Nvidia、音声生成AIモデル「Fugatto」発表 ピアノ音の歌声化や未体験サウンド生成に対応
Nvidiaはテキスト指示で音声を生成・編集できるAIモデル「Fugatto」を発表した。ピアノ演奏を人間の歌声に変換したり、話者の感情やアクセントを変えたりできる。既存の音を融合させた未知の効果音も作れるが、安全性や著作権への配慮から一般公開は見送られている。
AIモデル · デイリー
月
11月25日 月曜日
金
11月22日 金曜日
Samsungが「Gauss2」発表、端末向けから高性能版まで3モデルを展開
Samsungは開発者会議で第2世代AIモデル「Gauss2」を発表した。オンデバイス向けのCompact、バランス型のBalanced、最高性能のSupremeの3種類を提供し、最大14言語やプログラミング言語に対応する。すでに社内の開発支援ツール「code.i」などで活用されており、今後は全製品群への展開を予定している。
木
11月21日 木曜日
GoogleがGemini-exp-1121を公開：コーディングと視覚理解でGPT-4oを約20%上回る
Googleは実験的モデル「Gemini-exp-1121」を発表した。アーキテクチャの最適化や実データによるファインチューニングにより、コーディング、数学的推論、画像理解の主要ベンチマークでGPT-4oを約20%上回る性能を示している。
水
11月20日 水曜日
OpenAIがGPT-4oを更新、文章生成とファイル分析能力が向上
OpenAI は GPT-4o のアップデートを発表し、文章作成とファイル処理の精度を強化した。ストーリーや宣伝文の生成がより自然で流暢になったほか、アップロードした PDF や文書からより深い洞察を抽出し、詳しい分析を提示できる。
DeepSeekが「R1-Lite-Preview」公開、o1匹敵の推論性能
DeepSeekは推論モデル「DeepSeek-R1-Lite-Preview」を公開した。AIMEやMATHベンチマークでo1-preview水準のスコアを達成し、リアルタイムで思考過程を確認できる。オープンソース版とAPIも近日公開予定。
Nianticが地理空間AIを開発：『Pokémon GO』プレイヤーのスキャンデータを活用
Nianticは『Pokémon GO』などのプレイヤーが撮影した数百万件の現実スキャンデータを基に「大規模地理空間モデル（LGM）」を開発中だと発表した。車が入れない歩行者視点の高精度な3D空間をAIやロボットに理解させる狙いがある。
火
11月19日 火曜日
ザッカーバーグ氏がLlamaへ全面シフト：Meta復活の舞台裏
報道によると、MetaのザッカーバーグCEOはメタバースの低迷を経てLlamaのオープンソース化を決断し、全社戦略を再構築した。ダウンロード数は6億回を超え製品群を支える一方、年間最大400億ドルの巨額投資に対する収益化が課題だ。
木
11月14日 木曜日
Stable Diffusion 3.5 LargeがSageMaker JumpStartで利用可能に
画像生成モデル「Stable Diffusion 3.5 Large」がAmazon SageMaker JumpStartで提供開始された。80億パラメータを備え、3Dや写真調の1メガピクセル画像を生成可能。VPC内での安全なデプロイにも対応する。
水
11月13日 水曜日
マイクロソフト、業界特化型AIモデルを提供開始：バイエルやシーメンスと連携
マイクロソフトはバイエルやシーメンスなどの業界パートナーと連携し、小規模言語モデル「Phi」をベースにした業界特化型AIモデルを発表した。農業、車載制御、製造現場の障害対応、金融コンプライアンスなどの用途向けにAzure AIカタログで提供される。
次世代AI開発に壁、データ枯渇でOpenAIやGoogleの進化が減速か
報道によると、OpenAI、Google、Anthropicの各社が次世代AIの開発で壁に直面している。最大の要因は高品質な訓練データの枯渇と著作権問題だ。OpenAIの「Orion」は性能向上が限定的とされ、Anthropicも「Claude 3.5 Opus」の公開を延期したと伝えられている。
土
11月9日 土曜日
OpenAIの次世代モデル「Orion」の性能向上ペースが鈍化か、新戦略へ転換
