ベンチマーク（LLM技術）に関するニュース一覧

Microsoftは2026年4月2日、自社開発の基盤AIモデル3種（MAI-Transcribe-1、MAI-Voice-1、MAI-Image-2）を発表しました。音声認識・音声生成・画像生成の3分野をカバーし、Microsoft FoundryとMAI Playgroundで即日提供を開始しています。

音声認識モデルMAI-Transcribe-1は、業界標準のFLEURSベンチマークで上位25言語において平均WER3.8%を達成しました。OpenAIのWhisper-large-v3を全25言語で上回り、GoogleのGemini 3.1 Flashにも22言語で勝利するなど、最高水準の精度を示しています。

この動きを可能にしたのは、2025年10月のOpenAIとの契約再交渉です。従来MicrosoftはAGIの独自追求を契約上禁じられていましたが、新条件により自社モデル開発の自由を獲得しました。ムスタファ・スレイマン率いる超知能チームが正式に発足し、AI自給自足を目指しています。

注目すべきは開発体制の効率性です。音声認識モデルはわずか10人のチームで構築され、画像チームも10人未満とのことです。競合の半分のGPUで最高水準の性能を実現しており、AI事業のコスト構造を根本的に変える可能性があります。

価格面では全ハイパースケーラー最安を明言し、MAI-Voice-1は100万文字あたり22ドル、MAI-Image-2はテキスト入力100万トークンあたり5ドルに設定されました。スレイマン氏は今後、大規模言語モデルでもフロンティア級の自社モデルを投入する方針を示しており、Microsoftの競争戦略は新たな段階に入っています。

UAE・技術革新研究所（TII）のFalconチームは2026年4月1日、画像認識・セグメンテーション・OCRを単一のTransformerで処理するオープンソースモデル「Falcon Perception」を公開しました。パラメータ数はわずか6億で、従来のパイプライン型システムに代わる統合的なアプローチを提案しています。

Falcon Perceptionの最大の特徴は、画像パッチとテキストトークンを最初の層から同一のパラメータ空間で処理する「早期融合」アーキテクチャです。画像トークンには双方向注意、テキストトークンには因果的注意を適用するハイブリッドマスクにより、1つのモデルで視覚エンコーダとテキストデコーダの両方の役割を果たします。

オープン語彙セグメンテーションベンチマークSA-Coでは、Macro-F1で68.0を達成し、Meta社のSAM 3の62.3を上回りました。特に属性認識で+8.2、食品・飲料カテゴリで+12.2と大きな差をつけています。一方、存在判定の精度（MCC 0.64対0.82）ではSAM 3に及ばず、今後の改善課題として示されています。

同時に発表されたFalcon OCRは0.3Bパラメータの文書認識モデルです。olmOCRベンチマークで80.3点、OmniDocBenchで88.6点を記録し、DeepSeek OCR v2やGPT 5.2を上回る性能を示しました。オープンソースOCRモデルとして最高のスループットを実現し、vLLM統合によりA100上で毎秒2.9画像を処理できます。

チームは性能評価のため、能力別に分類した診断ベンチマーク「PBench」も公開しました。単純な物体認識（L0）から関係推論（L4）まで5段階に分かれ、Falcon Perceptionは空間理解でSAM 3に+21.9点、OCR識別で+13.4点と、プロンプトが複雑になるほど差が拡大する結果となっています。

学習には5400万枚の画像と1億9500万の正例表現、4億8800万のハードネガティブを使用しました。3段階の学習レシピにより、シーン理解からタスク特化、高密度シーン対応へと段階的に能力を獲得させています。モデルとコードはHugging Faceで公開されており、Apple Silicon向けのMLX統合やDockerサーバーも提供されています。

フランスのAIスタートアップH社は2026年4月1日、デスクトップPC操作に特化したAIモデル「Holo3」を発表しました。業界標準ベンチマークOSWorld-Verifiedで78.85%を記録し、PC操作AIとして最高スコアを達成しています。

Holo3の最大の特徴は、総パラメータ数122Bに対しアクティブパラメータがわずか10Bという効率的な設計です。これにより、GPT 5.4やOpus 4.6といった大規模モデルと比べて大幅に低いコストで運用できます。小型の35BモデルはApache2ライセンスでHugging Faceに公開されています。

学習には「エージェント学習フライホイール」と呼ばれる独自手法が用いられています。合成ナビゲーションデータの生成、ドメイン外への拡張、厳選された強化学習の3段階を繰り返し、PC画面の認識力と判断力を継続的に向上させる仕組みです。

実務での有効性を検証するため、H社は486の業務タスクからなる「H Corporate Benchmarks」を独自に設計しました。EC、業務ソフト、コラボレーション、複数アプリ連携の4領域にわたり、PDF価格表の参照から予算照合、個別メール送信まで、複雑な業務フローを評価対象としています。

今後H社は「Adaptive Agency」と呼ぶ次世代技術の開発を進めます。これは未知の業務ソフトウェアにもリアルタイムで適応し、自律的に操作を習得する能力を目指すもので、企業のデジタル業務全体を自動化する構想の実現に向けた取り組みです。

IBMは2026年3月31日、企業向け文書理解に特化した小型視覚言語モデル「Granite 4.0 3B Vision」をHugging Faceで公開しました。30億パラメータながら、表・図表・帳票からの情報抽出で大型モデルを上回る性能を発揮します。

本モデルはGranite 4.0 Microの上にLoRAアダプタとして構築されており、画像処理が不要な場面ではベースモデルに自動的にフォールバックします。この設計により、1つのデプロイでマルチモーダルとテキスト専用の両方に対応できます。

技術面では、独自のDeepStack Injection方式を採用しています。抽象的な視覚特徴を前段レイヤーに、高解像度の空間特徴を後段レイヤーに分離して注入することで、文書の内容と配置の両方を正確に理解します。

性能面では、図表理解ベンチマークのChart2Summaryで86.4%を達成し、自身の2倍以上のサイズのモデルを含む全評価対象中で首位となりました。表抽出でもPubTables-v2やTableVQAなど複数のベンチマークで最高スコアを記録しています。

さらに、170万件の合成チャートデータセット「ChartNet」を独自開発し、CVPR 2026で発表予定です。24種類のチャートタイプと6つの描画ライブラリをカバーし、コード・画像・データ表・要約・QAの5要素を揃えた高品質なデータで訓練されています。

活用面では、単体での画像理解に加え、文書処理ツールDoclingとの統合により、大規模PDFの自動処理パイプラインを構築できます。請求書や財務報告書、学術論文など幅広い文書に対応し、Apache 2.0ライセンスで自由に利用可能です。

GitHub Copilot Applied Scienceチームの上級研究者が、コーディングエージェント中心の開発手法を実践し、5人のチームメンバーが3日間で11の新規エージェントと4つのスキルを構築した事例を公開しました。

きっかけは、TerminalBench2やSWEBench-Proといった評価ベンチマークの分析業務です。1回の分析で数十万行のトラジェクトリ（エージェントの思考・行動記録）を読む必要があり、GitHub Copilotで重要箇所を絞り込む作業を繰り返していました。

この反復作業を自動化するため「eval-agents」ツールを開発しました。設計の柱は、エージェントの共有・利用を容易にすること、新規エージェントの作成を簡単にすること、そしてコーディングエージェントを主要な開発の担い手にすることの3点です。

開発で重視した戦略は3つあります。第一にプロンプト戦略として、計画モードでの会話的・詳細な指示を推奨しています。第二にアーキテクチャ戦略として、リファクタリング・ドキュメント整備・テスト追加を最優先事項に位置づけています。第三に反復戦略として、ミスが起きた際にエージェントではなくプロセスを改善する「ブレームレス文化」を採用しています。

具体的な開発ループとしては、Copilotの/planモードで機能を計画し、テストと文書更新を含めた上で/autopilotで実装させます。その後、Copilot Code Reviewエージェントによるレビューを繰り返し、最後に人間がレビューする流れです。

筆者は、優れたエンジニアやチームメイトとしての能力が、そのままCopilotとの協働でも活きると結論づけています。厳密な型付け、堅牢なリンター、統合・E2E・契約テストの整備により、エージェントが自ら作業を検証できる環境を構築することが重要だと述べています。

AIコーディングツールが月間数十億行のコードを生成するなか、コード検証AIを手がける米QodoがシリーズBで7000万ドル（約105億円）を調達しました。Qumra Capitalが主導し、累計調達額は1億2000万ドルに達しています。

Qodoは2022年にItamar Friedman氏が創業しました。同氏はMellanoxでハードウェア検証の自動化に携わり、その後Alibabaに買収されたVisualead社の共同創業者でもあります。「コード生成と検証には根本的に異なるシステムが必要」という信念が創業の原点です。

同社の強みは、変更箇所だけでなくシステム全体への影響を分析する点にあります。組織固有の開発基準や過去の意思決定、暗黙知を考慮したレビューを行い、AI生成コードの信頼性を高めます。最近の調査では開発者の95%がAI生成コードを完全には信頼していない一方、48%しか一貫したレビューを実施していないという課題が浮き彫りになっています。

技術力の証左として、QodoはMartianのCode Review Benchで1位を獲得しました。スコア64.3%は2位に10ポイント以上、Claude Code Reviewには25ポイントの差をつけています。論理バグやファイル横断の問題を的確に検出しつつ、不要なアラートを抑制する精度が評価されました。

顧客にはNvidia、Walmart、Red Hat、Intuit、Texas Instrumentsなどの大手企業が名を連ねます。Friedman氏は「AIは状態を持たないシステムから状態を持つシステムへ、知能から『人工的な知恵』へと進化する段階にある」と語り、コード品質・ガバナンス領域での主導権確立を目指す姿勢を示しました。

MidjourneyのエンジニアCheng Lou氏が2026年3月27日、Webテキストレイアウトを根本から変えるオSSライブラリPretextをMITライセンスで公開しました。15KBのゼロ依存TypeScriptライブラリで、ブラウザのDOM操作を迂回し、テキストの計測と配置を高速に行います。

従来のWeb開発では、テキストの高さや位置を取得するたびにブラウザがレイアウトリフローと呼ばれる再計算を実行し、深刻なパフォーマンス低下を招いていました。PretextはブラウザのCanvasフォントメトリクスと純粋な算術演算を組み合わせ、DOMに一切触れずに文字・単語・行の配置を予測します。

