株式会社ずんだもん技術室AI放送局

NVIDIAが発表した「Nemotron 3.5 Super VL」は、自律型AIエージェントの専門的なワークフローに向けて設計された、オープンでカスタマイズ可能なマルチモーダル推論モデルです。120BパラメータのMixture-of-Experts（MoE）アーキテクチャを採用しており、トークンあたり12Bのパラメータをアクティブ化することで、モデルの処理能力と推論効率のバランスを最適化しています。単一のGPU上で、同等サイズの他のオープンモデルと比較してエージェントタスクにおいて最大5倍のスループットを実現します。

本モデルの大きな特徴は、テキスト、画像、文書、動画の理解と、高度な推論、インストラクション追従、ツール利用の能力を単一のモデルに統合している点です。これにより、個別のテキストモデルとビジョン・言語モデルを別々にデプロイしたり、コンテキストを渡したりする複雑なパイプラインを構築することなく、コード検証、Webリサーチ、文書インテリジェンス、サイバーセキュリティ、動画理解などの複雑なマルチステップのタスクを効率的に処理できます。

カスタマイズ面では、NVIDIA NeMoオープンライブラリを使用して、組織特有のデータ、ツール、ポリシーに合わせたポストトレーニング（事後学習）が可能です。NeMo AutoModelによる監視付きファインチューニング（SFT）やLoRAのほか、強化学習を用いてドメイン特有の精度を大幅に向上させることができます。Hugging Face上では、エージェント向けツール利用データやマルチモーダルデータを含む豊富なオープンデータセットも同時に公開されており、カスタムトレーニングに活用できます。

内部構造や推論の高速化技術においても多くの工夫が盛り込まれています。蒸留技術やマルチ・ティーチャー学習によりベースモデルの性能を高めており、並列予測を効率化するオープンな推論技術「LiLiCorr」によって、推論時のトークン生成速度を最大2.3倍に向上させています。また、NVIDIA Blackwellアーキテクチャ向けのNVFP4量子化や混合精度、マルチトークン予測（MTP）、エージェントターン間でのコンテキスト再利用（プレフィックスキャッシュ）などにより、高スループットと低レイテンシを両立しています。

デプロイに関しては、最適化された推論エンジンや標準APIを提供する「NVIDIA NIM」や、分散推論を最適化する「NVIDIA Dynamo」を組み合わせることで、実運用環境への組み込みが容易になっています。開発者はHugging FaceやModelScope、OpenRouterなどを通じてチェックポイントやAPIにアクセスし、自社の特化型エージェント開発に活用することができます。

引用元: https://developer.nvidia.com/blog/nvidia-nemotron-3-5-super-vl-powers-specialized-agents-with-multimodal-reasoning/

Metaがコーディングエージェントのワークフローに特化した巨大なMixture-of-Experts（MoE）モデル「Muse Spark Open」を発表しました。このモデルは総パラメータ数が816B（8160億）でありながら、スパースルーティング機構により1トークンあたり42Bのパラメータをアクティブ化することで、巨大なモデル規模でありながら効率的な推論を実現しています。最大100万トークンのコンテキストウィンドウを備えているため、単なるコードスニペットの生成だけでなく、プロジェクト全体や複雑な依存関係、数千ファイルに及ぶコードベースを一度に読み込んでリファクタリングやデバッグを行うことが可能です。

また、本モデルはテキスト、画像、動画、音声といったマルチモーダルな入力をネイティブに処理できる1.8Bのパーセプションエンコーダを搭載しています。これにより、開発者が遭遇するスクリーンショット、図解、エラーログ、音声解説付きの画面録画などを単一の推論パスで統合的に理解し、計画、実行、自己修正を行う高度なエージェント動作が可能になります。各アクションの実行前に実行内容の解説を生成するため、開発者がエージェントの意図を把握しやすい仕組みも取り入れられています。

インフラ面では、NVIDIAのGB300 NVL72プラットフォーム（Blackwell Ultra GPU）向けに最適化されており、NVFP4チェックポイントを利用することでメモリフットプリントを削減しつつ高いスループットを実現しています。これにより、複数ターンの複雑なエージェントセッションや、大規模なKVキャッシュを効率的に処理できます。さらに、vLLMやSGLang、TensorRT-LLMなどの主要な推論スタックに対応しており、NVIDIA NeMo AutoModelやMegatron Bridgeを用いた追加のファインチューニングやプロダクション向けのトレーニングもサポートされています。新人エンジニアの視点としても、今後のAI開発やコード支援ツールにおいて、単なる自動補完から自律的なエージェントによる複数ファイルの連携開発へのシフトを理解する上で非常に重要な最新動向となっています。

引用元: https://developer.nvidia.com/blog/scale-agentic-coding-workflows-with-metas-muse-spark-open-on-nvidia-gb300-nvl72/

Liquid AIは、端末上（オンデバイス）での高速動作とプライバシー保護を重視して設計された、総パラメータ数24B・アクティブパラメータ数2Bの推論モデル「LFM2.5-24B-A2B」をオープンウェイトで公開しました。これはLFM2.5シリーズの最大かつ最後のモデルであり、ベースモデルと事後学習済みモデルがHugging Faceなどで入手可能です。

本モデルは、最終的な回答を出力する前に明示的な思考の連鎖（Chain of Thought）を生成する推論専用モデルとして構築されています。アーキテクチャ面では、40層構造、トップ4ルーティングのMoEブロック（1ブロックあたり64エキスパート）、ゲート付きショート畳み込みとGQAのハイブリッド構造を継承しつつ、コンテキストウィンドウを従来の32,768トークンから131,072トークンへと拡張しています。さらに、インプレースのトークナイザー拡張により、ボキャブラリーサイズを65Kから128Kへと倍増させ、非ラテン文字のトークン化効率を向上させています。

