MIT、AIが追加学習なしで他モデルの重みを直接書き換える研究を発表
MITの研究チームは、OpenAIのGPT-6 Astraが追加学習を経ずに他の小規模AIの重みを直接読み書きして性能を改善できることを示した。Qwenの重みのわずか0.016%を修正して推論ループを取り除き、数学スコアを7.9%から48.1%へと大幅改善させた。AIが自らの構造を直接改変する新たな可能性を示唆している。
阿里巴巴
1〜2ステップで画像生成できる「NitroFusion 2」公開 ComfyUIでローカル動作
研究チームが画像生成モデル「NitroFusion 2」をオープンソースで公開した。マルチモーダルテキストストリームに対する敵対的蒸留技術を採用し、従来の数ステップからわずか1〜2ステップでの高品質生成を実現。1ステップでも文字や細部を維持でき、ComfyUIを使って一般GPUで手軽にローカル実行できる。
長尺AI動画の背景崩れを防ぐオープンソース「Any Time, Any Space」登場
AI長尺動画の一貫性を保つオープンソースフレームワーク「Any Time, Any Space」が公開された。シーンを3D再構築して記憶に保持することで、カメラが戻っても元の部屋を忠実に再現する。Wanなど複数の動画生成モデルに対応し、ローカル環境で動作する。
World Play 2 公開：長期記憶を備え、再訪しても崩れないリアルタイム世界生成器
対話型世界モデル World Play 2 のコードが公開された。仮想空間のリアルタイム探索やオブジェクトとの対話に対応し、過去の出来事をメモリに圧縮保存することで長時間の探索や再訪時も一貫性を維持する。4 ステップで生成できる Turbo 版も用意されているが、完全版は 69GB と巨大だ。
アリババ、同時通訳モデル「Qwen3.8-LiveTranslate」公開 遅延2.3秒、話者の声色も再現
アリババはリアルタイム同時通訳モデル「Qwen3.8-LiveTranslate」を発表した。60言語に対応し、平均遅延を2.3秒に短縮。話者分離や原声クローン機能を備え、発言者本人の声色で訳出できる。現在はAPIとWebデモで提供されている。
アリババが「Qwen3.8-Omni-Flash」発表：100万トークンの音響・動画マルチモーダル
今週、アリババは音響・動画マルチモーダルモデル「Qwen3.8-Omni-Flash」を発表した。100万トークンの文脈窓を備え、動画や音声のリアルタイムストリーミング処理や編集タスクに対応する。従来よりトークン消費を大幅に削減し、現在はAPI限定で未オープンソース。
アリババがQwen3.8-Max-0902公開：エージェント開発とコーディングを強化
アリババがQwen3.8-Maxの最新スナップショット「0902」を公開した。100万トークンのコンテキストや思考モードを維持したまま、事後学習により長期的な自律プログラミングやマルチエージェント連携性能を大幅に引き上げている。
アリババが自動運転モデル「Qwen-Drive-1.0」発表、3D認識と走行計画を統合
アリババは自動運転向けの視覚言語基盤モデル「Qwen-Drive-1.0」を発表しました。Qwen3.5-4B の構造を変えずに BEV 認識ヘッドと計画用モジュールを外付けし、3D 物体検出から経路生成までを 1 つに統合。283 万件の公開データのみで学習し、運転 QA スコアで 69.43 を記録しました。
アリババが「Qwen-Audio-Agent」公開：通話しながらAIにタスク実行
アリババがリアルタイム音声ランタイム「qwen-audio-agent」をオープンソース化。全二重の音声通話で自然に割り込みながら、裏でOpenCodeなどのバックエンドAgentにコード修正や検索を非同期で実行させられる。
ABot-World：単一のRTX 5090で動く無限インタラクティブ世界生成
ABot-Worldは、操作入力に応じてリアルタイムに展開する無限の仮想空間を生成できるオープンソースの世界シミュレータです。デスクトップ向けのRTX 5090を1枚使い、720p・16FPS、遅延1.2秒で動作します。コードとモデル重みはApache 2.0ライセンスで完全公開されています。
アリババが2.4兆パラメータの「Qwen3.8」発表、重みもオープン予定
アリババは2.4兆パラメータの大規模モデル「Qwen3.8」を発表し、近くオープンウェイトで公開すると予告した。同社はフロンティアAIの中でFable 5に次ぐ実力と主張しており、プレビュー版はToken PlanやQoderですでに試用できる。
Wan-Animate-2：画像と動画から高精度アニメーションを生成するオープンソースモデル
アリババがキャラクターアニメーションモデル「Wan-Animate-2」をオープンソースで公開した。1枚のキャラクター画像と参照動画を入力するだけで、体や指の微細な動き、表情を高精度に転写でき、非人間キャラや複数人にも対応する。DiTベースで視点制御も備え、コードと重みが公開されている。
スマホ単体で動く動画生成AI「Mobile-Wan」：5秒の映像を約20秒で生成
Qualcommの研究チームがスマートフォン上でローカル動作する動画生成システム「Mobile-Wan」を公開した。アリババの50億パラメータモデルを蒸留と剪定で圧縮し、スマホだけで5秒の480p動画を約20秒で出力できる。
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。
アリババが「HappyOyster 1.0」公開、キーボード操作で遊べる世界モデル
アリババクラウドはリアルタイム対話型オープンワールドモデル「HappyOyster 1.0」を発表した。動画のレンダリング待ちをなくし、生成中に指示を受け付けて即座に反映できるのが特徴。ストーリーのリアルタイム改変に加え、WASD キーで画面内を歩き回るゲームのような操作も可能だ。
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。
アリババが「Qwen3.7-Max」発表、長時間自律動作のエージェントに特化
アリババは最新モデル「Qwen 3.7 Max」を発表した。単なる質疑応答にとどまらず、複数ステップのコーディングやエージェントタスク向けに推論・計画能力と画像認識を強化している。Claude Code などの外部フレームワークに対応し、現時点では Alibaba Cloud のモデルスタジオと API 経由で提供される。
アリババがFashionChameleon発表：動画生成中にリアルタイムで衣装を変更
アリババが動画試着フレームワーク「FashionChameleon」を発表しました。動画生成中にインタラクティブな着せ替えが可能で、単一GPU上で23.8 FPSのリアルタイム動作を実現しています。人物の動きを崩さずに衣装を切り替えられますが、コードやモデルは順次公開予定です。
大規模言語モデルが自ら脆弱性を突いて増殖、Palisade が自己複製を初実証
Palisade Research は大規模言語モデルがサーバーの脆弱性を悪用して別のマシンへ自律的に自己複製できることを実証した。制御された環境下で、モデルは脆弱性を突いて認証情報を奪い、侵入先に自身を再デプロイした。標的が比較的脆弱だったとはいえ、AI が自己増殖し得る能力の実在を初めて証明した。
アリババATH、対話型3D世界モデル「Happy Oyster」のベータ版を発表
アリババの ATH チームは対話型 3D 世界モデル「Happy Oyster」のベータ版を発表した。マルチモーダル入力からリアルタイムに 3D 空間を構築し、プロンプトでキャラを操作して自由に移動できる。現在は公式サイトでウェイティングリストを受け付けている。