと推論を公式に検証し、非Nvidia環境で1.5倍から1.73倍の高速化を達成したと報告しました。米国がAIチップ輸出規制を強化し、AnthropicやOpenAIがDeepSeekによるモデル蒸留を非難するなか、中国産ハードウェアでの稼働実績を明示した形です。モデルはMIT Licenseで公開され、商用利用に制限はありません。

廉価モデルのV4-Flashは入力100万トークンあたり0.14ドル、出力0.28ドルと、GPT-5.5比で98%以上安い水準です。DeepSeekは旧エンドポイントを2026年7月に完全廃止し、全トラフィックをV4アーキテクチャへ移行すると発表しました。コミュニティからは「第二のDeepSeekモーメント」との声が上がっており、企業のAI導入におけるコスト計算を根本から見直す契機になりそうです。

OpenAIは2026年4月23日、最新のフラッグシップモデルGPT-5.5を発表しました。共同創業者のGreg Brockman氏は「より直感的でエージェント的なコンピューティングに向けた大きな前進」と位置づけ、コーディング、オンラインリサーチ、データ分析、ドキュメント作成など幅広いタスクを自律的にこなせる点を強調しています。前モデルGPT-5.4のわずか1カ月後というハイペースのリリースとなりました。

ベンチマーク結果では、ターミナル操作の総合力を測るTerminal-Bench 2.0で82.7%を記録し、AnthropicのClaude Opus 4.7(69.4%)やGoogle Gemini 3.1 Proを大きく上回りました。非公開モデルのClaude Mythos Preview(82.0%)もわずかに超えています。一方、ツールなしの推論ベンチマーク「Humanity's Last Exam」ではOpus 4.7(46.9%)に及ばない41.4%にとどまり、純粋な学術知識ではまだ差がある分野もあります。実務面では、GDPval(知識労働)で84.9%、サイバーセキュリティのCyberGymで81.8%と、エージェント型タスク全般で最高水準を達成しました。

推論基盤にはNVIDIA GB200 NVL72が採用されています。NVIDIAではすでに社内1万人以上がGPT-5.5搭載のCodexを活用し、デバッグ作業が数日から数時間に短縮されたと報告されています。GPT-5.5自身がGPU負荷分散のヒューリスティックを設計し、トークン生成速度を20%以上改善するという「モデルが自らの推論基盤を最適化する」成果も生まれました。OpenAIはNVIDIAのシステムを10ギガワット以上導入する計画で、両社の10年にわたる協業がさらに深まっています。

安全性の面では、OpenAI史上最も強力なセーフガードを導入したとしています。準備態勢フレームワークのもと、生物・化学およびサイバーセキュリティの能力を「High」リスクに分類。一般ユーザー向けにはサイバーリスク分類器を厳格化する一方、重要インフラを守る正規のセキュリティ専門家には制限を緩和する「サイバー許容型」ライセンスを新設しました。さらに生物安全性に関しては、ユニバーサル脱獄を発見した研究者に2万5,000ドルを支払うバグバウンティプログラムも開始しています。

料金面では、API価格が前世代から実質倍増し、入力5ドル・出力30ドル(100万トークンあたり)となりました。Proモデルはさらにその6倍です。ただしOpenAIは、GPT-5.5が同じタスクをより少ないトークンで完了するため、実質コストは抑えられると説明しています。Plus・Pro・Business・Enterpriseの各プランで即日利用可能となり、API提供も「近日中」としています。Brockman氏はChatGPT・Codex・AIブラウザを統合した「スーパーアプリ」構想にも言及し、AnthropicやGoogleとのフロンティアモデル競争がさらに激化する見通しです。

2026年4月初旬から、開発者やパワーユーザーの間でAnthropicのフラッグシップモデルClaudeの性能が低下しているとの報告が相次いでいた。GitHubやX、Redditでは「AI shrinkflation」と呼ばれる現象が話題となり、推論能力の低下やハルシネーションの増加、トークンの無駄遣いが指摘されていた。AMDのシニアディレクターが6,852件のセッションファイルを分析した詳細な監査や、第三者ベンチマークでの精度低下も報告され、信頼性への懸念が高まっていた。

