OpenAIが「Privacy Filter」公開、個人情報をローカルで検出・マスキング
OpenAIは個人情報を検出・マスキングするオープンウェイトモデル「Privacy Filter」を公開した。総パラメータ数1.5B、アクティブパラメータ数50Mで、最大128,000トークンの文脈に対応する。8つのカテゴリに対応し、データを外部へ送信せず端末内で安全に脱敏処理できる。
オンデバイスAI
新しいニュースを見る
Open CoDesign：ローカルで動くオープンソースのAIデザインツール
Open CoDesignは、Claude DesignやFigma AIのローカル代替となるオープンソースのデスクトップアプリです。手持ちのAPIキーやローカルのOllamaを接続し、プロンプトや参考画像からUIプロトタイプやスライドを自動生成し、HTML等で書き出せます。
オープンソース「RotorQuant」登場：Google超えの10倍KVキャッシュ圧縮
オープンソースのKVキャッシュ圧縮アルゴリズム「RotorQuant」が公開された。クリフォード回転子を用いることでGoogleのTurboQuantを上回り、10倍の圧縮率を保ちながらプリフィル速度を5.3倍、デコード速度を28%高速化した。長大なコンテキストを単一GPUで動かす敷居を大きく下げる技術だ。
Overworldがリアルタイム世界モデル「Waypoint 1.5」を公開、RTX 3070で対話可能
Overworld チームは一般向けハードウェアで対話可能なリアルタイム世界モデル「Waypoint 1.5」をオープンソース公開した。720p と 360p の 2 モデルを用意し、RTX 3070 以上の GPU でローカル動作する。巨大クラスタなしで生成世界を自ら歩き回れるのが見どころだ。
ACE-Step 1.5 XL公開：4B DiTで日本語ボーカル付き楽曲をローカル生成
ACE Musicはオープンな音楽生成モデル「ACE-Step 1.5 XL」を公開した。DiTデコーダーを4Bに拡張し、プロンプトと歌詞から日本語ボーカルを含む楽曲を1分未満でローカル生成できる。蒸留版は8ステップで動作し商用モデルに迫る品質だが、実行には最低12GBのVRAMが必要となる。
動画から歩き回れる3D世界を生成 「INSPATIO-WORLD」公開、RTX 4090でも動作
単一の動画から探索可能な3D空間をリアルタイム生成するモデル「INSPATIO-WORLD」のコードが公開された。内部で持続的な空間シミュレーションを構築することで視点を動かしても破綻せず、RTX 4090でも毎秒10フレームで動作する。
Factory.aiがデスクトップアプリ公開、複数AIエージェントの同時並行操作に対応
Factory.aiはmacOSおよびWindows向けネイティブデスクトップアプリを提供開始した。独立した履歴を持つ複数のDroidエージェントを同時に動かせるほか、VS Codeやブラウザの操作、OllamaやvLLMによる完全ローカルモデルの実行にも対応。CLIと併用するユーザーの作業セッション数は4.6倍に達している。
Google、完全オフラインで動くiOS向けAI音声入力アプリ「Eloquent」を静かに公開
月曜日、GoogleはiOS向けに完全オフライン対応のAI音声入力アプリ「Google AI Edge Eloquent」を静かにリリースした。端末内のGemmaモデルで音声をリアルタイム文字起こしし、「えーと」などの不要な言葉を自動削除して要約やフォーマル調に整形できる。Geminiを使ったクラウド補正も選べる。
Ai2が「WildDet3D」をオープンソース公開：1枚の写真から物体の3Dサイズを即座に推定
Ai2は単眼3D物体検出モデル「WildDet3D」をオープンソースで公開した。1枚の通常画像や動画から物体の実世界サイズ、距離、向きを3Dバウンディングボックスとして推定できる。テキスト指示や画面のタップ入力に対応し、iPhone上でもリアルタイムにAR表示が可能だ。訓練コードやデータセットも完全開放されている。
オープンソースAI記憶システムMemPalace：LongMemEvalで初の満点を獲得
Ben Sigman氏と俳優のミラ・ジョヴォヴィッチ氏がAI記憶システム「MemPalace」をオープンソース公開した。ローカルで「記憶の宮殿」構造を用いて会話を整理し、LongMemEvalベンチマークで全問正解の満点を達成。AAAK圧縮により文脈を約120トークンに圧縮し、クラウド不要で動作する。
