OpenAI、o1-pro APIを提供開始：出力100万トークン600ドルの超高価格
OpenAI は推論モデル「o1-pro」の API 提供を一部開発者向けに開始した。より多くの計算リソースを投じることで回答品質を引き上げ、画像認識や関数呼び出しにも対応する。一方、料金は入力 100 万トークン 150 ドル、出力 600 ドルと極めて高額だ。
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
xAIが画像生成APIを提供開始、1枚0.07ドルで展開
xAIは開発者向けAPIに画像生成機能を追加し、モデル「grok-2-image-1212」の提供を始めた。料金は1枚あたり0.07ドルで、1回のリクエストで最大10枚のJPGを生成できる。現時点ではサイズやスタイルの指定はできず、プロンプトが自動で手直しされる仕様となっている。
Perplexity、Sonarモデルを刷新：3段階の検索モード追加、引用トークンは無料化
PerplexityはSonarシリーズの刷新を発表し、用途とコストに応じて選べる高・中・低の3つの検索モードを導入しました。さらに回答内の引用トークンの課金を廃止。ベンチマークでは検索機能付きGPT-4oを上回る精度をより低価格で実現したとしています。
Google、「Gemini 2.0 Flash」のネイティブ画像生成を開発者に開放
Googleは、Gemini 2.0 Flashのネイティブ画像生成機能を開発者向けに提供開始した。外部ツールを挟まず直接画像を生成可能で、対話形式での継続的な編集やキャラクターの一貫性保持、画像内テキスト描写に対応する。Google AI StudioおよびGemini APIからテストできる。
OpenAIが創作に特化した新モデルを開発、アルトマン氏「初めて心を揺さぶられた」
OpenAIのサム・アルトマンCEOは、クリエイティブライティングに長けた新モデルをトレーニングしたとXで明かした。AIと悲しみをテーマにしたメタフィクションの短編を披露し、AIの文章に初めて深く胸を打たれたと称賛している。提供時期や提供方法は未定だという。
ElevenLabsが音声文字起こしを45%値下げ：Scribeが4月9日まで無料
ElevenLabsは音声文字起こしモデル「Scribe」の大規模利用時の料金を45%値下げし、4月9日までWeb UI経由で無料提供すると発表した。99言語に対応する。高精度な多言語文字起こしの導入コストが大きく下がりそうだ。
Tencentが混元TurboSを発表：Mambaハイブリッドで推論コストを7分の1に
Tencent HunyuanはTransformerとMambaを組み合わせた超大規模MoEモデル「Hunyuan-TurboS」を発表した。Mambaで長文処理を効率化し、数学や推論でGPT-4oやDeepSeek-V3を上回ると主張。推論コストは従来モデルの7分の1に削減された。
Metaの次期「Llama 4」、音声機能を大幅強化か 会話の割り込みに対応
米メディアなどの報道によると、Metaは数週間以内に公開予定の「Llama 4」で音声機能を大幅に強化する方針だ。発話中の割り込みやネイティブな音声処理に対応するオムニモデルになるという。競合するDeepSeekの台頭を受け、Metaは開発スピードを急加速させている。
GoogleがGemini新埋め込みモデル提供開始、MTEBで首位獲得
GoogleはGemini API向けに実験的テキスト埋め込みモデル「gemini-embedding-exp-03-07」を公開した。Gemini自身を用いて学習され、MTEB多言語ベンチマークで2位に5.81点差をつけて首位を獲得。既存のembed_contentエンドポイントから即座に試用できる。
Tavus、対話型動画向けAIモデル3種を公開 表情・視覚・対話の「間」を改善
Tavusは対話型動画向けの新AIモデル「Phoenix-3」「Raven-0」「Sparrow-0」を発表し、APIを公開した。微表情の再現、リアルタイムの視覚認識、会話ターンの正確な制御を組み合わせ、より自然で滑らかなアバター対話を実現する。