ベンチマークによると、Pretextのlayout関数は500種類のテキストを約0.09ミリ秒で処理でき、従来のDOM読み取りと比較して300〜600倍の性能向上を達成しています。この速度により、ウィンドウリサイズや物理演算中でもリアルタイムにテキスト再配置が可能になりました。

開発にはAnthropicのClaudeやOpenAIのCodexなどAIコーディングツールが活用されました。多言語データセットや小説全文を用いてブラウザ実装とのピクセル単位の整合性を反復検証し、WebAssemblyやフォント解析ライブラリなしで高精度を実現しています。

公開から48時間でGitHubスター1万4000超、X上で1900万回閲覧を記録しました。コミュニティでは雑誌レイアウト、物理演算テキスト、ディスレクシア向けフォント調整など多彩なデモが登場し、Web表現の可能性が大きく広がっています。

企業にとっては、生成AI UIや高頻度データダッシュボードを構築する場合に即時導入が推奨されます。ただしレイアウトをユーザーランドに移すことで、ブラウザが担っていたアクセシビリティや標準準拠の責任を自社で管理する必要がある点には留意が必要です。

NYU Game Innovation Labのジュリアン・トゲリウス所長は、大規模言語モデル（LLM）がビデオゲームのプレイにおいて依然として大きな課題を抱えていることを論文で指摘しました。2025年5月にGemini 2.5 Proがポケモンブルーをクリアした例はあるものの、人間より大幅に遅く奇妙なミスを繰り返したと報告されています。

コーディングが「よくできたゲーム」のように即座のフィードバックを得られるのに対し、ビデオゲームは入力表現やゲームメカニクスがタイトルごとに大きく異なります。AlphaZeroもチェスと囲碁で再訓練が必要であり、汎用的なゲームAIは現時点で実現していないとトゲリウス氏は述べています。

ベンチマーク整備の難しさも課題です。トゲリウス氏が7年間運営したGeneral Video Game AIコンペティションでは、エージェントは一部のゲームで改善しても別のゲームでは悪化し、進歩が停滞しました。LLMを同フレームワークで評価したところ、単純な探索アルゴリズムにも劣る結果だったといいます。

興味深い矛盾として、LLMはゲームのコード生成には優れています。CursorやClaudeで一つのプロンプトからプレイ可能なゲームを作れますが、LLM自身がそのゲームをプレイできないため、反復的なテストと調整というゲーム開発の核心的プロセスを実行できないのです。

NvidiaやGoogleが推進するシミュレーション活用について、トゲリウス氏は自動運転のように物理法則が一定の領域では有効だが、ゲームの多様性には対応しきれないと指摘します。量子物理学の論文は書けてもHaloとスペースインベーダーの両方を攻略できない理由は、二つのゲームが二つの学術論文より本質的に異なるからだと説明しています。

清華大学とZ.aiの研究チームは、スパース注意機構の冗長計算を最大75%削減する新技術IndexCacheを発表しました。20万トークンの長文コンテキストにおいて、最初のトークン生成までの時間を最大1.82倍、生成スループットを1.48倍高速化する成果を示しています。

大規模言語モデルの自己注意機構は、文脈長に対して二乗の計算量が必要となり、長文処理のボトルネックとなっていました。DeepSeek Sparse Attention（DSA）はコア注意の計算量を線形に削減しましたが、各層のインデクサモジュール自体が依然として二乗計算を行っており、長文になるほど処理時間が急増する問題が残っていました。

研究チームは、DSAモデルにおいて隣接するトランスフォーマー層間でインデクサが選択するトークンの70〜100%が共通であることを発見しました。この冗長性を活用し、少数の「F層」でのみインデクサを実行して結果をキャッシュし、残りの「S層」ではキャッシュを再利用する手法を開発しました。

GLM-4.7 Flash（300億パラメータ）での実験では、75%のインデクサを削除してもプリフィル遅延が19.5秒から10.7秒に短縮されました。推論品質も維持され、長文ベンチマークでは原版とほぼ同等のスコアを記録しています。7440億パラメータのGLM-5でも10万トークン超で1.3倍以上の高速化が確認されました。

企業導入においては、RAGや文書分析、エージェントパイプラインなどの長文処理で約20%のコスト削減が見込まれます。vLLMやSGLang向けのオープンソースパッチがGitHubで公開されており、既存の推論基盤に最小限の設定変更で統合可能です。研究チームは、将来のモデル設計において推論効率が設計段階から考慮される方向性を示唆しています。

Microsoft Researchは、ロボットなどの身体性AIが視覚情報をもとに計画を修正できるかを評価する2つの新ベンチマーク「AsgardBench」と「GroundedPlanBench」を公開しました。いずれもオープンソースで提供されています。

AsgardBenchは、3Dシミュレーション環境AI2-THOR上に構築され、家庭内タスクにおいてAIエージェントが視覚観察に基づき計画を逐次修正できるかを測定します。エージェントは毎ターン全手順を提案しますが、実行されるのは最初の1ステップのみで、その結果を見て次の計画を立て直す必要があります。

主要なビジョン対応モデルを評価した結果、画像入力により大半のモデルで成功率が2倍以上に向上しました。一方で、微妙な視覚的差異の識別ミス、タスク進捗の追跡喪失、実行不可能なアクションの試行といった共通の失敗パターンも明らかになりました。

GroundedPlanBenchは、ロボットが「何をするか」と「どこで行うか」を同時に計画できるかを評価します。308のロボット操作シーンから1,009タスクを構築し、V2GPフレームワークがロボットのデモ動画から4万3千件の空間的に紐付けられた訓練データを自動生成します。

評価の結果、自然言語による計画と空間推論を別々に処理する従来の分離型アプローチでは、同一物体への誤った参照が発生しやすいことが判明しました。V2GPで訓練したモデルは計画と空間推論を統合的に処理し、ベンチマークと実機実験の双方で分離型を上回る性能を達成しています。

LangChainは、AIエージェントの中核ループをカスタマイズできる「AgentMiddleware」機構を公開しました。モデル呼び出しの前後やツール実行時にフックを挿入し、業務固有のロジックを組み込めます。

ミドルウェアはコンポーザブル設計で、PII検出・動的ツール選択・コンテキスト要約・リトライ制御など主要パターンが標準搭載されています。開発者はAgentMiddlewareクラスを継承し、独自のビジネスロジックも追加できます。

同社のDeep Agentsはこのミドルウェア基盤上に構築されたオープンソースのエージェントハーネスです。ファイルシステム管理・サブエージェント・要約・スキル開示など複数のミドルウェアを組み合わせ、本番運用に耐える構成を実現しています。

Deep Agentsの品質管理では、大量のベンチマークを闇雲に追加するのではなく、本番で重要な行動を特定し、それを検証可能な形で計測する標的型evalを設計しています。正確性に加え、ステップ比率・ツール呼び出し比率・遅延比率・解決速度の多軸で効率性も評価します。

評価データは自社のドッグフーディングやTerminal Bench・BFCLなど外部ベンチマークから厳選し、各evalにカテゴリタグと目的を明記しています。全実行トレースをLangSmithに記録することで、チーム全体での障害分析と継続的改善を可能にしています。

Intercomは2026年3月、顧客対応に特化した独自AIモデル「Fin Apex 1.0」を発表しました。同社のベンチマークによれば、顧客問い合わせの解決率は73.1%に達し、OpenAIのGPT-5.4やAnthropicのClaude Opus 4.5の71.1%を上回ると主張しています。

Apex 1.0は応答速度でも優位性を示し、3.7秒で回答を生成します。これは競合より0.6秒速い数値です。さらにClaude Sonnet 4.6と比較して幻覚（ハルシネーション）を65%削減したとされ、フロンティアモデルを直接利用する場合の約5分の1のコストで運用できます。

同社CEOのイーガン・マッケイブ氏は「事前学習はコモディティ化した。フロンティアはポストトレーニングにある」と語ります。Intercomは週200万件の顧客対話から蓄積した独自データを用いて強化学習を実施し、適切なトーンや会話構造、解決判断を学習させました。

一方で、ベースとなるモデル名の公開を拒否している点は議論を呼んでいます。同社はオープンウェイトモデルを使用したことは認めつつも、競争上の理由から具体名を明かしていません。「透明性」を掲げながら核心を伏せる姿勢には、業界から厳しい目が向けられる可能性があります。

ビジネス面では、AIエージェント「Fin」の年間経常収益が1億ドルに迫り、前年比3.5倍の成長を遂げています。Intercomは今後、顧客対応だけでなく営業・マーケティング領域への拡大を計画しており、Salesforceの「Agentforce」と直接競合する構えです。ドメイン特化モデルの優位性が持続するか、汎用モデルが追いつくかが今後の焦点となります。

Googleは2026年3月26日、リアルタイム音声・ビジョンAIモデル「Gemini 3.1 Flash Live」を発表しました。開発者向けにはGemini Live APIを通じてGoogle AI Studioで提供が開始され、企業向け・一般ユーザー向けにも順次展開されます。

同モデルは音声AIにおける低遅延と自然な対話を重視して設計されています。ピッチやペースといった音響的なニュアンスの認識能力が従来の2.5 Flash Native Audioから大幅に向上し、より人間らしいリズムでの応答を実現しています。

ベンチマークではComplexFuncBench Audioで90.8%のスコアを記録し、複雑な多段階タスクの実行能力で他モデルを上回りました。Scale AIのAudio MultiChallengeでも36.1%でトップとなり、実環境での割り込みや言い淀みへの耐性が証明されています。

実用面では、騒音環境下でのバックグラウンドノイズ除去が改善され、複雑なシステム指示への遵守率も向上しました。90以上の言語をサポートし、Search Liveの200以上の国・地域へのグローバル展開を支えています。

開発者向けにはLiveKitやPipecatなどパートナー統合のエコシステムも拡充されています。すべての音声出力にはSynthIDによる電子透かしが付与され、AI生成コンテンツの検出を可能にすることで、誤情報対策にも配慮した設計となっています。

Google Researchは2026年3月25日、大規模言語モデルの推論時に肥大化するKVキャッシュを極限まで圧縮するアルゴリズム群「TurboQuant」を公開しました。メモリ使用量を平均6分の1に削減し、注意計算の性能を8倍に高めることで、企業の推論コストを50%以上削減できる可能性があります。