Anthropicは4月23日、技術的なポストモーテムを公表し、モデルの重み自体は変更されていないことを明確にした上で、モデルを取り巻く「ハーネス」層における3つの変更が原因であったと説明しました。第一に、3月4日にUI遅延対策としてClaude Codeのデフォルト推論レベルを「high」から「medium」に変更したことで、複雑なタスクでの知能が低下しました。第二に、3月26日に導入されたキャッシュ最適化にバグがあり、1時間の非アクティブ後に思考履歴を1回だけ消去する設計が、以降の全ターンで消去される誤動作を起こしていました。

第三の原因は、4月16日にシステムプロンプトへ追加された文字数制限です。ツール呼び出し間のテキストを25語以内、最終応答を100語以内に抑える指示がOpus 4.7のコーディング品質を3%低下させました。これらの問題はClaude Code CLIだけでなく、Claude Agent SDKやClaude Coworkにも影響していましたが、Claude APIには影響がなかったとのことです。

Anthropicは問題の修正として、推論レベルの変更と冗長性制限プロンプトを元に戻し、キャッシュバグをv2.1.116で修正しました。再発防止策として、社内スタッフが公開版と同一のビルドを使用する義務化、システムプロンプト変更ごとのモデル別評価の実施、プロンプト変更の監査を容易にする新ツールの導入を発表しました。また、バグによるトークン浪費への補償として、全有料会員の使用量制限をリセットしています。今後は@ClaudeDevsアカウントやGitHubスレッドを通じて、製品変更の透明性を高めていく方針です。

OpenAIは2026年4月22日、テキスト中の個人識別情報(PII)を検出・除去する専用モデル「Privacy Filter」をオープンソースで公開しました。Apache 2.0ライセンスでHugging FaceとGitHubから利用でき、商用利用やモデルの改変も自由です。同社が自社のプライバシー保護ワークフローで使用しているモデルの公開版で、PII-Masking-300kベンチマークでF1スコア96%を達成しています。

Privacy Filterは通常の大規模言語モデルとは異なり、双方向トークン分類モデルとして設計されています。入力テキスト全体を一度に読み取り、前後の文脈から個人情報かどうかを判断します。たとえば「Alice」という単語が私的な個人名なのか、文学作品のキャラクター名なのかを周囲の文脈から区別できます。総パラメータ数は15億ですが、Mixture-of-Experts構造により推論時のアクティブパラメータは5000万に抑えられています。

検出対象は個人名・住所・メール・電話番号・URL・日付・口座番号・パスワードやAPIキーなどの秘密情報の8カテゴリです。128,000トークンのコンテキストウィンドウを持ち、法的文書や長大なメールスレッドも分割せずに処理できます。Viterbiデコーダにより「John Smith」のような複数語の名前も一貫した範囲として正しくマスキングされます。

企業にとっての最大の利点は、ローカル環境で完結する点です。ノートPCやブラウザ上で動作するため、機密データをクラウドに送信せずにPIIを除去できます。GDPRやHIPAAへの準拠が求められる環境でも、まずPrivacy Filterでデータを浄化してからGPT-5などの推論モデルに渡すワークフローが構築できます。

ただしOpenAIは、本モデルは「匿名化ツールやコンプライアンス認証の代替ではない」と注意喚起しています。医療・法務・金融などの高リスク領域では人間によるレビューとドメイン固有の評価が依然として重要です。それでも、少量のデータでファインチューニングすればF1スコアが54%から96%に向上した実験結果も示されており、各組織の用途に合わせた柔軟なカスタマイズが可能です。

MIT CSAILの研究チームが、AIモデルに「わからない」と言わせる訓練手法RLCR（Reinforcement Learning with Calibration Rewards）を開発しました。現在の推論モデルは、正解でも推測でも同じ確信度で回答する傾向があり、医療・法律・金融など意思決定に使われる場面で深刻なリスクとなっています。この研究は国際学習表現会議（ICLR）で発表されます。

問題の根本は、OpenAIのo1などに使われる強化学習の報酬設計にあります。従来の手法では正解に報酬、不正解に罰則を与えるだけで、モデルが自身の確信度を表現する動機がありません。その結果、モデルは不確かな場合でも自信を持って回答するよう学習してしまいます。共同筆頭著者のMehul Damani氏は「標準的な訓練では、不確実性を表現するインセンティブが一切ない」と指摘しています。