事前学習の規模は17Tトークンから33Tトークンへとスケールアップされており、ミッドトレーニングでは品質重視のデータによる推論・数学・コード・多言語の強化と、131Kのロングコンテキスト対応が行われています。事後トレーニングでは、教師モデルによる特殊化や、エージェント環境（OpenClaw、Hermes Agent、Pi、OpenCodeなど）を活用したマルチドメインのオンプラシー蒸留およびエージェント強化学習（Agentic RL）が導入されています。

各種ベンチマークでは、総・アクティブパラメータ数がより多い他社のMoEモデル（Qwen3.6-35B-A3Bなど）と比較して、AutomationBench、BFCLv4、ToolSandbox、LiveClaw、τ³-Bench Bankingといったツール使用やエージェントワークフローに関する5つのベンチマークで匹敵またはそれを上回る性能を記録しています。特にAutomationBenchでは次点のモデルの3倍以上のスコアを叩き出しています。

推論速度の面でも非常に優れており、LFM2アーキテクチャの効率性により、Apple M5 Max上で184トークン/秒、単体のNVIDIA B300 GPUを用いた高負荷な環境下では21,000出力トークン/秒を超えるスループットを達成しています。llama.cpp、MLX、vLLM、SGLang、ONNXといった主要な推論エコシステムにも初日からネイティブ対応しており、Apple SiliconやAMD、Qualcomm、NVIDIAのハードウェア上で効率的に動作します。これにより、クラウドAPIに依存せず、ユーザーの端末上でローカルエージェントをスムーズに稼働させるための強力な基盤を提供します。

引用元: https://www.liquid.ai/blog/lfm2-5-24b-a2b

JPEGファイルのExif仕様にはサムネイル画像を持たせる機能がありますが、仕様上はサムネイル内のJPEGストリームにAPPnマーカなどの記録は禁止されています。しかし、この記事では好奇心からChatGPTを利用して、JPEGのExifサムネイル領域の中にさらに別のサムネイル画像を再帰的に（マトリョーシカのように）埋め込んだ画像を作成しています。規格違反のバイナリ構造ではあるものの、一般的な画像として表示でき、ExifToolを用いることで階層化されたサムネイル画像を順次取り出してパースできることを確認しています。エンジニアの遊び心やファイルフォーマットの構造をハックする楽しさを伝える技術系の面白い試みとなっています。（368文字）

引用元: https://blog.sushi.money/entry/2026/10/15/175941

VOICEVOX:ずんだもん

AIエージェント開発プラットフォームを提供するAmpは、OpenAIの最新モデル群を活用し、開発者がアイデアを実際のソフトウェアにするための支援機能を拡張しています。Ampではユーザーの用途に応じて最適なモデルを推奨しており、トークン使用量の大部分にOpenAIモデルが採用されています。CEOのQuinn Slack氏は、OpenAIモデルの優れた一貫性と透明性、安全性に対する信頼の高さを評価しています。

エージェントがより多くのタスクをこなすにつれてトークンコストが制約になる課題に対処するため、Ampは「Sign in with ChatGPT」連携を導入しました。これによりユーザーはより多くのトークンや「GPT-6 Astra」などの先進的なモデルにアクセスできるようになり、コストを過度に気にすることなくエージェントに大きなタスクを任せられる環境が整います。その結果、エージェントはコードの記述だけでなく、計画の立案、開発内容の決定、リリース後の継続的な作業までを自律的にこなせるようになっています。

また、Ampの20人規模のチームでは、マーケティングや新規ユーザー体験の向上、検索流入の拡大などの業務にもAIエージェントを活用しています。特に「GPT-6 Astra」は、同社の厳格な基準を満たす高品質なドキュメント作成やデザインページの生成に貢献しています。さらに、Slack氏の個人的な実験では、自宅の設計図からBlenderの3Dモデルを作成し、それをゲーム化するといった高度な用途にも活用されており、数ヶ月前には不可能だったことが実現可能になっている点が強調されています。

音声対話機能としては、Ampに組み込まれた会話型AIアシスタント「Puck」が発表されました。Puckは、バグ調査を行うエージェントの起動や、複数のエージェントの調整、過去の技術的な会話の検索などをサポートします。「GPT-Live‑1」を搭載した「Calling Puck」機能により、ユーザーはスマートウォッチなどから外出先でもリアルタイムで音声対話を行い、離れた場所からエージェントの作業を管理できるようになります。

さらに、Ampは「GPT-6 Astra」を活用した「Ultrafast」モードのテストを進めており、圧倒的な処理速度の向上がユーザーのエージェントの使い方を大きく変えつつあります。応答速度が飛躍的に向上したことで、ユーザーは複数のタスクを切り替える必要が減り、エージェント自身が結果を返す前に自ら成果物を検証する時間を十分に確保できるようになります。Ampは今後、コーディングの前後の工程までエージェントの適用範囲を広げ、開発者がよりスムーズにアイデアを具現化できるエコシステムの構築を目指しています。

引用元: https://openai.com/index/amp-beyond-coding

Third Moment Research社は、OpenAIの最新モデル（GPT-6 Astra、GPT-6 Sol、GPT-6.1 Solなど）とCodexハーネスを活用し、1万ものAIエージェントを36〜48時間にわたって自律稼働させる大規模な実践事例を公開しました。同社は、エージェントの挙動を理解し、弱点を特定して自動的に数千の合成シナリオを作成する自己改善型のAIシステムを構築しています。

定量金融分野における初期の応用事例では、CodexとGPT-5.6を用いてエージェントのシロミュレーション軌跡を分析し、バックテストに数時間かかっていたボトルネックを特定しました。キャッシングの最適化とメモリパッキング技術を適用することで、バックテストの実行時間を約3時間から3〜5分へと大幅に短縮し、トークンの無駄遣いやコンテキストの汚染を防ぐことに成功しました。

