Google、完全オフラインで動く会議文字起こしアプリ「Foresight」公開
Googleは完全オフラインで動作する実験的ノートアプリ「Google AI Edge Foresight」をmacOS向けに無料公開した。オンデバイスモデル「EmbeddingGemma 2」を採用し、Apple Silicon搭載Macで会議の文字起こしや要約、手書きメモの清書、ローカルファイルへの質疑応答が行える。データは外部に送信されない。
オンデバイスAI
新しいニュースを見る
PiChatがiPhoneショートカットと連携：通知で自動実行、タスク中断も復元
PiChatはPiDurableKitを活用し、LLMとiPhoneショートカットを連携させたエージェントを発表した。特定の通知を検知して自動でショートカットを実行するほか、処理状態を逐次保存することで、iOSにアプリを強制終了されても中断地点から安全に再開できる。
Shenchen Kaidongのバドミントンロボ「XA1」、遠隔操作なしで1452回連続ラリー達成
Shenchen Kaidongが人の遠隔操作なしでシャトルの軌道を予測し、自律的に移動して打ち返すバドミントンロボット「XA1」を開発した。クリアやヘアピンに加え一部のスマッシュにも対応し、返球成功率は96%超を誇る。過去には1452回連続ラリーのギネス記録も達成しており、高速な物理的インタラクションにおける具身AIの進歩を示している。
米マイクロソフト、NvidiaのRTX Spark搭載Surfaceを発表
MicrosoftはNvidiaのRTX Sparkチップを搭載した「Surface Laptop Ultra」を発表した。価格は2600ドルからで、AIモデルを端末上でローカル実行できる。Windows 11にはAIエージェントを隔離する「実行コンテナ」機能が追加され、MacBook Proの下取りで最大1000ドル引きとなる。
Liquid AI、エッジ向け意思決定モデル「d1-3B」をオープンソース公開
Liquid AIはマルチモーダル意思決定モデル「d1-3B」をオープンソースで公開した。テキスト生成を行わず、分類や評価などの判定に特化した設計で、RTX 4090で8ミリ秒、Jetson Orin Nanoでも50ミリ秒という超高速な単一パス応答を実現している。
Google、端末向け多面埋め込みモデル「EmbeddingGemma 2」をオープンソース公開
Googleは7.4億パラメータの端末向けマルチモーダル埋め込みモデル「EmbeddingGemma 2」をApache 2.0で公開した。テキスト、コード、画像、音声、動画を同一空間に統合。Pixel 11 Pro上なら567MBのRAMで動作し、完全オフラインな検索やRAGをローカル環境で構築できる。
テキストから人体動作を生成する「MSFlow」公開 関節の固定制御にも対応
テキストから人体動作を生成するオープンソースモデル「MotionSpaceFlow」が公開された。モデルサイズは約 1.1GB で、一般的な GPU で動作する。最大の看点は、追加学習なしで特定の関節やフレームの位置を固定し、その制限に合わせた動作を自動生成できる点だ。
NVIDIA、4999ドルの小型スパコン「DGX Spark 64GB」発表
NVIDIAはGB10 Grace Blackwellを搭載した「DGX Spark 64GB」を10月23日に4999ドルで発売すると発表した。単体で1000億パラメータのモデルを実行でき、2台をQSFPケーブルで直結すれば128GBのメモリプールを構成可能。クラウドに頼らず手元で自律型エージェントを動かせるのが特徴だ。
わずか 16.9MB：Cactus が超軽量音声認識モデル「Whistle」を公開
Cactus Compute は単一ファイルで 16.9 MB の音声認識モデル「Whistle」をリリースした。GPU 不要かつ CPU 単体・依存関係なしで動作し、7 言語の文字起こしと単語単位のタイムスタンプに対応。145 MB ある Whisper base をベンチマークで上回る。
AI動画の一貫性を保つ「Mosaic Chunk」公開：画面外の物体も忘れない記憶技術
今週、AI動画生成向けの記憶システム「Mosaic Chunk」のコードとモデルがオープンソース公開された。過去の全フレームではなく重要特徴を選択的に記憶・再呼出しすることで、物体が画面から消えても一貫性を維持する。MiniMax H3およびLing World Infinityベースのモデルがローカルで利用可能だ。