Google、オープンモデル「Gemma 4」発表：Apache 2.0採用で最大256K対応
GoogleはApache 2.0ライセンスを採用したオープンモデル群「Gemma 4」を発表した。端末向けのE2BやE4Bから、26B MoE、31B Denseまで4つのサイズを展開。最大256Kのコンテキスト長やマルチモーダル処理に対応し、Arena AIの評価では自重の20倍のモデルを上回る推論性能を発揮する。
LongCat Audio Edit 公開：数秒の音声で高精度にクローン生成
音声合成・クローンモデル「LongCat Audio Edit」が公開された。わずか数秒の音声サンプルから話者のトーンや音色を高精度に再現する。35億パラメータ版に加え、一般向けGPUで動作する約6GBの軽量版も提供される。
ByteDance、スマホで完全オフライン動作する画像生成・編集モデル「DreamLite」発表
ByteDanceは端末内でオフライン動作する画像拡散モデル「DreamLite」を発表しました。パラメータ数はわずか3.9億で、iPhone上で1024×1024の画像生成が約3秒で完了するほか、背景差し替えや画風変更などの編集にも対応します。クラウドの最上位モデルには質感で及ばないものの、スマホ単体での実用的な画像生成を実現しています。
Instacartがスマートカートに「Physical AI」搭載：店舗内のリアルタイム推薦で客単価を向上
Instacartは、NVIDIA Jetsonを搭載したスマートショッピングカート「Caper Cart」によるPhysical AI戦略を発表しました。車載カメラや重量センサーで店内データを端末側で即時処理し、顧客の買い物中に最適な商品を提案することで、小売店の客単価を二桁押し上げています。
オープンソースLuxTTS登場：3秒の音声で複製、1GB未満のVRAMで48kHz出力
音声クローンモデル「LuxTTS」がオープンソースで公開されました。わずか3秒の音声から音色を捉え、1GB未満のVRAMで48kHzの高音質音声を生成します。GPUで実時間の150倍、CPU単体でも実時間超えで動作するため、一般的なノートPCでも高品質な音声合成を手軽に実行できます。
Cohere、初のオープンソース音声認識モデル「Transcribe」を公開
Cohereは初のオープンソース音声認識モデル「Transcribe」を公開した。20億パラメータと軽量で一般向けGPUでも動作し、日本語を含む14言語に対応する。1分間で525分相当の音声を処理でき、Open ASRリーダーボードで誤り率5.42を記録した。無料APIも提供される。
Uber、米Rivianに最大12.5億ドル出資 自動運転タクシーを独占展開へ
米Uberは木曜日、米EVメーカーRivianと提携し、最大12億5000万ドルを出資すると発表した。2028年にサンフランシスコなどで自動運転車「Rivian R2」の運行を開始し、2031年までに25都市へ拡大する計画。車両はUberアプリの独占配車となる。
Unsloth Studio：コード不要で500種超のモデルを微調整、VRAMを70%削減
Unslothはローカルで動作するノーコード学習ツール「Unsloth Studio」のベータ版を公開した。PDFなどの文書からデータセットを自動生成し、VRAM消費を70%抑えながら2倍速で訓練できる。500種以上のモデルに対応しGitHubで提供中。
Memories.aiがNvidiaと提携、ロボットやウェアラブルに「視覚記憶」を構築
元Metaのエンジニアが設立したMemories.aiはNvidiaと提携し、ウェアラブルやロボット向けの「視覚記憶レイヤー」を構築すると発表した。NvidiaのCosmos-Reason 2などを活用し、機器が見た一人称動画を記録・検索可能にすることで、従来のテキスト中心だったAI記憶の限界を物理世界で突破することを目指す。
NVIDIA、OpenClaw向け新スタック「NemoClaw」発表：1コマンドで安全なローカル実行環境を構築
NVIDIAはGTCにてOpenClawエージェント向けのソフトウェアスタック「NemoClaw」を発表した。1つのコマンドでNemotronモデルとOpenShell隔離サンドボックスを導入でき、RTX PCやDGX上で自律型AIを安全に常時稼働させられるほか、プライバシールーターを介したクラウドモデル連携にも対応する。