また、各エージェントにはDocker環境内で動作するデフォルトのCodexハーネスが提供され、1テラバイトのデータやドキュメント、リポジトリが与えられます。推論にはGPT-6 AstraやSolシリーズが使用され、タスクを途中で停止してしまうエージェントに対しては、上位のハーネスが軌跡を検査してリトライや終了、人間へのエスカレーションを判断する仕組みをとっています。これにより、人間が想定していなかった取引所における非表示取引の影響を発見するなど、自律的な深層リサーチを実現しています。

さらに、数万規模のエージェントが自律稼働する環境のセキュリティを確保するため、Daybreakサイバーセキュリティプラットフォームを活用してエージェント自身による環境のペネトレーションテストを自動化しています。今後は、個別の調査から数十万もの協調するサブエージェントへと規模を拡大し、数兆トークンを背景にした複雑な実験チェーンを通じて、エージェント自身が新しい課題に対応して継続的に自己改善していくエコシステムの構築を目指しています。新人エンジニアにとっても、最先端の大規模AIエージェント運用におけるボトルネック解消手法や、長期自律稼働のアーキテクチャを理解する上で非常に示唆に富む内容となっています。

引用元: https://openai.com/index/third-moment-research

この記事は、セキュリティ企業であるSentinelOneが、OpenAIの新技術を活用して高度なマルウェアのリバースエンジニアリングにかかる時間を劇的に短縮した事例について解説しています。新人エンジニアの皆さんがセキュリティ分野におけるLLM（大規模言語モデル）の最新の活用アプローチを理解する上で、非常に参考になる内容となっています。

従来、高度なマルウェアの解析にはトップクラスのセキュリティ研究者であっても4週間から6週間という膨大な時間を要していました。しかし、SentinelOneのチーフAIオフィサーであるGregor Stewart氏によれば、OpenAIの「Daybreak」を導入したことで、人間と同等レベルのリバースエンジニアリング出力を約8時間という短時間で生成できるようになったとのことです。

この技術革新により、セキュリティチームには以下のような大きな変化とメリットがもたらされています。

解析能力の飛躍的な向上と網羅的な調査

人間による「責務（Accountability）」の維持

セキュリティ業務の民主化と開発チームへの展開

このように、LLMは単なるテキスト生成にとどまらず、サイバーセキュリティの領域においてディフェンダー（防御側）の優位性を高める強力なツールとして実務で成果を上げ始めています。新人エンジニアにとっても、AIを開発やセキュリティのワークフローに組み込む際の具体的なユースケースとして、非常に示唆に富む事例と言えます。

引用元: https://openai.com/index/sentinelone

株式会社ターリン・インターナショナルから、Intel、ASRock、GIGABYTE、MSIの4社が監修したカプセルトイ「メーカー監修 手のひらPCパーツ」が10月21日より全国で発売されます。価格は1回500円で、全5種類のラインナップです。

引用元: https://www.gdm.or.jp/pressrelease/2026/1014/656089

（株式会社ずんだもんは架空の登場組織です）

Google DeepMindは、難関タスク向けの新たな最先端推論モデル「Gemini 4 Argon」を公式発表しました。コーディング、金融、法務、サイバーセキュリティ、科学などの複雑な実世界タスクにおける深い思考と高い精度を特徴としており、経済セクターのパフォーマンスを測定する「Vals Index」で1位を獲得しています。価格は入力トークンが100万あたり2ドル、出力トークンが100万あたり10ドル（キャッシュ済み入力トークンは95%オフ）で提供されます。

エンジニアリング分野においては、Google社内のChromeブラウザのレガシーコードの分離やアーキテクチャのリファクタリング、オープンソースの「Agent Development Kit (ADK)」のパフォーマンス最適化などで活用され、エージェントによるコード提出を35%以上増加させつつロールバックを約3分の1に削減するなどの実績を上げています。また、vLLMを用いたGemma 4 E2Bの推論速度をA100上で2.85倍に高速化（約37,900から108,000トークン/秒超へ向上）させるなど、大規模なコードベースの最適化やリファクタリングにおいて優れた成果を出しています。

科学やサイバーセキュリティの領域でも高い能力を発揮しており、量子化学パッケージの最適化や、量子誤り訂正デコーダー「AlphaQubit」の推論スループットの倍増、レアケースの遺伝子解析、酵素設計などを加速させています。サイバーセキュリティでは、Wizなどのパートナー企業が脆弱性の早期発見や重要インフラの保護に活用しています。さらに、ロボット工学の分野では「Embodied Reasoning (ERQA)」ベンチマークで87%を記録し、人間の作業動画から空間座標や関節の動きを計算してシミュレーションコードを自動生成し、人型ロボットへ実応用する「Video-to-Sim-to-Real」パイプラインを実現しています。

安全性と信頼性の面では、フロンティア・セーフティ・フレームワークに基づいたマルチレイヤーの防御スタックが導入されており、バイオ分野のレッドチーム評価では不正なサブタスクの解除率を1%未満に抑えるなど、従来モデルと比較して有害なリクエストへの耐性が大幅に向上しています。また、不正なショートカットを防ぐためのアライメント訓練や、リアルタイムの誤動作モニター、グレイ・スワンの「間接的プロンプトインジェクション（IPI）」ベンチマークで攻撃成功率を0.7%に抑える強力な耐性を備えています。

提供形態としては、APIを通じてAI StudioやGeminiプラットフォームで開発者や企業向けにグローバルで利用可能となっており、Google Antigravity、Geminiアプリ、AI Mode in Searchなどでも提供されます。さらに、科学者や研究者を対象とした無料利用枠の提供や、サイバーディフェンダー向けのFairwindプログラムの拡張も行われています。