The Informationなどの報道によると、OpenAIが開発中の次世代旗艦モデル「Orion」の進化ペースが鈍化している。テストではコーディングなどで際立った飛躍が見られず、同社は合成データの活用や事後トレーニングの強化へと戦略を見直している。年内のリリースはない見込みだ。
金
11月8日 金曜日
OpenAIのサム・アルトマン氏、2025年のAGI達成を予測
OpenAIのサム・アルトマンCEOはYCのインタビューで、2025年までにAGIが実現するとの予測を示しました。AGIへの道筋は基本的に明確であり、新たな科学的ブレークスルーではなく工学的な課題の解決にかかっていると語っています。
Google、OpenAIの公式SDKからGeminiを利用可能に
GoogleはOpenAIの公式ライブラリやREST APIを通じてGeminiモデルを呼び出せる互換機能を提供開始した。Chat CompletionsとEmbeddingsに対応しており、base_urlとAPIキーを差し替えるだけで既存コードのままGeminiへ移行できる。
月
11月4日 月曜日
OpenAI、「Predicted Outputs」公開：GPT-4oのコード修正や文章更新を高速化
OpenAIは開発者向けに「Predicted Outputs」を公開した。gpt-4oおよびgpt-4o-miniのAPI呼び出し時に参照テキストを渡すことで、生成の遅延を大幅に削減できる。既存ファイルのコード書き換えや文書の更新など、差分編集の速度向上に役立つ。
Anthropicが「Claude 3.5 Haiku」提供開始、価格は4倍で画像認識は非対応
AnthropicはClaude 3.5 Haikuの提供を開始した。性能面では前世代の最上位モデルOpusを上回る一方、API利用料は前世代の4倍に引き上げられ、現時点では画像認識に対応していない。高いコストパフォーマンスや画像解析を求めるユーザー向けに、旧世代のClaude 3 Haikuも併売される。
Meta、防衛・国家安全保障用途でLlamaの米政府機関利用を解禁
Metaは同社の利用規約を特例として緩和し、米国の防衛および国家安全保障機関とその契約企業にLlamaの利用を認めると発表した。ロッキード・マーティンやオラクルなどの提携企業を通じて導入が進められ、英国、カナダ、豪州、NZの機関にも同様に提供される。
金
11月1日 金曜日
OpenAI幹部がRedditでAMA開催 「2025年は自律型エージェントが主題に」
OpenAIのサム・アルトマンCEOらはRedditでAMAを実施した。幹部は、ChatGPTが自律的にユーザーへ連絡しタスクを代行する機能が「2025年の大きなテーマになる」と説明。現行ハードウェアでAGI達成は可能との見解や、企業向けHIPAA対応、DALL-E次期版についても言及した。
Claude 3.5 SonnetがPDF内画像の解析に対応、図表や画像もそのまま認識
AnthropicはClaude 3.5 SonnetにPDFの視覚的解析機能を追加し、公開ベータとして提供を開始した。テキストだけでなく文書内の図表や画像もまとめて認識可能で、最大100ページ、32MBまでのファイルに対応する。現在Claude ChatのプレビューとAPI経由で利用できる。
木
10月31日 木曜日
Google、Gemini APIに検索グラウンディング導入：最新情報を引用付きで回答
GoogleはGoogle AI StudioとGemini APIでGoogle検索によるグラウンディング機能の提供を開始した。Gemini 1.5がWebから最新情報を取得し、参照リンク付きで回答する。AI Studioでは無料でテストでき、APIの有料枠は1000件あたり35ドルとなる。
月
10月28日 月曜日
xAIの「Grok」に画像理解機能が追加、Xの有料ユーザー向けに提供
xAIはAIモデル「Grok」に画像理解機能を追加した。Xの有料会員は画像をアップロードしてAIに質問できるようになり、マスク氏によれば画像のミームやジョークの解説も可能だという。現在は初期段階だが、マルチモーダル化を進めて有料プランの魅力を高める狙いがある。
金
10月25日 金曜日
OpenAIが次世代モデル「Orion」を12月投入か、CEOは報道を否定
The VergeはOpenAIが次世代フラッグシップモデル「Orion」を12月までに投入する計画だと報じた。当初はChatGPTで一般公開せず提携企業へ優先提供される見込みだが、Sam Altman CEOは誤報と一蹴し、広報も年内公開の予定を否定している。