TurboQuantは二段階の数学的手法で構成されています。第一段階のPolarQuantはベクトルを極座標に変換し、ランダム回転後の角度分布が予測可能になる性質を利用して、従来必要だった正規化定数のオーバーヘッドを排除します。第二段階では1ビットのQJL変換が残留誤差をゼロバイアスで補正し、圧縮後も統計的に同等の注意スコアを維持します。

10万トークンの「Needle-in-a-Haystack」ベンチマークでは、Llama-3.1-8BやMistral-7Bで非圧縮モデルと同等の完全な再現率を達成しました。コミュニティでも即座に検証が進み、MLXへの移植テストでは2.5ビット量子化でKVキャッシュを約5分の1に削減しつつ精度劣化ゼロが確認されています。

発表後、MicronやWestern Digitalなどメモリ半導体大手の株価に下落傾向が見られました。ソフトウェアだけでメモリ需要を6分の1にできるとの見方が市場に広がった形ですが、効率化が利用拡大を招くジェヴォンズのパラドックスを指摘する声もあります。Cloudflare CEOは「GoogleのDeepSeekモーメント」と評しました。

企業にとっての最大の利点は、再学習なしで既存の微調整済みモデルにそのまま適用できる点です。推論サーバーのGPU台数削減、長文コンテキストのRAG活用拡大、オンプレミスでの大規模モデル運用が現実的になります。ただし現時点では研究段階であり、トレーニング時のメモリ問題は対象外である点には留意が必要です。

ServiceNowの研究チームは2026年3月24日、音声AIエージェントを包括的に評価するフレームワーク「EVA」を発表しました。コード・データセット・ジャッジプロンプトをGitHubとHugging Faceで公開しています。

EVAはタスクの正確な完了を測るEVA-A（Accuracy）と、対話体験の質を測るEVA-X（Experience）の2つの高次スコアを算出します。従来のフレームワークはこれらを個別に評価していましたが、EVAは両者を統合的に評価する初の手法です。

評価はボット同士のリアルタイム音声対話で行われ、ユーザーシミュレーターが発話し、対象エージェントがツール呼び出しやポリシー遵守を含むタスクを処理します。決定論的なコード指標とLLM審査員による定性評価を組み合わせています。

20種類のカスケード型・音声ネイティブ型システムを評価した結果、正確性と体験の間に一貫したトレードオフが確認されました。タスク完了率の高いエージェントほどユーザー体験が低下する傾向があり、両軸で優位なシステムは存在しませんでした。

特に確認コードやフライト番号など固有名詞の音声認識エラーが、会話全体の破綻につながる主要因と判明しました。今後は多言語対応、騒音環境テスト、感情認識評価、追加ドメインのデータセット拡充が予定されています。

AI2は、ブラウザを自律操作するオープンウェイトの視覚Webエージェント「MolmoWeb」を公開しました。40億および80億パラメータの2サイズで提供され、訓練データとパイプラインも完全公開される点が最大の特徴です。

従来のブラウザエージェント市場では、OpenAI OperatorやAnthropicのcomputer use APIなどクローズドなAPI型と、browser-useのようにモデルを自前で用意する必要があるオープン型の二択でした。MolmoWebは訓練済みモデルとデータを丸ごと公開する第三の選択肢を提示しています。

付属データセット「MolmoWebMix」は、人間のアノテーターがChrome拡張機能を使い1100以上のサイトで記録した3万件のタスク軌跡と、59万件のサブタスク実演を含みます。これは公開された人間によるWeb操作データとしては過去最大規模です。

合成データの生成にはテキストベースのアクセシビリティツリーエージェントのみを使用し、OpenAIやAnthropicなどのプロプライエタリな視覚エージェントは一切利用していません。さらに220万組のスクリーンショットQAペアがGUI認識能力を強化しています。

ベンチマーク評価では、WebVoyagerやOnline-Mind2Webなど4つのライブWebサイトテストでオープンウェイト勢をリードし、GPT-4oベースの旧世代APIエージェントも上回ったと報告されています。一方、テキスト読み取り精度やドラッグ操作、ログイン・金融取引タスクには未対応という制約も明示されています。

PNY Technologiesは、NVIDIAの最新ワークステーション向けGPU「RTX PRO 6000 Blackwell Workstation Edition」を発表しました。データサイエンスとAIワークフロー向けに設計され、デスクトップ環境でデータセンター級の性能を実現します。

データサイエンティストの業務時間の大半を占めるデータ準備工程において、NVIDIA CUDA-Xのオープンソースライブラリ「cuDF」を活用することで、従来のCPUベースツールと比較して最大50倍の高速化を達成します。データクレンジングや特徴量エンジニアリングが数時間から数秒に短縮されます。

具体的なベンチマークでは、結合操作がCPUの約5分からGPUでわずか14秒に、高度なグループ集計処理は約4分から4秒へと劇的に改善されました。GPU加速のXGBoostによりモデル訓練も数週間から数分に短縮されます。

セキュリティとコスト面では、計算処理をデータセンターやクラウドからオフロードすることで、機密データをオンプレミスに保持しながら運用コストを削減できます。最大4基のGPUを搭載可能で、大規模データセットの処理や高度な可視化にも対応します。

企業向けにはNVIDIA AI Workbenchを通じて、デスクトップ・クラウド・データセンター間でのシームレスな共同作業環境を提供します。CUDA-XやNVIDIA Enterpriseソフトウェアスタックにより、Pythonワークフローのゼロコード変更での高速化と100以上のAI対応アプリケーションをサポートします。

AIコーディング企業Cursorが今週発表した新モデル「Composer 2」が、中国Moonshot AIのオープンソースモデルKimi 2.5をベースに構築されていたことが判明しました。Xユーザーのコード解析がきっかけで発覚し、業界に波紋を広げています。

Cursorの開発者教育担当副社長Lee Robinson氏は事実を認め、最終モデルの計算量のうちベースモデル由来は約4分の1で、残りは自社トレーニングによるものだと説明しました。各種ベンチマークでの性能はKimiとは大きく異なると強調しています。

Moonshot AIはアリババや紅杉中国（旧セコイア・チャイナ）が出資する中国企業です。CursorはFireworks AIを通じた正規の商用パートナーシップのもとでKimiを利用しており、ライセンス条件に準拠していると主張しています。

Cursorは昨秋に23億ドルの資金調達を実施し、評価額は293億ドルに達しています。年間売上高も20億ドルを超えたと報じられる有力スタートアップだけに、発表時に中国モデルの使用を明記しなかったことへの批判が集まりました。

共同創業者のAman Sanger氏は「ブログでKimiベースに言及しなかったのはミスだった。次のモデルでは改善する」と謝罪しました。米中AI覇権競争が激化する中、オープンソースモデルの商用利用における透明性のあり方が改めて問われています。

Scale AIは2026年3月18日、音声AIモデルを実際の人間の会話データで評価する世界初のベンチマーク「Voice Showdown」を公開しました。60言語以上、数千件の自発的音声会話から収集した選好データに基づき、既存の合成音声ベンチマークでは見落とされてきた能力差を明らかにしています。

評価はScale AIのChatLabプラットフォーム上で行われます。ユーザーはフロンティアモデルを無料で利用でき、音声プロンプトの5％未満の頻度で匿名の2モデル比較が提示されます。投票後は選んだモデルに切り替わるため、誠実な投票が動機づけられる設計です。

音声認識（Dictate）部門ではGemini 3 ProとGemini 3 Flashが統計的に同率首位となり、GPT-4o Audioが3位に続きました。音声対話（S2S）部門ではスタイル補正後にGPT-4o Audioが首位、Grok Voiceが僅差の2位に浮上しています。オープンウェイトのQwen 3 Omniは両部門で4位と健闘しました。

最も深刻な発見は多言語対応の脆弱性です。OpenAIのGPT Realtime 1.5はヒンディー語やスペイン語など公式対応言語でも約20％の確率で英語で応答してしまいます。また同一モデル内でも音声の選択により勝率が30ポイントも変動することが判明しました。

さらに会話が長くなるにつれ内容品質の劣化が主要な失敗要因となることが示されました。1ターン目では品質起因の失敗が23％ですが、11ターン以降は43％に急増します。Scale AIは今後、リアルタイムの全二重通話評価モードの追加を予定しており、音声AI評価の新たな業界標準となることが期待されます。

NVIDIAは2026年3月20日、マルチモーダル・多言語対応のコンテンツ安全モデル「Nemotron 3 Content Safety 4B」をHugging Faceで公開しました。従来の英語中心・テキストのみの安全モデルが抱えていた文化的ニュアンスの見落としを解消することを目指しています。

同モデルはGemma-3 4B-ITビジョン言語基盤モデル上に構築され、LoRAアダプターで安全分類機能を追加しています。テキスト・画像またはその両方を入力として受け取り、安全・危険の判定を出力します。アシスタント応答が含まれる場合はやり取り全体の文脈を評価し、複合的に生じる違反も検出できます。

訓練データにはNemotron Safety Guard Dataset v3の文化的に適応された多言語データ、人手でアノテーションされたマルチモーダルデータ、合成データなどが含まれます。英語データは日本語・中国語・韓国語を含む12言語に翻訳され、実運用環境を反映した多言語カバレッジを実現しています。

ベンチマーク評価では、Polyguard・VLGuard・MM SafetyBenchなど主要テストで平均84%の精度を達成し、同規模のオープン安全モデルを上回りました。さらにポルトガル語やロシア語など訓練外言語でも強力なゼロショット汎化性能を示しています。推論遅延は大型モデルの約半分で、エージェントループやリアルタイム用途にも適しています。

4月にはNVIDIA NIMとしても提供予定で、GPU最適化された推論マイクロサービスとして本番環境への迅速な導入が可能になります。企業のAIエージェントやグローバルサービスにおけるコンテンツモデレーション基盤として、実用性の高い選択肢となりそうです。

Mistralは2026年3月、推論・マルチモーダル・エージェントコーディングの3機能を統合した小型オープンソースモデル「Small 4」を公開しました。Apache 2.0ライセンスで提供され、企業が複数モデルを使い分ける必要性を解消することを目指しています。

