Google、「Gemini 3.5 Flash」にコンピューター操作ツールを標準統合
Google は「Gemini 3.5 Flash」にコンピューター操作機能を標準ツールとして組み込んだと発表した。従来は独立した 2.5 モデル限定だったが、ブラウザやモバイル、デスクトップ環境を認識して操作するエージェントを直接構築可能になった。間接プロンプトインジェクション検知時の自動停止など、企業向け安全機能も備える。
AIモデル
GPT、Claude、Gemini、DeepSeek、Qwenなど大規模言語モデルの新バージョン、ベンチマーク、料金、APIの変更を毎日まとめています。
新しいニュースを見る
アリババ、対話型動画モデル「Wan Streamer」公開：200ms低遅延で双方向通話
アリババはリアルタイムで動画・音声対話ができる基盤モデル「Wan Streamer」を発表した。単一のTransformerでテキスト、音声、映像を同時に処理し、モデル側応答遅延を約200ミリ秒に抑えた全二重通信を実現している。現在は192pのPoC段階で一般体験は未提供。
ByteDanceがDoubao Seed 2.1を発表：実務特化のエージェントでPPT修正やWeb制作に対応
ByteDance は生産性エージェント向けモデル「Doubao Seed 2.1」を発表した。Pro と Turbo の 2 バージョン展開で、科学チャート分析、PPT テンプレートの精密編集、手書きラフからの Web サイト作成など強力なマルチモーダル処理に対応。実務タスク指標でトップモデルに迫る性能を発揮する。
百度が「Unlimited OCR」発表：長文でも速度低下なし、40ページを一括解析
百度は長文解析モデル「Unlimited OCR」を公開した。R-SWA機構によってテキストKVキャッシュを固定化し、出力が伸びてもメモリ消費と計算コストを一定に維持。32Kコンテキストで40ページ以上の文書を速度低下なしで一括解析できる。
Sakana AI、マルチエージェントを1つのAPIで動かす「Fugu」提供開始
Sakana AIはマルチエージェント連携を単一の基盤モデルとして扱える「Sakana Fugu」と上位版「Fugu Ultra」の一般提供を開始した。自身がオーケストレーションを担う言語モデルとして機能し、OpenAI互換の単一APIから複数モデルを自律的に統括・委譲して複雑なタスクを処理する。特定ベンダーへの依存や規制リスクを回避できる設計となっている。
GPT-5.6 Proのリーク浮上：推論スコアが960に強化、指示文1つでWeb制作も
OpenAIの未発表モデル「GPT-5.6 Pro」の仕様が流出しました。推論バジェットが768から960へ引き上げられ、知識締め切りが2025年12月に更新されたほか、Playwright連携によるブラウザ自動化に対応するとされています。プロンプトと参考画像だけで高水準なWeb構築が狙える一方、デザイン品質にはまだ競合に劣る面も残ると伝えられています。
OpenAI、ChatGPTの健康相談機能をGPT-5.5 Instantで刷新 無料開放で誤答率71%減
OpenAIはChatGPTの健康・医療相談機能をGPT-5.5 Instantで強化し、無料ユーザーを含む全員に開放した。世界60カ国の医師260人以上が評価に参加し、最難関の評価でフロンティア思考モデル匹敵の性能を記録。直近2カ月で事実誤認の発生率は71%減少した。
xAIの「Grok 4.3」がAmazon Bedrockで提供開始、AWS環境から直接利用可能に
xAIはフラグシップモデル「Grok 4.3」をAmazon Bedrockで提供開始したと発表した。ハルシネーションの低さとツール呼び出し性能で業界最高水準を謳う。AWSの開発者は、既存のセキュアな推論基盤上で直接Grokを活用したアプリを構築できる。
Z.aiが長文脈特化モデル「GLM-5.2」公開、1Mコンテキストでオープンソース最強へ
Z.aiは長時間の複雑なタスクに特化した最新フラグシップモデル「GLM-5.2」をMITライセンスで公開した。安定した1Mトークンのコンテキストに対応し、新アーキテクチャ「IndexShare」により計算コストを大幅に削減。FrontierSWEなどのベンチマークでGPT-5.5を上回る性能を示している。
CartesiaがSonic-3.5とInk-2を発表：音声合成と文字起こしの両ストリーミング首位を獲得
Cartesiaは音声合成モデルSonic-3.5と文字起こしモデルInk-2を公開した。状態空間モデルを採用して初回応答遅延を300ミリ秒未満に抑え、Artificial Analysisの流動評価で首位を獲得。発話終了検知も備え、対話AIの不自然な沈黙を解消する。