引用元: https://deepmind.google/blog/introducing-gemini-4-argon/

「Gemini 4 Argon」は、物理的な理解、コード生成、視覚的・意味的推論において優れた性能を発揮する汎用物理推論モデルであり、ロボティクス分野のライフサイクル全体に適用できる特徴を持っています。3D環境における空間的・物理的課題を解決するベンチマーク「Embodied Reasoning (ERQA)」では87%を記録し、他のフロンティアモデルを上回る性能を示しています。

本モデルは、ロボット制御、Real2Sim（実世界からシミュレーションへの移行）、物理的理解、研究・自己改善という4つの主要領域で活用可能です。

ロボット制御（Robot Control）

Real2Sim

物理的理解（Physical Understanding）

研究と自己改善（Research and Self-Improvement）

利用開始方法として、Google AI StudioのGoogle AI Ultra加入者や、Gemini APIの有料ティアを通じて「gemini-4-argon」を利用することが可能です。

引用元: https://deepmind.google/blog/gemini-4-argon-for-robotics/

Anthropic社では、Claudeによる自律的なコード生成やリサーチの自動化が進んだ結果、2026年5月には1日あたり約2,500件だったマージ数が、同年9月には30,000件を超える規模に急増しました。これに伴い、人間のスケールを前提に設計された従来の分散型バージョン管理システムであるGitでは、100GBに及ぶリポジトリ履歴や膨大なCIチェックアウトのリクエストを処理しきれなくなるというボトルネックが発生しました。この課題を解決するため、同社はわずか5カ月の間に、内製のバージョン管理システム「Scion」をゼロから構築し、モノレポの移行を完了させました。

Scionの設計において最も根底にある原則は「クライアント（AIエージェントやジョブ）は常にオンラインである」という点です。従来のGitがオフライン作業を前提にリポジトリ全体を各クライアントにクローンするのに対し、Scionはサーバーとクライアントの非対称性を採用しています。サーバー側がファイル履歴やマージ、コミット生成、派生データの計算などを集中的に担い、クライアント側はディスク上の作業コピーや軽量なローカルキャッシュを管理します。これにより、リポジトリ全体をクライアント側に保持する必要がなくなり、ネットワークおよびCPU負荷を劇的に削減することに成功しました。

データ構造の面では、Gitのような巨大なパックファイルや複雑なロック機構を廃し、書き込み先行ログのエントリである「チェンジセット」を採用しています。チェンジセットには第一親からの差分ファイルリストのみが記録され、競合のない高スループットな書き込みを実現しています。また、ファイルのアノテーションやパス履歴といった「派生データ」は、必要に応じて再帰的かつ遅延評価的に計算されるため、リポジトリの肥大化に伴うメンテナンス作業が不要となりました。

アーキテクチャ全体としては、階層化されたキャッシュサーバー（scion-cache）がメモリ上でオブジェクトを直接ストリーミング配信し、キャッシュヒット率99%以上を維持しています。この結果、従来のGitミラーリングインフラと比較してCPU・メモリ要件を200分の1に縮小し、CIやリサーチジョブにおけるコードチェックアウトを数分から数秒へと大幅に高速化、CI単体で25%のCPU容量削減を達成しました。

この開発プロジェクトはわずか7人のチームによって進められましたが、その過程でClaude自身を活用することでコード生成や最適化が加速されました。AIによるコード生成の爆発的な増加がもたらすインフラの限界に対し、サーバー中心の常時接続型アーキテクチャが極めて有効であるという実践的な知見を示しています。

引用元: https://www.anthropic.com/engineering/redesigning-source-control

カードゲーム「ウノ アタック エクストリーム」の取扱説明書に記載された「大量のカードが発射されます。本当に、ものすごい量です。」というあまりに素直すぎる警告文がX（旧Twitter）で話題を集めました。実際にマシンからカードが勢いよく飛び出す映像が投稿されると、その想像以上の激しさとスピード感に「ウワーーーー！えらい出る！」といった驚きや爆笑の反応が続出しました。手持ちのカードが25枚を超えるとアウトになる過酷なルールや、想像を超える豪快な発射の様子が多くのユーザーの笑いを誘い、和やかな盛り上がりを見せています。

引用元: https://togetter.com/li/2757538

（株式会社ずんだもんは架空の登場組織です）

Sakana AIが発表した「MASS（Multi-Agent Self-Supervision）」は、AIモデルが自身の能力を自律的に向上させる再帰的自己改善（RSI）の新しいフレームワークです。フロンティアモデルの進化が進むと、人間が正解を検証することが困難になる非検証的なタスクが増加するため、AI自身が評価者、最適化者、実行者のすべての役割を担うホモジニアス（同質的）なループを構築する必要があります。MASSは、マルチエージェントシステムの集合知を活用し、チームの協調作業の経験を共有モデルの自己教師あり学習のシグナルとして蒸留します。

MASSのプロセスは、大きく「内側ループ」と「外側ループ」の2つに分かれます。内側ループでは、モデルの重みを固定した状態で、評価者のフィードバックをもとにオプティマイザがエージェント間のワークフロー（役割、指示、契約、手順）を探索・最適化します。ここでは、各サブエージェント間でやり取りされるデータやチェック項目を定めた「契約（Contract）」と「呼び出し順序（Hop）」が情報流を最大化する鍵となります。外側ループでは、最適化されたワークフローを用いて複数回実行を行い、生成された軌跡（メッセージやツールコールの履歴）をモデル自身が評価・ランク付けします。高水準な軌跡を抽出してLoRAを用いてモデルをファインチューニングすることで、チームの経験を共通の重みに統合します。