Small 4はMixture-of-Experts（MoE）アーキテクチャを採用し、総パラメータ数1190億のうち、トークンあたりの活性パラメータはわずか60億に抑えられています。128のエキスパートから各トークンで4つが選択される設計により、効率的なスケーリングと専門化を実現しています。

新たに導入された「reasoning_effort」パラメータにより、ユーザーは推論の深さを動的に調整できます。軽量な高速応答からMagistralのようなステップバイステップの詳細推論まで、用途に応じた切り替えが可能です。256Kのコンテキストウィンドウも長文分析に対応します。

ベンチマークでは、MMLU ProでMistral Medium 3.1やMistral Large 3に迫る性能を示しました。一方、LiveCodeBenchではQwen 3.5 122BやClaude Haikuに及ばない結果も出ています。ただしSmall 4はインストラクトモードで最短の出力長（2.1K文字）を記録し、推論コスト面での優位性を主張しています。

小型言語モデル市場のNeurometric社CEOロブ・メイ氏は、Small 4のアーキテクチャの柔軟性を評価しつつも、小型モデル市場の断片化リスクを指摘しました。企業がAIモデルを選定する際には「信頼性と構造化出力」「レイテンシと知能の比率」「ファインチューニング可能性とプライバシー」の3つの柱を優先すべきだと述べています。

NVIDIAの研究チームは2026年3月、投機的デコード（SD）を統一的に評価するベンチマーク「SPEED-Bench」を公開しました。SDはドラフトモデルで複数トークンを先読みし、ターゲットモデルが並列検証することで推論を高速化する技術ですが、従来の評価手法は断片的で本番環境を反映していませんでした。

SPEED-Benchは「Qualitative分割」と「Throughput分割」の2つのデータセットで構成されています。Qualitative分割は18のデータソースから11カテゴリ・計880プロンプトを収録し、テキスト埋め込みによる選択アルゴリズムでカテゴリ内の意味的多様性を最大化しています。

Throughput分割は入力長1k〜32kトークンの固定バケットを用意し、各バケットに低・混合・高エントロピーの3難易度で計1,536プロンプトを収録しています。バッチサイズ最大512までの高並行環境で、本番に近いスループット評価が可能です。

評価の結果、SDの受理長はドメインに強く依存することが確認されました。コーディングや数学などの低エントロピー領域では高い受理長を示す一方、ロールプレイや創作文は推測が困難です。また、ネイティブMTPヘッドはEAGLE3より大幅に高い受理長を達成し、ベースモデルとの共同学習の優位性が示されました。

さらに、ランダムトークンを用いた従来のベンチマーク手法は、SD有効時にスループットを約23%過大評価する問題が判明しました。MoEモデルでもエキスパートルーティングが不正確になるため、現実的なデータでの評価が不可欠です。データセットと計測フレームワークはオープンソースで公開されています。

AIコーディングプラットフォームを手掛けるCursor（Anysphere社、評価額293億ドル）は2026年3月、独自の微調整モデルComposer 2を発表しました。中国発オープンソースモデルKimi K2.5をベースに、Cursorのエージェント環境向けに最適化されています。

価格面では前世代Composer 1.5から劇的に引き下げられました。入力トークン100万あたり0.50ドル、出力は2.50ドルと、Composer 1.5比で約86%の削減です。高速版Composer 2 Fastも同57%安となり、こちらがデフォルト設定に採用されています。

ベンチマーク性能も大幅に向上しています。CursorBenchで61.3、SWE-bench Multilingualで73.7を記録し、Composer 1.5の44.2・65.9から飛躍しました。Terminal-Bench 2.0では61.7とClaude Opus 4.6の58.0を上回りましたが、GPT-5.4の75.1には届いていません。

技術的な特徴は長期的エージェント作業への対応です。継続事前学習と強化学習により、数百ステップにわたるコーディングタスクを処理できるとされます。ファイル編集やターミナル操作などCursor固有のツール群との統合が深められています。

戦略面では、OpenAIやAnthropicが自社コーディング製品を強化するなか、Cursorは独自モデルによる差別化を図っています。ただしComposer 2はCursor環境専用であり、外部APIとしての提供はありません。中間プラットフォームとしての存在意義が問われる局面での重要な一手です。

Andreessen Horowitz（a16z）は、強化学習（RL）環境を構築するスタートアップDeeptuneのシリーズAラウンドを主導したと発表しました。Deeptuneはコンピュータ操作とコード実行に特化したRL環境を開発しています。

AIモデルがテキスト予測から実世界のタスク実行へ移行するなか、ツール操作やインターフェース操作を学習するための構造化された環境が不可欠になっています。Deeptuneは現実的で測定可能、かつモデル進化に適応する動的な訓練環境を提供します。

同社の技術はすでに主要ベンチマークの向上に寄与しています。OSWorldではClaude Opus 4.6が72.7%を記録し、人間の基準値72.36%を超えました。GPT-5.4も75%に到達するなど、コンピュータ操作能力は急速に進歩しています。

創業者兼CEOのTim Lupo氏は、技術的深度とプロダクト感覚を兼ね備えた人物として評価されています。主要AI研究所の研究者と緊密な関係を築き、高品質な環境・タスク・評価フレームワークを迅速に開発してきました。

a16zは、AI進歩の原動力が「より良いデータセット」から「より良い環境」へ移行すると予測しています。Deeptuneはこの転換の最前線に位置し、AIスタックの重要なインフラ層を担う企業として期待されています。

中国AI企業MiniMaxは2026年3月18日、新たなプロプライエタリLLM「M2.7」を公開しました。同モデルはエージェント型ワークフローとソフトウェア工学タスクに特化し、Vercel AI Gatewayでも標準版と高速版の2種類が利用可能となっています。

M2.7の最大の特徴は自己進化型の開発手法です。先行バージョンのモデルを活用して強化学習のハーネスを構築し、データパイプラインや学習環境の管理を自動化しました。これにより開発工程の30〜50%をモデル自身が担当し、100ラウンド以上の反復ループでコード修正を最適化しています。

ベンチマーク性能ではSWE-Pro 56.22%でGPT-5.3-Codexに匹敵し、GDPval-AAではElo 1495を記録しました。幻覚率は34%とClaude Sonnet 4.6の46%やGemini 3.1 Pro Previewの50%を下回り、MLE Bench Liteのメダル率66.6%はGoogleのGemini 3.1に並ぶ水準です。

価格面では入力0.30ドル、出力1.20ドル（100万トークンあたり）と前モデルM2.5から据え置きで、同等の知能水準を持つGLM-5と比較して3分の1以下のコストを実現しています。Claude Code、Cursor、Trae等11以上の開発ツールへの公式統合も提供されています。

戦略的には、オープンソースで評価を高めてきた中国AI勢がプロプライエタリ路線へ転換する動きの一環として注目されます。一方で中国企業であることから米国・西側の規制産業での採用にはハードルがあり、企業の意思決定者はコスト効率と地政学的リスクを慎重に比較検討する必要があります。

Arena（旧LM Arena）は、UC Berkeleyの博士課程プロジェクトから生まれたAIモデル評価プラットフォームです。わずか7カ月で評価額17億ドルのスタートアップへと急成長し、フロンティアLLMの事実上の公開リーダーボードとしての地位を確立しました。

共同創業者のAnastasios Angelopoulos氏とWei-Lin Chiang氏は、TechCrunchのEquityポッドキャストで、Arenaの仕組みと中立性について語りました。静的ベンチマークとは異なり、Arenaではスコアの不正操作が極めて困難である点を強調しています。

資金面ではOpenAI、Google、Anthropicといったランキング対象企業自身が出資者となっています。この構造的な利益相反の懸念に対し、創業者らは「構造的中立性」という概念で対応していると説明しました。

専門家向けリーダーボードでは、法律や医療といった専門分野でAnthropicのClaudeが現在トップの評価を獲得しています。これはAIモデルの評価が汎用的な対話能力だけでなく、専門領域の実力を測る方向へ進化していることを示しています。

今後Arenaは、チャット評価にとどまらずAIエージェントやコーディング、実世界タスクのベンチマークへと領域を拡大する計画です。新たなエンタープライズ製品も開発中で、LLM以降の次世代AI評価基準の構築を目指しています。

OpenAIは2026年4月2日、小型高性能モデルGPT-5.4 miniとGPT-5.4 nanoをAPI・Codex・ChatGPTで公開しました。大量処理ワークロード向けに設計された両モデルは、速度とコスト効率を重視しています。

GPT-5.4 miniは前世代のGPT-5 miniと比較して、コーディング・推論・マルチモーダル理解・ツール使用の全領域で大幅に改善されています。処理速度は2倍以上に向上し、複数のベンチマークで上位モデルGPT-5.4に迫る性能を示しています。

ベンチマークではSWE-Bench Proで54.4%、OSWorld-Verifiedで72.1%を達成しました。特にOSWorldではGPT-5.4の75.0%にほぼ匹敵し、コンピュータ操作タスクでの実用性が際立っています。

料金体系はGPT-5.4 miniが入力100万トークンあたり0.75ドル、出力4.50ドルです。nanoはさらに安価で入力0.20ドル、出力1.25ドルに設定されています。両モデルとも40万トークンのコンテキストウィンドウに対応します。

開発者にとって注目すべきはサブエージェント構成への最適化です。GPT-5.4が計画・判断を担い、miniやnanoが並列で個別タスクを高速処理する構成が推奨されており、Codexではmini利用時のクォータ消費が30%で済むため、コスト効率の高い開発体験を実現します。

OpenAIが公表した最新調査によると、米国ではChatGPTに対し1日平均約300万件の賃金・報酬に関するメッセージが送信されています。労働者が給与情報の格差を埋めるためにAIを積極活用している実態が明らかになりました。

従来、賃金情報は複数のウェブサイトを横断して調べる必要があり、同僚への質問も社会的リスクを伴うものでした。AIモデルは散在する給与データを統合し、数秒でベンチマークを提示できるため、キャリア初期の人材や転職者にとって画期的な情報源となっています。

質問の内訳を見ると、給与計算が26%で最多、次いで特定職種の報酬が19%、起業関連が18%、企業別の職種報酬が11%、職業・キャリア全般が11%と続きます。プライバシー保護のため、分析は自動分類器を用いて個人メッセージを人が閲覧しない方法で実施されました。

