画像・表・音声・動画を同時に扱うモデルがどう動き、スクショのトラブル診断や文書理解、視覚的質問応答で何に役立つかを掘り下げる。
Rho-1 は Reka AI が公開した研究プレビュー段階のモデルだ。2026 年 10 月 5 日、The Decoder がこの 19B パラメータの「全能」モデルを報じた。テキスト、画像、動画、ロボットの制御アクションを単一のニューラルネットワークの中で処理し生成する。外部のツール呼び出しは...
拡散モデルは、まずデータに段階的にノイズを加え、次にそのノイズを段階的に取り除く方法を学習することで新しいコンテンツを生成する生成モデルであり、現在の画像生成の主流手法の一つです。画像を直接描くのではなく、純粋なノイズから出発し、ノイズを一歩ずつ取り除いて、画面をゆっくりと浮かび上がらせます。 まず...
創発能力とは、小さなモデルではほとんどできなかった課題が、規模がある閾値を超えた途端に突然できるようになる能力のことです。これは普通の緩やかな上達ではなく、無から有への跳躍に見える変化です。モデルが小さいうちは、多段階の計算はほぼ全滅し、例をいくつか示しても新しい形式を学べません。ところが規模が一定...
2026年10月1日、AI音楽企業のSunoの最高製品責任者ジャック・ブロディは公式ブログで、新しい音声オーディオモデル「Speech（ベータ）」が1か月間の小規模テストを終え、全ユーザーに開放されたと発表した。Sunoはこれを「音声と音楽を一つのまとまったトラックとして共に生成する初のオーディオモ...
マルチモーダルモデルとは、テキスト・画像・音声など複数の情報形態を同時に処理できるAIモデルのことだ。画像や音声、短い文章を渡せば、それらをまとめて理解して応答できる。ただ、最初に線を引いておきたい。「マルチモーダル」は「万能」とは違う。入出力のチャネルが増えただけで、人間のような理解力が自動で備わ...
AI の画像認識が文字を読み間違えるのは、多くの場合モデルが賢くないからではなく、入力する画像の種類に処理方法が合っていないからです。モデルを変える前に、まず画像を写真・スクリーンショット・スキャン文書の3種類に分け、それぞれに合った方法で処理しましょう。認識精度はすぐに大きく上がります。 ケース1...
Holo4 が登場した。2026年9月28日、パリの AI 企業 H Company は新世代のコンピュータ操作エージェントモデル Holo4 を発表した。27B の密モデル版と 35B-A3B の混合エキスパート版の2サイズで、重みは Hugging Face で同時公開（BF16、FP8、NVF...
2026年9月22日、小米のMiMoチームは公式チャネルを通じて大規模モデルMiMo-V2.6シリーズを正式に発表・オープンソース化した。旗艦モデルのMiMo-V2.6-Proと高効率推論モデルのMiMo-V2.6-Flashである。いずれもネイティブな全モーダルモデルで、テキスト・画像・動画・音声...