Qwen3.6-27Bをベースモデルとした実験では、2ラウンドの学習を経て、外部評価者によるベースモデルとの勝率がテストタスクで69.9%に向上し、MLR-Benchなどの公開ベンチマークでもトークンあたりのスコアが1.2〜1.6倍に改善しました。さらに、タスク解決の軌跡のみで学習を行ったにもかかわらず、ワークフローオプティマイザやワークスペース評価者の性能も同時に向上する「役割の汎化」が確認されました。また、単一エージェントの軌跡と比較して、マルチエージェントの軌跡はより濃い学習シグナルを提供し、少ない学習トークンで効率的な性能向上が得られることが示されています。

本研究の重要な発見として、自己改善ループにおけるボトルネックは評価者ではなくオプティマイザ側にあることが挙げられます。強力なオプティマイザを組み合わせることで効率的な探索が可能になりますが、テキスト空間でのワークフロー探索には変動やノイズも伴います。著者らは、人間による完全な検証が難しい領域においてAIが自律的な学習を進める「Odyssean moment（オデュッセウスの瞬間）」を見据えつつ、共通の盲点が誤った改善を固定化してしまうリスクや安全性・監視の重要性についても警鐘を鳴らしています。新人エンジニアの視点では、マルチエージェントの協調設計や、エージェントシステムの体験データをモデルの強化学習やファインチューニングに還元する最先端の学習パイプラインの仕組みを深く学べる内容となっています。

引用元: https://pub.sakana.ai/mass/

Meta AI Researchは、個人およびプロフェッショナル向けの次世代エージェントモデルシリーズ「Muse Wonder」および「Muse Wonder Full」を発表しました。これらは、事前学習と強化学習の予測可能かつ厳密なスケーリングアプローチに基づいて開発された、Metaのこれまでで最も高性能なフラグシップモデルです。巨大なPrometheusデータセンターで訓練され、個人用スーパーインテリジェンスの実現に向けた大きなマイルストーンとなるモデルとして位置づけられています。

Muse Wonderシリーズの最大の特徴は、「Active Memory（アクティブメモリ）」と「Active Focus（アクティブフォーカス）」という2つの核心的機能を統合している点です。Active Memoryにより、モデルは会話をまたいでユーザーに関する重要な文脈を保持し、目の前のタスクに関連する詳細を自律的かつ継続的に検索・維持することが可能になります。また、Active Focusにより、長期にわたる挑戦的な目標に対して代替アプローチを試行し、ブロッカーを解消しながら、新しい情報に適応して粘り強く作業を継続できます。重要なアクションを実行する前にはユーザーに確認や明確化を求めるなど、実用的なエージェントとしての動作を実現しています。

専門領域のタスクにおいては、法律、金融、健康などの分野で優れた専門知識を発揮します。例えば、法務分野におけるHarveyのLegal Agent Benchmarkや、金融分野のVals Finance Agent V2などにおいて、ソースドキュメントを正確に扱い詳細な指示に従う高度な処理能力を示しています。さらに、コーディング分野でも最先端のパフォーマンスを発揮し、小規模なアプリケーションから、コードベース全体の変更やテスト・修正の繰り返しを伴う長期的なソフトウェアエンジニアリングプロジェクトまで幅広くサポートします。

評価と汎用性の面では、トレーニング時に想定していなかった未知のタスク（アウト・オブ・ディストリビューション）に対しても優れた適応力を示しています。テスト時の計算量をスケーリングする実験において、強力なベースモデルを土台に持つMuse Wonder Fullは、特有のトレーニングを行っていない未知のタスクに対しても予測以上の高いパフォーマンスと頑健性を発揮することが確認されています。これにより、ユーザーの多種多様な目標、ツール、制約が絡み合う複雑な状況に対応できる高い汎用性が確保されています。

安全性とアライメント（整合性）の面でも大きな進歩を遂げています。個人情報やプライベートな文書、メッセージ、カレンダーなどを扱う個人エージェントには高度な機密保持と悪用に対する耐性が求められます。Muse Wonderシリーズは、不正なコード実行の防止や個人情報の慎重な取り扱いの面で優れた性能を示しています。さらに、化学・生物・放射線・核（CBRN）およびサイバー関連の悪用に対する厳格なセーフガードを備えつつ、防御目的での最先端サイバー機能へのアクセスを維持するなど、Metaのスーパーインテリジェンス・スケーリング・フレームワークに準拠した強固な安全対策が施されています。

提供面では、「Muse Wonder」がMeta Model APIやMuse Codeを通じて本日から利用可能となっており、「Muse Wonder Full」もMuse Codeの登録者向けに提供が開始されています。今後は「Muse」アプリ内の各種機能の基盤としても順次導入される予定であり、AIエンジニアや開発者にとって今後のエージェント開発や応用を考える上で非常に重要な最新モデルとなっています。

引用元: https://research.meta.ai/blog/muse-wonder

この記事では、既存のサブワードベースの大規模言語モデル（LLM）を、文字（UTF-8バイト）単位で効率的に動作するように改造・再学習させる新技術「バイトフィケーション（Byteification）」について解説しています。

現代の主要なLLMは、テキストを直接処理せず、事前に「サブワード（単語の断片）」の単位に分割（トークナイゼーション）してから処理を行っています。このサブワード方式には、文字レベルの細かいニュアンスの理解が難しいことや、プロンプトの切り方によって生成結果が偏る、多言語対応における英語への過度な偏りといった課題がありました。その解決策として、最小単位であるバイト列を直接扱う「バイトレベルLLM」の研究が進められてきましたが、これまでは一からランダム初期化で学習させる必要があり、最先端のサブワードモデルの性能に追いつくには膨大なコストがかかるため広く普及していませんでした。