業種別では芸術・デザイン・メディア、経営管理、医療、IT・数学系の職種で賃金検索が雇用比率を上回っており、報酬が不透明で交渉余地の大きい高スキル職ほど需要が高い傾向が示されました。起業関連でもクリエイティブ分野や小規模サービス業に集中しています。

OpenAIは労働市場タスクの評価基準「WorkerBench」も新たに導入しました。GPT-5.4を2024年の全米職業別賃金中央値と照合したところ、高い精度でベンチマークに近い推定値を返すことが確認されました。今後は地域・企業・職位レベルの詳細な報酬情報へと精度向上を目指すとしています。

カーネギーメロン大学のAlbert Gu氏とプリンストン大学のTri Dao氏らの研究チームが、新たなAIアーキテクチャ「Mamba 3」をApache 2.0ライセンスのオープンソースとして公開しました。Transformer対比で約4%の言語モデリング性能向上を達成しています。

Mamba 3は状態空間モデル（SSM）の最新版で、従来のTransformerが抱える二次計算量と線形メモリ要求の課題を解決します。前世代のMamba 2が学習速度の最適化に注力したのに対し、Mamba 3は「推論ファースト」の設計哲学を採用し、GPUの遊休時間を最小化する構造となっています。

技術面では3つの革新が柱です。第一に指数台形離散化により2次精度の近似を実現。第二に複素数値SSMと「RoPEトリック」で、従来不可能だったパリティ判定などの論理推論タスクを解決。第三にMIMO方式により演算強度を最大4倍に引き上げ、メモリ律速の推論フェーズでもGPUの計算コアをフル活用します。

企業にとっての最大の利点は総保有コストの削減です。15億パラメータ規模でベンチマーク平均精度57.6%を達成し、Transformerを2.2ポイント上回りました。状態サイズを半減しながら同等の予測品質を維持するため、同一ハードウェアで推論スループットが実質2倍になります。リアルタイムエージェントや長文コンテキスト処理に特に有効です。

ただし課題も残ります。Transformerエコシステムの成熟度には及ばず、量子化では標準的な4ビット手法で精度が大幅低下する問題があります。またインコンテキスト学習ではAttention機構に劣る面もあり、業界はNvidiaのNemotron-3のようなMambaとAttentionを組み合わせたハイブリッドアーキテクチャへ収束しつつあります。

NVIDIAは2026年3月のGTC 2026において、ローカル環境で動作するAIエージェント向けの新しいオープンモデル群と開発基盤を発表しました。DGX SparkやRTX PCでクラウド級の性能を実現することを目指しています。

Nemotron 3 Superは1200億パラメータのオープンモデルで、アクティブパラメータは120億に抑えられています。エージェントAI向けベンチマークPinchBenchで85.6%を記録し、同クラスのオープンモデルで最高スコアを達成しました。

小型モデルとしてはNemotron 3 Nano 4Bが発表され、GeForce RTX搭載PCでもエージェントやアシスタントの構築が可能になります。AlibabaのQwen 3.5シリーズ向けの最適化も同時に提供され、26万2000トークンの大規模コンテキストウィンドウに対応します。

エージェント実行基盤としてNemoClawがオープンソースで公開されました。OpenClaw向けの最適化スタックで、ローカルモデルによる推論でトークンコストを削減し、OpenShellランタイムによるセキュアな実行環境を提供します。

ファインチューニングの分野では、Unsloth StudioがウェブベースのUIで公開され、500以上のAIモデルに対応します。従来は高度な技術知識が必要だったカスタマイズ作業を、ドラッグ＆ドロップの直感的な操作で完結できるようになりました。

クリエイティブAI分野では、LightricksのLTX 2.3がNVFP4・FP8対応で2.1倍の高速化を実現し、Black Forest LabsのFLUX.2 Klein 9Bも画像編集が最大2倍に高速化されました。RTX GPU向けに最適化されたモデルが続々と登場しています。

H Companyは2026年3月17日、NVIDIAのNemotron-Nano-2 VLモデルをベースにしたマルチモーダルコンピュータ操作エージェントモデル「Holotron-12B」をHugging Faceで公開しました。本モデルは画面認識・操作に特化し、量産環境での高スループット推論を目指して開発されたものです。

Holotron-12Bの推論効率を支えるのは、状態空間モデル（SSM）とアテンション機構のハイブリッドアーキテクチャです。従来のTransformerが抱える二次計算コストを回避し、長いコンテキストや複数画像を含むエージェント的ワークロードで優れたスケーラビリティを実現しています。

ベンチマーク評価では、WebVoyagerスコアがベースモデルの35.1%から80.5%へと大幅に向上しました。H100 GPU1枚でvLLMを使用した実験では、同時接続100の条件下で8.9kトークン/秒のスループットを記録し、前モデルHolo2-8Bの5.1kトークン/秒を大きく上回りました。

学習は2段階で実施されました。NVIDIAのNemotron-Nano-12B-v2-VLを起点に、H Company独自の画面理解・ナビゲーションデータで教師あり微調整を行い、約140億トークンで最終チェックポイントを構築しています。ライセンスはNVIDIA Open Model Licenseで公開されています。

今後の展開として、NVIDIAが同日発表したNemotron 3 Omniをベースとした次世代モデルの開発も予告されました。SSM-AttentionとMoEアーキテクチャを活用し、企業向けの大規模自律型コンピュータ操作への展開を目指すとしています。

NVIDIAとジョンズ・ホプキンス大学、ミュンヘン工科大学らが主導する国際コミュニティが、医療ロボティクス分野初の大規模オープンデータセット「Open-H-Embodiment」を公開しました。35組織が参加し、778時間分のCC-BY-4.0ライセンスデータを提供しています。

データセットは手術ロボティクスを中心に、超音波検査や大腸内視鏡の自律制御データも含みます。シミュレーション、ベンチトップ訓練、実臨床手術にまたがり、CMR SurgicalやRob Surgicalなどの商用ロボットおよびdVRK、Frankaなどの研究用ロボットのデータを収録しています。

同時に公開されたGR00T-Hは、NVIDIAのVision-Language-Actionモデルを手術ロボット向けに特化させた初のポリシーモデルです。約600時間のデータで訓練され、SutureBottベンチマークで端到端の縫合タスクを完遂する能力を実証しました。異なるロボット間の運動学的差異を吸収する独自の設計が特徴です。

Cosmos-H-Surgical-Simulatorは、運動指令から物理的に妥当な手術映像を生成するワールド基盤モデルです。従来のシミュレータでは再現困難な軟組織変形や反射、出血を暗黙的に学習します。実機で2日かかる600回のロールアウトをわずか40分で完了でき、データ拡張にも活用可能です。

次期バージョンでは、意図・結果・失敗モードを注釈した推論対応データへの拡張を目指しています。手術ロボットが状況を説明し、計画を立て、長時間の手術に適応できる推論能力付き自律制御の実現が目標です。データセットとモデルはHugging FaceおよびGitHubで公開されており、コミュニティへの参加を呼びかけています。

DataRobotは2026年3月、NVIDIAと共同開発したAgent Workforce Platformにおいて、大規模言語モデル「Nemotron 3 Super」のワンクリック展開機能を発表しました。企業がAIエージェントを本番環境で安全に運用するための統合基盤を提供します。

Nemotron 3 Superは1200億パラメータのハイブリッドMamba-Transformerモデルで、100万トークンのコンテキストウィンドウを備えています。DataRobotのプラットフォームでは、GPU構成の自動推奨、監視・アクセス制御の即時有効化、チーム別クォータ管理が標準で組み込まれており、展開直後から運用可能な状態になります。

コスト管理面では、思考予算の調整により同一モデルで精度とコストのトレードオフを制御できます。金融推論ベンチマークでは、最高設定で約86%の精度に対し、最低設定でも約74%を維持しつつトークン消費を14分の1に抑えられることが実証されました。

ガバナンス面では、Oktaとの統合により、AIエージェントを企業ディレクトリ上の独立したIDとして管理する仕組みを実現しました。従来の共有APIキーによる認証では、非決定的なエージェントの行動追跡や即時無効化が困難でしたが、ID基盤型ガバナンスにより人間と同一の管理体系でエージェントを統制できます。

ハードウェア面では、NVIDIA RTX PRO 4500をDataRobotプラットフォームの推論エンジンとして技術検証済みであることを発表しました。32GBのGDDR7メモリとBlackwellアーキテクチャを搭載し、リアルタイム物流最適化やRAGパイプラインなど、エージェント型ワークロードに最適化された性能を提供します。

NVIDIAは2026年3月13日、エージェント型AI検索パイプライン「NeMo Retriever」と自律データ分析エージェント「KGMON Data Explorer」の2つの成果を発表しました。いずれも主要ベンチマークで世界トップの性能を達成しています。

NeMo Retrieverは、従来の意味的類似度検索の限界を超えるため、ReACTアーキテクチャに基づくエージェントループを採用しました。LLMが検索クエリを動的に生成・修正し、複雑な質問を分解して反復的に情報を探索します。この設計により、視覚的に複雑な文書検索のViDoRe v3で1位、推論重視のBRIGHTで2位を達成しました。

技術面では、当初採用したMCPサーバー方式をスレッドセーフなシングルトン方式に置き換えることで、ネットワーク遅延やデプロイエラーを排除しました。GPU利用効率と実験スループットが大幅に改善され、同一パイプラインが異なるベンチマークに無変更で適用できる汎用性が最大の強みです。

一方、KGMON Data Explorerは表形式データの多段推論に特化したエージェントです。学習フェーズでOpus 4.5が再利用可能な関数ライブラリを構築し、推論フェーズでは軽量なHaiku 4.5がそのライブラリを活用して高速に回答します。DABStepベンチマークの難問で89.95点を記録し、Google AIやAntGroupを上回り1位となりました。

エージェント型検索は1クエリあたり約136秒と従来の密ベクトル検索より大幅に遅い課題があります。NVIDIAは蒸留技術による小型化で高速・低コスト化を目指す方針です。Data Explorerも20秒でタスクを完了し、従来の10分から30倍の高速化を実証しており、両プロジェクトとも実用化に向けた効率改善が進んでいます。