Qwenが推論モデル「QwQ-32B」公開、DeepSeek-R1に匹敵
Qwenは320億パラメータの新推論モデル「QwQ-32B」を公開した。強化学習のスケーリングにより数学とコーディング性能を大幅に向上させ、中規模モデルでありながら巨大なMoEモデルに対抗できる実力を示した。
OpenAI、最大モデル「GPT-4.5」をPlus会員向けに順次提供開始
OpenAIはChatGPT Plus加入者向けに最新かつ最大規模のモデル「GPT-4.5」の展開を開始した。日常会話や知識の深さ、幻覚の低減に優れる一方、Altman氏は複雑な推論に特化したモデルではないと説明している。API出力価格はGPT-4oの15倍に設定されている。
OpenAIがGPT-4.5をプレビュー公開：事前学習を大規模化し対話力を向上
OpenAIは最大規模の対話モデル「GPT-4.5」の研究プレビューを公開した。教師なし学習をスケールアップし、幅広い知識と高い共感力、ハルシネーションの低減を実現。ChatGPT Proユーザーおよび有料API開発者向けに提供を開始した。
マイクロソフト、小型モデル「Phi-4」発表：音声・画像・テキストを単一処理
Microsoftは小型モデル「Phi-4-multimodal」（56億パラメータ）と「Phi-4-mini」（38億パラメータ）を発表した。マルチモーダル版は音声・視覚・テキストを同一アーキテクチャで同時処理でき、Copilot+ PCなど端末側での動作を想定している。
Inception LabsがMercury Coder公開：画像拡散技術を応用、毎秒1000トークン超
Inception Labsは、画像生成の拡散技術をテキストに応用した初の商用言語モデル「Mercury Coder」を公開した。従来の逐次生成ではなく並列にノイズを除去する手法を採用し、標準的なNvidia H100上で毎秒1000トークン以上を出力する。GPT-4o Mini匹敵の性能を、専用チップなしで高速かつ安価に実現した。
xAIがGrok 3に「暴走」音声モード追加：暴言や絶叫、18禁会話も解禁
xAI は Grok 3 の有料会員向けに新たな音声モードを公開した。規制の厳しい ChatGPT とは異なり、罵倒や 30 秒の絶叫をして電話を切る「暴走」モードや、性的な会話を行う 18 禁の「セクシー」など無規制な人格を選べる。大手各社が安全策を取る中、真逆の路線を突き進む動きとして注目を集めている。
OpenAIが「Deep research」のシステムカード公開、4大リスクは中程度と評価
OpenAIは複雑な調査を自動で行う「Deep research」のシステムカードを公開した。Webブラウジング向けに調整された初期のOpenAI o3を搭載しており、自律性やサイバーセキュリティなどのフロンティアリスクはすべて「中（Medium）」と評価された。プロンプトインジェクションや個人情報保護への対策が施されている。
Google、Gemini 2.0 Flash-Liteの一般提供を開始：高性能と低価格を両立
GoogleはGemini 2.0 Flash-LiteのGemini APIおよびVertex AIにおける一般提供を開始した。推論や数学のベンチマークで1.5 Flashを上回り、100万トークンのコンテキストを低価格で利用できる。
DeepSeek、次世代推論モデル「R2」のリリース前倒しを計画か
報道によると、中国のAI企業DeepSeekが次期推論モデル「R2」の投入を急いでいる。関係者によれば、当初5月初旬を予定していた公開時期を可能な限り前倒しする方針。R2ではコーディング性能の向上と英語以外の多言語推論能力の強化を目指しているという。
Qwen、推論モデル「QwQ-Max-Preview」を公開 オープンソース化と32B版も予告
QwenチームはQwen2.5-Maxを基盤とする推論モデル「QwQ-Max-Preview」を公開した。数学やコード生成、エージェントタスクに特化しており、今後はApache 2.0でのオープンソース化や、ローカル実行可能な32B版、専用アプリの展開も予定している。