Moonshot AI、Kimi K2.7-Codeに高速モード追加 最大6倍高速化で毎秒260トークン
Moonshot AIはコーディング特化モデル「Kimi K2.7-Code」の高速モードを発表した。トークン処理速度が最大6倍（毎秒260トークン）に向上し、推論トークン消費を約30％削減したとする。現在Hugging FaceとAPIで利用可能だが、第三者ベンチマークによる検証は未実施。
Google、リアルタイム音声翻訳モデル「Gemini 3.5 Live Translate」発表 70言語以上で声の抑揚を再現
米Googleはリアルタイム音声翻訳モデル「Gemini 3.5 Live Translate」を発表した。話し終わりを待たずに数秒遅れで連続翻訳し、話者の抑揚や声のトーンを保つ。70言語以上に対応し、Google翻訳アプリやGoogle Meet、開発者向けAPIへ順次展開される。
Anthropic、最上位級「Claude Fable 5」発表 高リスク時はOpusへ自動切替
Anthropicは一般利用可能な新フラグシップモデル「Claude Fable 5」を発表した。ソフトウェア工学や科学研究でトップレベルの性能を発揮する一方、サイバーセキュリティなどの悪用を防ぐため、危険と判定された5%未満のプロンプトを「Opus 4.8」に自動フォールバックする安全機能を備える。
アリババが「Qwen 3.7 Plus」を発表：GUI操作に特化、11時間自律コーディングも
アリババのQwenチームは、画面操作やツール実行に特化したマルチモーダルモデル「Qwen 3.7 Plus」を公開しました。画面を認識してアプリUIを再構築し、11時間自律してコードを書き上げる能力を持ちます。重みは非公開ですが、Anthropic API互換を備え、Alibaba Cloud経由で低価格な商用APIとして提供されます。
GoogleがAgentic RAG発表：足りない情報を再検索、Geminiの事実精度が34%向上
GoogleはGemini Enterprise Agent Platform向けの「Agentic RAG」を発表した。従来の1回きりの検索と異なり、「十分なコンテキストエージェント」が不足情報を特定して追加検索を実行する仕組みで、遅延をほぼ増やさずに事実精度を34%向上させた。
NVIDIA、自律エージェント向けオープンモデル「Nemotron 3 Ultra」を公開
NVIDIAは長時間稼働するAIエージェント向けに「Nemotron 3 Ultra」を公開した。総パラメータ550B・活性55BのMoE構成で、MambaとTransformerのハイブリッド設計によりスループットを5倍に高め、タスクコストを最大30%削減する。安全性評価モデルや音声認識モデルも同時に提供される。
OpenAIがプロンプトエンジニアリング指針を刷新、コード内管理を推奨
OpenAIが公式プロンプトエンジニアリングガイドを更新し、Responses APIでの役割優先度や構造化のベストプラクティスを解説しました。プロンプトをアプリのコード内でバージョン管理することを強く推奨しており、APIのプロンプトオブジェクトは2026年11月に廃止されます。
マイクロソフト、自社製MAIモデル7種を発表：蒸留なしの独自開発、研究所も新設
Microsoft AIは推論、コーディング、音声などを網羅する7種類の自社開発MAIモデルを発表した。旗艦推論モデル「MAI-Thinking-1」は他社モデルからの蒸留を行わずにゼロから学習。企業向け「Frontier Tuning」機能やMayo Clinicとの医療モデル共同開発、超知能研究所の設立も明かされた。
AnthropicのセキュリティAI「Mythos」が判明、Opusの約6倍の利用コスト
The Informationによると、Anthropicのサイバーセキュリティ特化型モデル「Mythos」は脆弱性発見で成果を上げる一方、トークン単価がOpusの約6倍に設定されているという。Palo Alto Networksが即座に100万ドル規模のトークンを消費するなど高額だが、侵害被害と比べ投資価値はあると評価されている。
MiniMaxが新モデル「M3」公開：100万コンテキストとマルチモーダルを両立、デコード速度15倍
MiniMaxはオープンウェイトAIモデル「M3」を公開した。100万トークンの超長文脈と画像・動画入力、デスクトップ操作に対応する。新開発の疎アテンション機構「MSA」により前世代比15倍のデコード高速化を達成し、SWE-Bench Proでも高水準を記録。MiniMax CodeやAPI経由ですぐに利用できる。