NVIDIAは2026年3月12日、自社開発のAIリサーチエージェント「AI-Q」が、深層研究エージェントの主要ベンチマークであるDeepResearch Bench（55.95点）およびDeepResearch Bench II（54.50点）の両方で首位を獲得したと発表しました。

AI-Qはオーケストレーター、プランナー、リサーチャーの3つのエージェントで構成されるマルチエージェントアーキテクチャを採用しています。プランナーがまず情報の全体像を把握し、エビデンスに基づいた調査計画を策定します。リサーチャーは事実収集・因果分析・比較検証・批判的検討・最新動向の5種の専門家を並列に稼働させ、多角的な証拠を収集します。

性能の鍵を握るのは、独自に微調整されたNemotron-3-Super-120B-A12Bモデルです。OpenScholarやResearchQAなど複数のデータセットから約8万件の研究軌跡を生成し、品質判定モデルでフィルタリングした約6.7万件で学習しました。実際のWeb検索結果を含む軌跡データにより、現実のデータに対する検索・統合能力が強化されています。

長時間にわたるエージェント実行の信頼性を確保するため、ツール名の自動修正、推論トークンのリトライ、ツール呼び出し回数の予算管理、レポート構造の検証といったカスタムミドルウェアを実装しています。オプションのアンサンブル機能では、複数の独立した調査パイプラインを並列実行し、各出力を統合することで情報の網羅性を最大化します。

AI-QはNeMo Agent Toolkit上に構築されたオープンソースのブループリントとして公開されており、企業が自社環境で所有・カスタマイズできる設計です。YAML設定によりLLMやツール、エージェントグラフを柔軟に差し替え可能で、透明性とコントロールを維持しながら最先端の研究品質を実現できる点が、企業のAI活用において大きな意義を持ちます。

Microsoft Researchは、AIエージェントの障害原因を自動診断するフレームワーク「AgentRx」をオープンソースとして公開しました。併せて115件の失敗軌跡を手動注釈したベンチマークデータセットも提供しています。

現代のAIエージェントは数十ステップに及ぶ長い実行軌跡を持ち、確率的な挙動により再現が困難です。さらにマルチエージェント構成では障害がエージェント間で伝播し、根本原因の特定が極めて難しくなっています。

AgentRxは実行ログを共通形式に正規化した後、ツールスキーマやドメインポリシーから実行可能な制約条件を自動生成します。各ステップでガード条件付きの制約を検証し、違反をエビデンス付きで監査ログに記録する仕組みです。

評価実験では、既存のLLMプロンプティング手法と比較して障害箇所の特定精度が23.6ポイント、根本原因の帰属精度が22.9ポイントそれぞれ絶対値で向上しました。試行錯誤に頼らない体系的なデバッグを実現しています。

ベンチマークはτ-bench（API業務）、Flash（インシデント管理）、Magentic-One（汎用マルチエージェント）の3領域を対象とし、計画逸脱やハルシネーションなど9カテゴリの障害分類体系も整備されています。

Nvidiaは2026年3月、オープンソースAIエージェント基盤「NemoClaw」の提供準備を進めていることが報じられました。年次開発者会議を前に、Salesforce、Cisco、Google、Adobe、CrowdStrikeなど大手企業とパートナーシップ交渉を行っています。

NemoClawは、1月に注目を集めたOpenClawの直接的な競合製品です。OpenClawは個人のマシンから常時稼働のAIエージェントを操作できるシステムで、OpenAIがその開発者Peter Steinberger氏を採用した経緯があります。Nvidiaはこの急成長市場への参入を狙います。

さらにNvidiaは、今後5年間で260億ドルをオープンソースAIモデル開発に投じる計画を明らかにしました。SEC提出の財務書類で判明したこの投資により、同社はチップメーカーからフロンティアラボへと進化する可能性があります。

同社はNemotron 3 Superも発表しました。1280億パラメータを持つこのモデルは、OpenAIのGPT-OSSを複数のベンチマークで上回ると主張しています。AI Indexでスコア37を獲得し、GPT-OSSの33を超えました。また、OpenClaw制御能力を測るPinchBenchで1位を獲得しています。

この投資の背景には、DeepSeekやAlibaba、Moonshot AIなど中国勢のオープンモデルが世界的に普及している状況があります。Nvidia応用深層学習研究VP Bryan Catanzaro氏は「エコシステムの多様性と強化が我々の利益になる」と語り、米国発のオープンモデルの重要性を強調しました。

NVIDIAは、プログラミング概念の体系的な分類に基づき、1500万件のPython問題からなる大規模合成データセット「Code Concepts」を公開しました。同データセットはNemotron-Pretraining-Specialized-v1.1の一部として、CC-BY-4.0ライセンスで提供されます。

このワークフローの核となるのは、Nemotron-Pretraining-Codeデータセットから構築されたプログラミング知識のタクソノミーです。文字列操作や再帰といった基本構文から、高度なアルゴリズムやデータ構造パターンまで、数千の概念が階層的に整理されています。

実証実験では、HumanEvalベンチマークに関連する91個のコア概念を特定し、これらの概念の組み合わせから約1500万件の合成問題を生成しました。各問題はPythonのast.parse関数で構文検証され、品質が担保されています。

生成された100億トークンをNemotron Nano-v3の事前学習の最終1000億トークンに組み込んだところ、HumanEval精度が73から79へと6ポイント向上しました。グラフアルゴリズムや集合演算など、多様な概念での性能改善が定性的にも確認されています。

NVIDIAはこのデータセットを単発の成果物ではなく、概念駆動型生成ワークフローの有効性を示す検証として位置づけています。タクソノミーとデータセットの両方をオープンライセンスで公開することで、他のドメインへの応用拡大をコミュニティに促しています。

Anthropicは2026年3月11日、AIモデル「Claude」のMicrosoft ExcelおよびPowerPoint向けアドインを大幅に強化しました。最大の特徴は、両アプリ間で会話コンテキストを共有できる新機能で、Mac・Windows有料プランのユーザーが利用可能です。

新たに導入された共有コンテキスト機能により、ClaudeはExcelとPowerPointを横断して一つの連続セッションとして作業できます。例えば財務アナリストがExcelで比較企業データを抽出し、そのままピッチデッキのスライドに反映させるといった作業が、タブの切り替えやデータの再説明なしに完結します。

もう一つの目玉であるSkills機能では、チームが定型ワークフローをアドイン内に保存し、ワンクリックで実行できます。分散分析や承認済みスライドテンプレートなど、従来は毎回プロンプトを書き直していた作業を組織全体で標準化・共有できる仕組みです。

企業導入面では、Amazon Bedrock、Google Cloud Vertex AI、Microsoft Foundryを経由したアクセスにも対応し、既存のクラウド環境やコンプライアンス体制をそのまま活用できます。これにより大企業のセキュリティ要件にも柔軟に対応可能となりました。

今回の発表は、同日にMicrosoftが発表したCopilot Coworkと直接競合する動きです。エンタープライズAI市場の競争は、モデル性能のベンチマーク争いから、既存の業務アプリケーション内でどれだけ実用的な価値を提供できるかという段階に移行しつつあります。

OpenAIは、AIモデルが複数の指示源からの命令を適切に優先順位付けする「指示階層」の強化手法を発表しました。安全ポリシー違反やプロンプトインジェクション攻撃への耐性向上を目的としています。

AIシステムはシステムメッセージ、開発者指示、ユーザー要求、ツール出力など複数の指示を受け取ります。これらが矛盾した場合、信頼度の高い指示を優先する判断が求められますが、従来のモデルでは誤った指示に従うケースがありました。

同社は強化学習用データセット「IH-Challenge」を設計しました。各タスクは高権限ロールからの指示と、それに違反させようとする低権限ロールの指示で構成され、Pythonスクリプトで客観的に採点可能な点が特徴です。

このデータセットで訓練したGPT-5 Mini-Rは、TensorTrustで0.76から0.91へ、内部ベンチマークのSystem対User Conflictで0.84から0.95へと大幅に改善しました。同時に過剰拒否率も0.79から1.00に改善し、有用性を損なわない成果を示しています。

エージェント型AIがツール呼び出しや外部文書読み取りを行う時代において、信頼できる指示を一貫して優先する能力は安全性の基盤となります。OpenAIはIH-ChallengeデータセットをHuggingFaceで公開し、研究コミュニティへの貢献を図っています。

NVIDIAは2026年3月10日、AI開発の基盤となるオープンデータ戦略について包括的に発表しました。同社はこれまでに2ペタバイト超のAI訓練用データを180以上のデータセットとして公開しており、650を超えるオープンモデルとともにHuggingFace上で提供しています。

公開データはロボティクス、自動運転、生物学、評価ベンチマークなど多岐にわたります。Physical AIコレクションには50万件超のロボティクス軌跡データや25カ国1,700時間分の自動運転データが含まれ、Runway社のGWM-Roboticsワールドモデル開発にも活用されています。

Nemotron Personasは実際の人口統計に基づく合成ペルソナデータセットで、日本を含む各国版が提供されています。CrowdStrikeは200万ペルソナを活用しNL→CQL翻訳精度を50.7%から90.4%に向上させ、日本ではNTTデータやAPTOが法律QA精度を15.3%から79.3%に改善しました。

事前学習用データセットも進化を遂げています。Nemotron-ClimbMixは400Bトークンの事前学習データで、Andrej Karpathy氏が注目するTime-to-GPT-2リーダーボードで最大の改善を達成しました。H100での計算時間を従来比約33%削減し、NanoChatのデフォルトデータレシピに採用されています。

NVIDIAはこれらのデータ公開を「オープンキッチン」と表現し、材料とレシピの共有によるエコシステム全体の発展を目指しています。安全性や強化学習向けデータセットの拡充も進めており、信頼性の高いAIモデルとエージェントシステムの共通基盤構築を推進しています。

Microsoft Researchは、AIエージェント向けの汎用プラグイン型記憶モジュール「PlugMem」を発表しました。従来のエージェントは対話履歴が増えるほど検索精度が低下する課題を抱えていましたが、PlugMemは生データを構造化知識に変換することでこの問題を解決します。