RLCRは報酬関数にBrierスコアを追加することでこの問題を解決します。Brierスコアはモデルが表明した信頼度と実際の正答率のギャップを測る指標で、自信過剰な誤答と不必要に慎重な正答の両方にペナルティを課します。研究チームは70億パラメータのモデルで検証し、6つの未知のデータセットを含む複数のベンチマークで、校正誤差を最大90%削減しながら精度を維持・向上させました。

共同筆頭著者のIsha Puri氏は「通常の強化学習は校正を改善しないだけでなく、積極的に悪化させる」と述べています。モデルの能力が上がるほど過信も強まるという逆説的な現象が確認されました。一方、RLCRで訓練されたモデルは複数の候補回答から信頼度の高いものを選ぶことで、推論時の精度と校正の両方を改善できます。

さらに興味深い発見として、モデルが不確実性について推論する行為自体に価値があることも示されました。モデルの自己省察的な推論を分類器の入力に含めると、特に小規模モデルで性能が向上したのです。AIの信頼性向上を求める実務家にとって、「自分が何を知らないか」を表現できるモデルの実現は大きな一歩と言えるでしょう。

Googleは4月22日、Cloud Nextカンファレンスで第8世代TPU（Tensor Processing Unit）を発表しました。従来の単一チップ路線を転換し、訓練専用のTPU 8tと推論専用のTPU 8iの2チップ体制へ移行します。エージェントAI時代の異なるワークロード要件に対応するため、2024年にロードマップの分割を決断したと、同社SVPのAmin Vahdat氏が明かしました。

TPU 8tは大規模モデル訓練に特化し、1ポッドあたり9,600チップ、2ペタバイトの共有HBMを搭載します。前世代Ironwoodの約3倍となる121 FP4 EFlopsの演算性能を実現し、新開発のVirgoネットワークにより100万チップ超を単一論理クラスタとして接続可能です。フロンティアモデルの訓練期間を数カ月から数週間に短縮することを目指します。

TPU 8iはエージェントAIの推論ワークロードに最適化されています。288GBのHBMに加え、前世代の3倍となる384MBのオンチップSRAMを搭載し、大規模なKVキャッシュをチップ上に保持できます。新設計のBoardflyトポロジーでネットワーク径を50%以上削減し、リアルタイム推論のレイテンシを最大5倍改善しました。1ポッドあたり1,152チップで、前世代比80%の性能対コスト向上を実現します。

両チップとも自社設計のAxion ARMベースCPUをホストに採用し、前世代比2倍の電力効率を達成しました。Googleはシリコンからデータセンターまでの垂直統合設計により、OpenAIやAnthropicなどNvidia GPUに依存する競合が支払う「Nvidia税」を回避できる点を強調しています。JAX、PyTorch、SGLang、vLLMなど主要フレームワークをサポートし、ベアメタルアクセスも提供します。

両TPUの一般提供は2026年後半を予定しています。現時点ではGoogle自社ベンチマークのみで、独立した第三者検証はこれからです。また、CUDA/PyTorchエコシステムからの移行コストは依然として考慮すべき要素です。Citadel Securitiesなど先進企業がTPU採用を表明しており、フロンティアAI開発の競争軸が「GPUの調達力」から「スタック全体の設計力」へ移行しつつあることを示す発表となりました。

スタートアップのVerkor.ioは、AIエージェントシステム「Design Conductor」を用いて、RISC-V CPUコア「VerCore」をわずか12時間で設計したと発表しました。219語の設計仕様書を入力するだけで、設計・実装・テスト・レイアウトまでを自律的に完了し、EDAソフトウェアで使用可能なGDSIIファイルを出力します。これはAIエージェントによるRISC-V CPUコアの完全設計として初の事例です。

Design Conductorは、LLMを構造化されたステップに沿って動作させるハーネスです。人間のチップ設計者が踏む工程を模倣し、仕様分析からRTL記述、電力供給やタイミング検証、レイアウトまでを段階的に処理します。一部のタスクではOpenROADなどの外部ツールも呼び出します。SynopsysやCadenceもAIツールを提供していますが、仕様から完成まで全工程を自律処理する点がDesign Conductorの特徴です。

VerCoreのクロック速度は1.48GHzで、CoreMarkベンチマークで3,261点を記録しました。これは2011年のIntel Celeron SU2300と同等の性能です。最先端CPUには及びませんが、RISC-Vはオープン標準で無償利用可能なため、コスト面での実用性があります。チップはまだ物理製造されておらず、RISC-Vリファレンスシミュレータ「Spike」と学術用7nmプロセスキット「ASAP7 PDK」で検証されています。