そこで研究チームは、既存のオープンな高性能サブワードモデル（Olmo 3、Qwen3、Llama 3など）の重みをベースにしつつ、モデルの一部を置き換えてバイト単位で動作させる汎用的な手法「バイトフィケーション」を提案しました。具体的には以下のアーキテクチャと2段階の学習プロセスを採用しています。

新人エンジニアの視点として、この研究は「LLMの根幹であるトークナイゼーションの仕組みを根本から見直し、既存の巨大な学習済みモデルの資産を無駄にせずにより低コストでバイトレベルモデルへとコンバート（移行）できる技術」として非常に重要です。モデル設計の基礎技術や、アーキテクチャの変更に伴う蒸留・結合手法の具体例を学ぶ上で大きな示唆を与えてくれます。

引用元: https://www.nature.com/articles/s41586-026-11111-4

AIエージェントである「Claude Code」が人間と協働し、レンタルドローンを用いて現実世界の河川敷を観測したユニークな実践レポートです。AI自身は現地や空を見ることができませんが、人間が安全確認しながら飛行した軌跡を「ウェイポイント」と呼ばれる記録として受け取り、その情報をもとに効率的な飛行計画を設計しました。本記事では、AIが自律的にドローンを操縦するのではなく、人間が現場の現実を伝えて安全と判断を下し、AIが試行錯誤と計画の最適化を担う「Human-in-the-Loop」の具体的な役割分担について解説しています。約7,700円のレンタル機材という身近な環境から、AIが現実世界の反復的な観測や地図作成に参加できることを示しています。

引用元: https://note.com/yuiseki/n/nb675320ee5fe

（株式会社ずんだもんは架空の登場組織です）

IBMは、推論能力とエージェント機能に特化したオープンなLLMファミリー「Granite 4.2」を発表しました。モデルサイズは3B、8B、30Bの3種類が用意されており、すべてのモデルがApache 2.0ライセンスで公開されています。Granite 4.2は、従来の指示追従能力に加えて明示的な「推論能力」を統合した点が最大の特徴です。回答を生成する前に思考プロセス（Chain of Thought）を出力する機能を持ち、タスクの難易度や目的に応じて「通常思考モード（thinking）」、「非思考モード（non-thinking）」、および簡単な質問に対して短い思考予算を割り当てる「低負荷思考モード（low-effort）」を切り替えることができます。また、すべてのモデルでネイティブなツール呼び出し（Tool Calling）をサポートしています。

アーキテクチャ面では、デコーダオンリーのデンス・トランスフォーマーを採用しており、Grouped Query Attention（GQA）、Rotary Position Embedding（RoPE）、SwiGLU活性化関数、RMSNormなどを組み合わせています。コンテキスト長は最大131,072トークンに対応しており、ベースモデルとなったGranite-4.1の事前学習フェーズでは512Kトークンまでの拡張が行われています。

学習パイプラインは非常に洗練されており、事前学習、教師ありファインチューニング（SFT）、そして複数ステージによる強化学習（RL）の組み合わせで構築されています。SFTでは、エージェント特化データと非エージェント特化データを組み合わせた約7200万サンプル（約100Bトークン）を使用し、LLMジャッジを用いた品質管理や重複排除を行ってデータのクオリティを高めています。30Bモデルでは、エージェントコーディングに特化した第2フェーズのSFTも追加実施されています。

強化学習（RL）では、非同期のGRPO（Group Relative Policy Optimization）を用いたマルチステージ・マルチ環境のパイプラインを採用しています。3Bモデルは基礎的なRLとアライメントのみですが、8Bおよび30Bモデルにはエージェントとしての動作を学習させるための「エージェントRLブロック」が組み込まれています。このブロックでは、ソフトウェアエンジニアリング（SWE）、ターミナル操作、ウェブ検索といった現実のサンドボックス環境を用いたマルチターンでのタスク解決を学習し、実際の環境における成功報酬をベースに最適化が行われます。この学習基盤には、NVIDIAの「NeMo-RL」と「NeMo-Gym」が活用されており、生成とトレーニングの処理を非同期で行うことで効率的な大規模分散学習を実現しています。

推論やデプロイの面では、vLLMやSGLangなどのオープンな推論エンジンに対応しており、OpenAI互換のエンドポイントを通じて追加のラッパーなしでエージェント用ハーネスに組み込むことができます。また、FP8、NVFP4、MXFP4といった量子化バリアントや、llama.cpp向けのGGUF形式も提供されており、リソースに応じた柔軟なデプロイが可能です。新人エンジニアがローカル環境や実務のAIエージェント開発においてオープンモデルを活用する際、その内部構造や強化学習・ツール統合の設計を学ぶ上で非常に有益なモデルとなっています。

引用元: https://huggingface.co/blog/ibm-granite/granite-4-2

Metaがオープンソースの新しいマルチモーダル大規模言語モデル「Muse Glimmer-30B」を発表しました。本モデルは30Bパラメータのモデルで、Apache 2.0ライセンスのもとで公開されており、プライバシーの保護やコスト削減、ローカル環境でのエージェント利用を強く意識して設計されています。プログラミング、ドキュメント解析、個人アシスタント、ClawやHermesのようなセットアップ用途に最適です。

アーキテクチャの最大の特徴は、2BパラメータのViTスタイルな視覚エンコーダー（Perception Encoder）と、28Bパラメータのテキストデコーダーを組み合わせている点です。テキストデコーダーには、2,048トークンのスライディングウィンドウアテンションとフルアテンションを交互に繰り返すハイブリッドアテンションや、KVキャッシュのメモリ消費を16分の1に削減するGated Grouped-Query Attentionが採用されています。また、DFlashを用いたオプションのスペキュラティブデコーディング（ドラフターモデル）により、コード生成などの構造化コンテンツ生成時においてメモリコストを抑えながらより高速な推論を実現できます。