PlugMemの設計は認知科学の知見に基づいています。人間の記憶がエピソード記憶・意味記憶・手続き記憶に分かれるように、PlugMemもエージェントの対話履歴を「事実（命題的知識）」と「再利用可能なスキル（処方的知識）」という2種類の知識単位に変換し、知識グラフとして体系的に整理します。

システムは構造化・検索・推論の3つの中核コンポーネントで構成されています。構造化では生データを知識単位に変換し、検索ではタスクの意図に基づいて関連知識を抽出します。推論では取得した知識を簡潔なガイダンスに凝縮し、エージェントのコンテキストウィンドウを圧迫しない形で提供します。

評価実験では、長いマルチターン会話の質問応答、複数のWikipedia記事にまたがる事実検索、Webブラウジング中の意思決定という3つの異なるベンチマークで検証を実施しました。いずれにおいてもPlugMemは汎用検索手法やタスク特化型設計を上回る性能を示し、同時にメモリトークンの消費量も大幅に削減しました。

研究チームは、エージェントの記憶は単なる過去の記録保存から、再利用可能な知識の能動的な提供へと進化すべきだと主張しています。PlugMemはタスク特化型アプローチの代替ではなく、その土台となる汎用記憶基盤として位置づけられており、両者の組み合わせでさらなる性能向上が確認されています。コードと実験結果はGitHubで公開済みです。

Googleは2026年3月9日、AI「Gemini」をWorkspace全体に深く統合する大幅アップデートを発表しました。Docs・Sheets・Slides・Driveが対象で、メールやファイル・チャット等の情報を横断参照し、テキスト指示一つで文書・表計算・スライドを自動生成できます。

Docsでは新機能「Help me create」により、目的を記述するだけでGeminiがGmail・Drive・Chatから情報を収集し、完全フォーマット済みの初稿を即座に作成します。「Match writing style」で複数執筆者のトーンを統一し、「Match doc format」で既存テンプレートへの自動填込も可能になりました。

Sheetsではベンチマーク「SpreadsheetBench」で70.48%の成功率を達成し、人間の専門家レベルに迫る精度を実証しました。「Fill with Gemini」を用いると100セルのデータ入力が手作業比9倍速となり、複雑なスケジュール最適化なども自然言語指示だけで処理できます。

Slidesはプロンプト一つでデッキのテーマに沿ったスライドを生成し、将来的にはプレゼン全体の一括作成も予定しています。Driveは単なるストレージから能動的知識ベースへと進化し、自然言語検索への「AI概要」表示と、複数ファイルを横断して質問できる「Ask Gemini in Drive」が加わりました。

今回の発表はMicrosoftが「Copilot Cowork」を公開した翌日に行われ、エンタープライズAI市場での競争激化を鮮明にしました。新機能はベータ版として本日より提供開始され、Google AI ProおよびUltra加入者が英語で利用可能。法人向けはGemini Alphaプログラムの管理者有効化が必要です。

実際の試用では旅程作成など定型タスクで迅速かつ正確な結果を返した一方、個人の文体や独自の視点の再現は依然困難で、コーポレート向け文書や社内報など定型コミュニケーションでの活用に強みがあるとの評価が出ています。

IBMは2026年3月9日、エッジデバイス向け音声言語モデル「Granite 4.0 1B Speech」をHugging Faceで公開した。多言語音声認識（ASR）と双方向音声翻訳（AST）に対応し、英語・仏語・独語・西語・葡語・日本語の6言語をサポートする。

前世代モデル「granite-speech-3.3-2b」と比べてパラメータ数を半分の約10億に削減しながら、英語転写の単語誤り率（WER）は改善した。投機的デコードの採用により推論速度も向上しており、リソースが限られたデバイスでの実用展開を想定した設計となっている。

今回の新機能として、日本語ASRサポートとキーワードバイアシングが追加された。キーワードバイアシングは固有名詞や略語の認識精度を高める機能で、コミュニティから要望の多かった機能を優先実装している。

性能面では、Hugging Faceが運営するOpenASRリーダーボードで1位を獲得。複数の標準ベンチマークにおいて、はるかにパラメータ数の多いモデルと同等以上の精度を達成しており、小規模モデルとしての競争力を示した。

モデルはApache 2.0ライセンスで公開され、transformersおよびvLLMでネイティブサポートされる。本番環境ではリスク検出のためにGranite Guardianとの組み合わせが推奨されており、アーキテクチャ詳細や学習データはモデルカードで確認できる。

MITの研究チームが、大規模言語モデル（LLM）の推論時メモリであるKVキャッシュを最大50分の1に圧縮する新手法「Attention Matching」を発表しました。精度をほぼ維持したまま数秒で処理が完了する点が最大の特徴です。

LLMはトークンを逐次生成する際、過去の全トークンのキー・バリュー対をKVキャッシュに保持します。長文の法務文書分析や自律型コーディングエージェントなどの企業用途では、1リクエストで数GBに膨張し、同時処理数やバッチサイズを大幅に制限する深刻なボトルネックとなっていました。

従来の対処法には、重要度の低いトークンの削除やトークン統合がありますが、高圧縮率では精度が急激に低下します。テキスト要約による代替も、医療記録のような情報密度の高い文書ではコンテキストなしと同等の精度まで劣化することが実験で確認されました。勾配ベースの「Cartridges」手法は高品質ですが、1コンテキストの圧縮に数時間を要し実用性に欠けていました。

Attention Matchingは、圧縮後のメモリが元のメモリと同じ「注意出力」と「注意質量」を再現するよう設計されています。事前に生成した参照クエリを用いて保持すべきキーを選択し、通常最小二乗法などの代数的手法で値を算出します。勾配降下を完全に回避することで、処理速度が桁違いに高速化されました。チャンク単位の分割処理により長文への対応も実現しています。

Llama 3.1やQwen-3を用いた実験では、読解ベンチマーク「QuALITY」と6万トークンの医療記録データセット「LongHealth」の両方で有効性が確認されました。テキスト要約との組み合わせでは200倍圧縮も達成しています。数学推論テスト「AIME」では、メモリ上限に達するたびに50%圧縮を最大6回繰り返しても、無制限メモリと同等の性能を維持しました。

ただし、この手法の導入にはモデルの重みへのアクセスが必要であり、クローズドAPIのみを利用する企業は自社実装ができません。また、既存の推論エンジンへの統合にはプレフィックスキャッシュや可変長メモリパッキングとの調整が必要です。研究チームはコードを公開済みで、大規模なツール出力や長文文書の取り込み直後の圧縮が有望なユースケースだと述べています。

OpenAIは2026年3月5日、最新AIモデルGPT-5.4をChatGPT、API、Codexで公開しました。推論・コーディング・エージェント機能を統合した同社史上最高性能のフロンティアモデルと位置づけています。

GPT-5.4は同社初の汎用モデルとしてネイティブコンピュータ操作機能を搭載しています。Playwrightによるコード実行やスクリーンショットに基づくマウス・キーボード操作が可能で、OSWorldベンチマークでは人間の72.4%を上回る75.0%の成功率を達成しました。

ビジネス用途ではスプレッドシート、プレゼンテーション、文書作成の能力が大幅に向上しています。投資銀行業務のモデリングタスクでは平均87.3%のスコアを記録し、前モデルGPT-5.2の68.4%から約19ポイント改善されました。

API向けにはTool Search機能を新たに導入し、多数のツール定義を事前にプロンプトへ含める従来方式を刷新しました。MCP Atlasベンチマークでは同精度を維持しつつトークン使用量を47%削減する効果が確認されています。

価格は入力100万トークンあたり2.50ドル、出力15ドルに設定され、GPT-5.2より引き上げられました。一方で推論効率の向上により、タスク全体のコストは抑制される見込みです。APIでは最大100万トークンのコンテキストウィンドウに対応しています。

OpenAIは、企業のAI活用を支援する新たなビジネスブログ「Adoption」チャネルを開設しました。経営幹部やAI推進リーダーを主な読者に想定し、導入の実践的な知見やフレームワークを発信していきます。

同社は過去2年間のAI業界がモデル性能やベンチマークなど技術的進歩の報道に偏っていたと指摘します。現在の課題はAIの能力そのものではなく、その能力をいかに具体的な業務改善へ転換するかにあると位置づけています。

チャネルでは5つの柱を掲げています。AIがビジネス価値を生む領域の明確化、組織全体への導入拡大の方法論、AIによる業務モデルと役割の変革、市場の本質と誇大広告の見極め、そして業界別の実務的視点です。

具体的には意思決定フレームワークや運用パターン、先進企業の事例を紹介する方針です。単にAIの将来像を描くだけでなく、リーダーが次に何をすべきかを判断できる実用的なコンテンツを目指すとしています。

記事は経営者が短時間で読め、かつ意思決定に役立つ簡潔で実証的な内容を追求します。AIによる業務変革を明確さと自信をもって推進したいリーダーに向けた情報基盤となることを目標に掲げています。

OpenAIは、ChatGPTをExcelに直接統合するアドイン「ChatGPT for Excel」のベータ版を公開しました。同時に、FactSetやDow Jones Factivaなど主要金融データプロバイダーとの連携機能も発表しています。

このアドインは最新モデルGPT-5.4を搭載し、ユーザーが自然言語で指示するだけでExcelの財務モデルを構築・更新できます。シナリオ分析やデータ分析、予算管理など幅広い業務に対応し、数式や前提条件はExcelネイティブの形式で保持されます。

金融分野での性能向上は顕著で、OpenAI独自の投資銀行ベンチマークではGPT-5の43.7%からGPT-5.4 Thinkingで87.3%へと大幅に改善しました。三表連結モデルの構築や適切な書式設定、引用付きの出力など、実務に即したタスクで評価されています。

金融データ連携ではMoody's、MSCI、Third Bridgeなどとの統合も開始され、市場・企業・社内データを一つのワークフローに集約できます。さらにMCP（Model Context Protocol）を活用すれば、自社独自のデータソースも接続可能です。

利用対象はChatGPT Business、Enterprise、Edu、Pro、Plusユーザーで、EU域外でグローバルに提供されます。Enterprise環境ではRBAC、SAML SSO、AES-256暗号化などのセキュリティ機能を備え、規制業種での利用にも対応しています。

OpenAIは、推論モデルが自らの思考連鎖（Chain of Thought）を意図的に制御できるかを調査した研究を発表しました。AIエージェントの自律性が高まるなか、思考過程の監視可能性が安全対策の鍵となっています。