Strands、テキスト生成を省き115msで即断する「Decider 2B」をオープンソース公開
Strandsは2B規模の軽量意思決定モデル「Decider 2B」を公開した。Qwen3.5-2Bからテキスト生成部を外しポインタヘッドに置き換えることで、事前定義された選択肢の判定と確信度スコア算出に特化。RTX 3090上で中央値115msの低遅延で動き、ローカルエージェントの検証に役立つ。
InSpatio-World 1.5：画像1枚とカメラ軌道から4D空間を生成する世界モデル
InSpatioが4D世界モデル「InSpatio-World 1.5」をオープンソースで公開した。単一画像やパノラマ、動画から未知の視点を推論し、指定したカメラ軌道に沿って一貫した空間巡回やバレットタイム映像を生成できる。サイズは6GB未満で、一般的なGPUでも動作する。
容量わずか 164MB：超軽量音声認識モデル「Phonon-2」が公開
Fermion Research が英語音声認識モデル「Phonon-2」をオープンソースで公開した。ダウンロード容量はわずか 164MB ながら単語誤り率 5.21% を達成し、M5 MacBook Air であれば 1 時間の音声を約 20 秒でテキスト化できる。
オープンソース推論エンジン「Strata」公開：12GBのVRAMで千億級モデルを動作可能に
ローカル推論エンジン「Strata」がオープンソースで公開されました。GPUメモリ、メインメモリ、SSDを連携させて階層実行することで、12GB VRAMの一般的なPCでもQwen3.8-Flash-Nextなどの巨大モデルをローカルで動かせます。OpenAI互換APIも備えており、日常的なPCでの大規模モデル運用の敷居が大きく下がりました。
オープンソース視覚決定モデル「Valen」：画像から行動確率を即座に出力
Valen-Teamは軽量なマルチモーダル意思決定モデル「Valen」をオープンソース公開した。Qwen3.5を基盤に0.8Bから4Bのサイズを展開し、画像や動画に対して候補アクションの確率スコアを直接出力する。GUI操作やロボットの障害物回避など、エージェントの高速な反射神経として機能する。
Scale AIのMacアプリ「Muse」にComputer Use機能追加：バックグラウンドで自動処理
Scale AIのAlexandr Wang CEOはMac向けアプリ「Muse」に「Computer Use」機能を追加したと発表した。タスクをキューに追加すれば、ユーザーが離席してもバックグラウンドで自動処理が継続される。長時間の複雑な作業を無人実行できる実用的なエージェント機能を目指す。
Qualcommが新Snapdragon発表：スマホ単体で300億パラメータAIが動作
QualcommはSnapdragon Summitにて、新チップセット「Snapdragon 8 Elite Extreme Gen 6」などを発表しました。従来の約40億から飛躍し、端末単体で最大300億パラメータのAIモデル処理に対応します。自律型エージェントの処理向上を掲げ、来年のSamsungやXiaomiなどの端末に搭載されます。
3D幾何を潜在空間に直結する「GAE」公開、カメラ軌道誤差を半減
研究チームが世界生成フレームワーク「GAE」をオープンソースで公開した。幾何特徴を128チャンネルの潜在空間に圧縮し、動画と同時に深度マップやカメラ軌道、3D点群を復元する。視点移動時の軌道誤差を半減させつつ、重みは12GB未満で一般的なGPUでもローカル実行できる。
SupraLabsがSupra2-IMGを公開：スマホでも動く1億パラメータの超軽量画像生成モデル
SupraLabsは、パラメータ数わずか約1.04億、サイズ約417MBの超小型画像生成モデル「Supra2-IMG」をオープンソース公開した。単一のH100 GPUを使い約9時間で学習を完了。極小サイズゆえ解像度は256×256にとどまるが、スマホやエッジ端末でも直接動かせる軽さが強みだ。
Edge0が「Audio8-ASR-Infinite」をオープンソース化：メモリ一定で24時間ストリーミング文字起こし
Edge0は中英バイリンガル対応のストリーミング音声認識モデル「Audio8-ASR-Infinite」を公開した。遅延を240〜560ミリ秒に抑え、ローリングKVキャッシュによりメモリ消費と遅延を一定に保ち、長時間の連続書き起こしを可能にする。