Hugging Faceのtransformers、llama.cpp、vLLM、Hugging Face Inference Endpointsなどの主要ライブラリやツールでDay-0からネイティブサポートされており、すぐに導入・検証が可能です。transformersでは、AutoModelForMultimodalLMとAutoProcessorを使ってテキスト、画像、動画の推論やマルチモーダルなツール呼び出し、オブジェクト検出を数行のコードで実行できます。また、llama.cppやTRLを用いたSFT・Async GRPOなどのファインチューニングにも対応しており、実用的なローカル開発環境への組み込みが容易になっています。

引用元: https://huggingface.co/blog/muse-glimmer

StepFun社が開発した新しいフラッグシップモデル「Step 5 Preview」のリリース情報およびAPI提供に関する詳細について解説します。新人エンジニアの方向けに、このモデルの概要や特徴を分かりやすく整理して説明します。

まず、「Step 5 Preview」はエージェント型の作業に特化して設計された大規模言語モデルです。アーキテクチャにはスパースMixture-of-Experts（MoE）方式を採用しており、総パラメータ数が約600B（6000億）であるのに対し、1トークンあたりにアクティブとなるパラメータ数は27Bとなっています。これにより、大規模なコードベースや膨大なドキュメントを横断する長時間のタスクにおいて、ツールを駆使しながら複数ステップで結果を洗練させていく高い能力を発揮します。特にソフトウェアエンジニアリングや専門的な知識労働、金融分野において優れたパフォーマンスを示します。

技術的な仕様や価格体系を見ていきます。入力トークンあたりの価格は100万トークンあたり1.00ドル、出力トークンあたりの価格は2.70ドルとなっており、キャッシュ読み取り時は0.05ドルに設定されています。コンテキストウィンドウは1,000,000トークンという非常に大きな容量をサポートしており、補完（completion）トークンは最大64,000トークンまで対応しています。また、テキストだけでなく画像や動画を入力として受け付けるマルチモーダル機能に対応しており、出力はテキストで行われます。

機能面では、関数呼び出しを行うための「tools」パラメータの受け入れや、JSONスキーマを利用した構造化出力（structured outputs）に対応しています。これにより、既存のOpenAI互換のAPIクライアントやSDKを使用している場合、ベースURLとモデルスラッグ（stepfun/step-5-preview）を切り替えるだけで、スムーズに統合・利用することができます。OpenRouter経由での提供となっており、スループットやレイテンシ、稼働状況（アップタイム）などのパフォーマンスデータも公開されているため、プロダクトへの組み込み検討時に参考にしやすくなっています。

このモデルを活用している主要なオープンソースのAIエージェントやアプリケーションとしては、「OpenClaw」、「Hermes Agent」、「Cline」、「Kilo Code」などが挙げられます。これらはVS CodeやJetBrainsなどのIDE、CLI、メッセージングアプリなどと連携して、コードの自動探索やファイル編集、ターミナルコマンドの実行などを自律的に行うツール群であり、実際の開発現場におけるエージェントワークフローで広く利用されています。長大なコードベースを扱うエージェント開発や、高度な自動化タスクを検証したいエンジニアにとって、注目すべき新しい選択肢の一つとなります。

引用元: https://openrouter.ai/stepfun/step-5-preview

株式会社インターリンクの子会社であるインターリンクシステム創成研究所が、新gTLDプログラム「2026 Round」において、新トップレベルドメイン「.neko」をICANNに申請したと発表しました。2026年10月8日の「Reveal Day」の公開情報により、同一文字列での他の申請がないことが確認されています。「.neko」は、個人や団体が猫文化への思いや活動を表現できるインターネット上のアドレスとして、コミュニティづくりや保護猫活動、ビジネスなどの用途を想定しています。今後はICANNによる評価などの手続きを経て、レジストリとしての運用開始を目指していく予定です。

引用元: https://prtimes.jp/main/html/rd/p/000000603.000006942.html

VOICEVOX:ずんだもん

OpenAIは、週に12億人以上が利用するChatGPTに向けて、次世代の主力モデル「GPT‑6」および新機能「Intelligent UI」を世界的にリリースしました。このアップデートは、ユーザー体験やAIとのインタラクションのあり方を大きく変える重要な発表となっています。

GPT‑6の最大の特徴である「Intelligent UI」は、ユーザーの質問や目的に応じて、テキストだけでなく、グラフィック、タップ可能なボタン、フォーム、チャート、インタラクティブな体験を動的に組み合わせて応答する機能です。従来の静的なテキスト中心の会話型インターフェースから脱却し、例えば料理のレシピと分量計算テーブルを同時に表示したり、複雑な概念をインタラクティブな図解で説明したり、その場でタスクを解決するためのカスタムツール（電卓や割り勘アプリなど）を動的に生成することが可能です。

このIntelligent UIを実現するため、OpenAIはモデルにネイティブかつストリーミング可能なコンポーネントライブラリを組み込みました。また、モデルが生成するプロセスに合わせてインターフェースをプログレッシブに表示するコンパイラを開発し、応答全体が完了するのを待たずにスムーズにUIを描画できるようにしています。トレーニング手法も拡張され、モデルがコンテンツ、レイアウト、視覚要素、インタラクションについて適切なデザイン判断を下せるよう最適化されています。

さらに、GPT‑6では「思考と回答のインターリーブ（統合）」が導入されました。これまでの推論モデルでは回答を得るために長い思考時間を待つ必要がありましたが、GPT‑6ではユーザーの待ち時間を考慮し、思考しながら部分的な回答を段階的に構築・出力することが可能です。Web検索を伴う質問においても、従来のモデルと比較してより迅速に検索判断を行い、より高精度に回答を生成します。