研究チームはCoT-Controlというオープンソースの評価スイートを開発し、GPQAやSWE-Bench Verifiedなど既存ベンチマークから1万3000以上のタスクを構築しました。各タスクでは「小文字のみ使用」「特定キーワード回避」など、思考連鎖への具体的な指示への準拠度を測定しています。

13の推論モデルを評価した結果、すべてのモデルが思考連鎖の制御に苦戦し、フロンティアモデルでも成功率は最大15.4%にとどまりました。モデルが指示違反を自覚した後も制御できない事例が多数確認され、この低い制御能力は監視回避が困難であることを示唆しています。

興味深いことに、モデル規模が大きいほど制御性はやや向上する一方、強化学習の追加訓練や推論時間の延長により制御性は急速に低下しました。OLMo-3-7B-RL-Zero-Mathでは訓練過程で制御スコアが10分の1以下に減少しており、ポストトレーニングが監視可能性を高める方向に働くことが示されました。

OpenAIは今後、GPT-5.4 Thinkingを皮切りに、フロンティアモデルのシステムカードでCoT制御性をCoT監視可能性と併せて報告する方針です。ただし低制御性だけでは監視の堅牢性は保証されず、最適化圧力など他の要因による劣化の可能性もあるため、継続的な評価が不可欠と結論づけています。

Databricksは、強化学習を活用した企業向けRAGエージェント「KARL（Knowledge Agents via Reinforcement Learning）」を発表しました。6種類の企業検索行動を同時に学習させることで、単一タスク特化型の限界を克服するモデルです。

従来の企業向けRAGパイプラインは、特定の検索パターンに最適化されており、複数文書の横断的な統合や制約付きエンティティ検索など、異なるタスクには対応できませんでした。KARLは独自ベンチマーク「KARLBench」でClaude Opus 4.6と同等の性能を、クエリあたりコスト33%減・遅延47%減で達成したと同社は主張しています。

学習には新アルゴリズム「OAPL」を採用しています。従来のGRPOが前提とするオンポリシー同期の制約を撤廃し、400勾配ステップ以上のポリシー遅延でも安定動作します。サンプル効率が約3倍向上し、数千GPU時間で全学習を完了できるため、企業チームでも現実的に取り組める規模です。

注目すべきは、KARLが文脈圧縮をエンド・ツー・エンドで自己学習する点です。一部のタスクでは200回の連続ベクトルDB検索が必要となり、コンテキストウィンドウを何度も超過します。圧縮機能を除去すると精度が57%から39%に低下しており、この自律的な圧縮能力が性能の鍵となっています。

一方で課題も明確です。曖昧な質問への対応や途中で回答を断念するケースが残り、SQL検索やPython計算には未対応です。それでも、汎用フロンティアAPIにすべてを委ねるのではなく、目的特化型の検索エージェントを強化学習で育てるアプローチは、企業のRAG戦略に再考を迫る重要な成果といえます。

MITの研究チームは、数百の設計変数を持つ複雑なエンジニアリング問題を従来手法の10〜100倍の速度で解く新たな最適化手法を開発しました。国際学習表現会議（ICLR）で発表される本研究は、古典的なベイズ最適化に基盤モデルを組み合わせた点が革新的です。

本手法の中核は「表形式基盤モデル」と呼ばれる生成AIです。大規模言語モデルがテキストを扱うように、この基盤モデルは膨大な表形式データで事前学習されており、スプレッドシート版ChatGPTとも形容されます。エンジニアリング分野ではテキストより表形式データが一般的であり、実務との親和性が高い点が特徴です。

従来のベイズ最適化では反復ごとに代理モデルの再学習が必要で、変数が増えると計算コストが急増していました。新手法では事前学習済みの基盤モデルをそのまま使用するため再学習が不要であり、異なる問題にも一つのアルゴリズムで対応できます。設計空間のうち結果に最も影響する変数を自動的に特定し、探索を集中させる工夫も施されています。

60件のベンチマーク問題で5つの最先端手法と比較した結果、電力系統設計や自動車の衝突試験シミュレーションなど現実的な課題で一貫して最良の解を高速に発見しました。問題の次元数が増えるほど優位性が拡大する傾向も確認されています。ただしロボット経路計画など一部の課題では既存手法を上回れず、訓練データの網羅性が課題として残ります。

研究チームは今後、表形式基盤モデルの性能向上手法を研究するとともに、数千から数百万変数を持つ艦船設計などへの適用を目指しています。基盤モデルを言語や画像認識だけでなく科学・工学ツール内部のアルゴリズムエンジンとして活用する潮流を示す成果として、創薬や材料開発など高コスト評価を伴う分野への波及が期待されます。

Microsoft Researchは、150億パラメータのオープンウェイト・マルチモーダル推論モデル「Phi-4-reasoning-vision-15B」を公開しました。テキストと画像の両方を処理し、数学・科学の推論、チャート読解、GUI操作など幅広いタスクに対応します。

最大の特徴は訓練効率の高さです。約2000億トークンのマルチモーダルデータで訓練されており、QwenやGemma3など競合モデルが1兆トークン以上を使用するのに対し、およそ5分の1のデータ量にとどまります。その秘訣はオープンソースデータの徹底的なフィルタリングと品質改善にあります。

技術的に注目すべきは「混合推論」アプローチです。訓練データの約20%に思考過程を含む推論サンプルを、80%に直接応答のサンプルを使用し、モデルがタスクに応じて推論の要否を自動判断する仕組みを実現しました。画像キャプションでは即座に応答し、数学では段階的に思考します。

ベンチマーク評価では、ChartQAで83.3、MathVistaで75.2、ScreenSpot v2で88.2のスコアを記録しました。大型モデルのQwen3-VL-32Bには及ばないものの、同規模モデルを上回り、推論速度と精度のバランスでパレート最前線に位置しています。

Microsoftは本モデルをMIT許容ライセンスで公開し、ファインチューニングコードや評価ログも提供しています。Phiファミリーはエッジデバイス向けのPhi Silicaやロボティクス向けのRho-alphaにも拡大しており、「最も賢いモデルは最大のモデルではなく、いつ考えるべきか知っているモデルだ」という戦略を鮮明にしています。

Googleは2026年3月3日、Gemini 3シリーズで最も高速かつ低コストなモデル「Gemini 3.1 Flash-Lite」のプレビュー版を公開しました。大量処理を必要とする開発者向けに設計され、Google AI StudioとVertex AIから利用できます。

速度面では前世代のGemini 2.5 Flashと比較して初回トークン生成が2.5倍高速化し、出力速度も45%向上して毎秒363トークンを実現しています。この低遅延により、リアルタイムのカスタマーサポートやコンテンツモデレーションなど即応性が求められる用途に最適です。

ベンチマーク性能も軽量モデルとしては突出しており、Arena.aiのEloスコア1432、GPQA Diamondで86.9%、MMMU Proで76.8%を記録しました。LiveCodeBenchでも72.0%を達成し、より大規模なモデルに匹敵する推論能力とマルチモーダル理解力を示しています。

価格は入力100万トークンあたり0.25ドル、出力100万トークンあたり1.50ドルに設定されています。競合のClaude 4.5 Haiku（入力1.00ドル）やGPT-5 mini等と比べて大幅に安く、上位モデルGemini 3.1 Proの約8分の1のコストで利用可能です。

新機能として思考レベル（minimal/low/medium/high）が導入され、タスクの複雑さに応じて推論の深さを動的に切り替えられます。単純な分類は最速モードで処理し、ダッシュボード生成やシミュレーション作成には高度な推論を適用する柔軟な運用が可能です。

早期アクセス企業からは高い評価が寄せられています。Latitude社は成功率20%向上と推論速度60%改善を報告し、Whering社はアイテムタグ付けで100%の一貫性を達成しました。HubX社は構造化出力の準拠率97%と10秒未満の応答を確認しています。

Alibaba傘下のQwenチームは2026年3月、小型オープンソースモデル「Qwen3.5 Small Model Series」を公開しました。0.8B、2B、4B、9Bの4モデルで構成され、Apache 2.0ライセンスのもとHugging FaceとModelScopeで即日提供が開始されています。

最大の注目点はQwen3.5-9Bの性能です。GPQAベンチマークで81.7を記録し、13.5倍の規模を持つOpenAIのgpt-oss-120B（80.1）を上回りました。MMMU-Proでも70.1を達成し、Gemini 2.5 Flash-Liteの59.7を大幅に超えています。

技術面では従来のTransformerアーキテクチャから脱却し、Gated Delta NetworksとスパースMixture-of-Expertsを組み合わせたハイブリッド構造を採用しています。これにより推論時のスループット向上と低レイテンシを実現し、小型モデルの「メモリの壁」問題を解消しています。

開発者コミュニティからは強い関心が寄せられています。「M1 MacBook Airで無料で動く」との報告や、ブラウザ上での動画解析が可能との検証結果が共有されました。Baseモデルも同時公開され、企業独自のファインチューニングが容易になった点も高く評価されています。

企業活用の観点では、エッジデバイス上でのUI自動操作、文書解析、コードリファクタリング、モバイルでのオフライン動画要約など幅広い用途が想定されます。クラウドAPIへの依存を減らしコスト削減とデータ主権の確保を両立できる点が、企業導入の大きな推進力となりそうです。

a16zの研究者がLLMをテトリスで競わせるTetrisBenchを開発しました。このベンチマークはリアルタイムの空間的意思決定能力を測定するものであり、既存のテキストベースのベンチマークでは評価できない能力を可視化します。

興味深いことに、高度な推論モデルが必ずしもテトリスで優秀ではなく、モデルの特性によって大きな差が見られました。このようなゲームベースのベンチマークは、実際のエージェント性能をより正確に予測できる可能性があります。

かつてAIコーディング能力の標準的な評価指標だったSWE-bench Verifiedが、フロンティアモデルの急速な進歩によってその有効性を失いつつあるという分析です。最新モデルはこのベンチマークで高スコアを達成しているため、モデル間の差別化が困難になっています。

研究者たちはより難易度の高い評価セットと、実際の業務コーディングに即した評価手法への移行を求めています。ベンチマークの過学習問題は、AI評価全般における重要な課題として認識されています。