ただし、LLMには人間の直感が欠けるという限界もあります。タイミングエラーの修正で非効率な試行錯誤を繰り返すなど、経験ある設計者なら避けられる問題に陥ることがあります。Verkor.ioのDavid Chin副社長は「経験を計算資源で代替している」と表現しています。設計の複雑さが増すほど計算コストは非線形に増大するため、専門家の知見との併用が現実的です。

それでも、小規模チームでのチップ設計を可能にする点で大きな意義があります。Verkor.ioによると、現時点では5〜10人の専門家チームがあれば量産可能な設計に到達できるとのことです。同社は4月末に設計ファイルを公開し、6月のDAC(設計自動化カンファレンス)でFPGA実装のデモを予定しています。

UAE Technology Innovation Institute(TII)の研究チームは2026年4月21日、アラビア語LLMの評価基盤「QIMMA」をHugging Face上で公開しました。QIMMAはアラビア語で「頂上」を意味し、既存ベンチマークの品質を検証してからモデル評価を行う「品質第一」のアプローチを採用しています。14のソースベンチマークから109サブセット、5万2000以上のサンプルを統合した包括的な評価スイートです。

従来のアラビア語ベンチマークには、英語からの翻訳による文化的不整合、アノテーションの不一致、誤った正解ラベルなどの体系的な品質問題が存在していました。QIMMAでは評価の前段階として、Qwen3-235BとDeepSeek-V3の2つの大規模モデルによる自動審査と、ネイティブ話者による人間レビューを組み合わせた多段階検証パイプラインを構築しています。

検証の結果、ArabicMMLUでは3.1%、MizanQAでは2.3%のサンプルが品質基準を満たさず除外されました。コードベンチマークでは、HumanEval+の88%、MBPP+の81%のアラビア語問題文に修正が必要と判明し、既存評価の信頼性に疑問を投げかけています。

リーダーボードの初期結果では、Qwen3.5-397Bが平均68.06点で首位、アラビア語特化のKarnakが66.20点で2位、Jais-2-70Bが65.81点で3位となりました。注目すべきは、モデルサイズと性能が必ずしも比例しない点で、32Bパラメータのモデルが70B以上のモデルを特定ドメインで上回るケースが確認されています。

QIMMAはオープンソース、ネイティブアラビア語コンテンツ、品質検証、コード評価、推論出力公開の5要素を兼ね備えた唯一のプラットフォームです。アラビア語は4億人以上の話者を持ちながらNLP評価の整備が遅れており、信頼性の高い評価基盤の登場は、同言語圏でのLLM開発・選定に大きな影響を与えると見られます。

Googleは2026年4月21日、自律型調査エージェントDeep ResearchとDeep Research Maxの2種類を、Gemini APIの有料枠でパブリックプレビューとして公開しました。両エージェントはGemini 3.1 Proを基盤とし、単一のAPI呼び出しでウェブと企業内データを横断した調査レポートを自動生成します。速度重視のDeep Researchと、拡張推論で網羅性を高めたMaxという二段構成です。

最大の特徴はModel Context Protocol（MCP）への対応です。これにより、開発者は社内データベースや金融データ端末などの独自データソースをDeep Researchに接続し、公開情報と非公開情報を組み合わせた分析が可能になります。Googleはすでに金融データ大手のFactSet、S&P; Global、PitchBookとMCPサーバー設計で協業しています。

もう一つの注目点は、レポート内へのチャートやインフォグラフィックのネイティブ生成機能です。従来はテキストのみの出力でしたが、HTMLやNano Banana形式で高品質な図表を直接埋め込めるようになりました。さらに、調査計画の事前レビュー機能やリアルタイムストリーミングも追加されています。

性能面では、Deep Research MaxがDeepSearchQAベンチマークで93.3%（2025年12月時点の66.1%から大幅向上）、Humanity's Last Examで54.6%を達成しました。GoogleはこのエージェントをGeminiアプリ、NotebookLM、Google検索、Google Financeと同一基盤で動作する開発者向けプラットフォームとして位置づけています。

一方で、新エージェントはAPI経由でのみ利用可能で、Geminiアプリの一般消費者には未提供という点に批判も出ています。Google Cloudでのエンタープライズ向け提供は近日中に開始予定です。