安全性に関しても、GPT‑6は「Astra」の安全性の進歩を引き継ぎ、サイバー攻撃や生物学的脅威、暴力などの高リスクな悪用に対する耐性が強化されています。マルチターン（複数回のやり取り）にわたる敵対的テストにおいても安全性トレーニングのバイパスに対する抵抗力が向上しており、会話履歴や文脈をより深く理解してリスクを認識できるようになっています。

提供開始については、まず本日よりChatGPTのPlus、Pro、Business、およびEnterpriseの各プランに対して「GPT‑6 Sol」をベースとしたIntelligent UIが順次展開され、翌日からはFreeおよびGoの各プラン（GPT‑6 Lunaベース）へと順次拡大されます。今回のアップデートはチャット体験を対象としており、WorkやCodexを駆動するモデルは対象外となっています。AIがソフトウェアの使い方を固定するのではなく、ユーザーの目的に合わせてソフトウェア側が適応していく未来に向けた大きな一歩となります。

引用元: https://openai.com/index/gpt-6-for-everyone

株式会社Preferred Networks（PFN）は、日英・英日および多言語翻訳において極めて高い性能を発揮する新しい翻訳特化型の大規模言語モデル（LLM）「plamo-3-translate」を発表しました。本モデルは、前世代の「plamo-2-translate」と比較して数百倍に及ぶ大規模な学習トークン量と高品質なデータ合成の計算量を投じて開発されており、ブラウザ翻訳やファイル翻訳、会議翻訳などを提供する「PLaMo翻訳」サービスにて順次利用可能となっています。

新人エンジニアが理解すべきポイントとして、plamo-3-translateは8Bサイズから最大31Bサイズのモデルが用意されており、従来の汎用的なフロンティアモデルや他社の翻訳・LLM APIと比較して、数十分の一という圧倒的な低コストでありながら世界最高クラスの翻訳精度を実現している点が挙げられます。この高いコストパフォーマンスと性能は、主に3つの要素によって支えられています。

1つ目は、ベースとなっている国産LLM「PLaMo」自体が持つ高い日本語表現力です。PLaMoの学習データには全体の30%近くの日本語が含まれており、単なる直訳ではなく、文脈や利用シーンに応じた自然な意図を汲み取った文章生成が得意です。例えば、ビジネスメールにおける丁寧な表現、お店の紹介文での「pint」を「ビール」と意訳するような柔軟性、小説の自然な台詞回し、さらには特許文の独特な文体への適応など、単語の置き換えだけではない「文脈に沿った自然な翻訳」を可能にしています。

2つ目は、翻訳という特定目的に特化してLLMを最適化した点です。汎用的な巨大モデルよりもパラメータ数が少ないモデルサイズであっても、目的に特化した高品質な対訳データで大規模な学習を行うことで、より巨大な海外製の特化モデルを上回るベンチマークスコアを達成しています。特に「PFTBベンチマーク」や実際のSaaSの利用体験に近いテストにおいて、DeepL翻訳やGoogle翻訳などの既存サービスに対して高い勝率を記録しています。

3つ目は、PFNが独自に開発した高効率なトークナイザの存在です。PLaMo Tokenizerは特に日本語の出力効率において非常に優れており、他社の代表的なモデル（Claude Fable 5.1など）と比較して、同じ文字数を表現するのに必要なトークン数が大幅に少なくなっています。これにより、同じトークン単価や生成速度であっても文字数ベースの生成コストを約半分に抑え、速度を約2倍に高めるという実用面での大きなメリットを生み出しています。

また、plamo-3-translateを用いた「PLaMo翻訳」SaaSでは、単なるテキストの置き換えだけでなく、海外の技術記事や論文を読むためのブラウザ拡張機能、レイアウトの崩れを保持して美しく描画するファイル翻訳機能、多言語の話者が混ざった会議でリアルタイムに母語へ翻訳する会議翻訳機能など、実務の開発やリサーチ作業を強力にサポートする様々な機能が提供されています。PFNでは今後、plamo-3-translateのモデル重みをHugging Faceで一般公開し、技術的な詳細を解説するTech Blogの公開も予定しており、国内のLLM開発やローカル環境での翻訳システム構築における非常に重要なマイルストーンとなるニュースです。

引用元: https://www.preferred.jp/ja/blog/tech/plamo-3-translate-product-release

OpenAIは、内部のフロンティアモデルを活用して得られた、数学分野における新たな研究成果と、それらの詳細を公開しました。数学界との適切な共有方法を探るため、高等研究所（IAS）の数学とAIに関する独立アドバイザリーグループの助言や公開推奨事項に基づき、ベストプラクティスを取り入れた形で成果が発表されています。

今回のリリースでは、論文の改訂や引用のためのプロトコルとともに、研究成果がGitHubリポジトリを通じて公開されています。また、今後のリリースに向けて、引用の品質向上や数学的な解説、結果の提示方法をさらに改善していく方針が示されています。

リポジトリの大きな特徴として、コンピュータによって数学的証明の正しさを検証できるプログラミング言語「Lean」を使用した、多くの証明の形式化（フォーマライズ）が含まれている点が挙げられます。これにより、AIが導き出した証明を厳密に検証可能な形で確認できるようになっており、今後は得られた成果に合わせてリポジトリが随時更新される予定です。

さらに、科学的な透明性とオープン性を推進する観点から、成果を得るに至ったプロセスに関する詳細情報も公開されています。具体的には、モデルの推論過程に関する10個のサマリー、ChatGPTのPro利用における換算での消費計算量（平均的な結果を得るためにChatGPT Proの思考時間換算で約3時間相当の計算量を使用）、および挑戦した問題数に関する統計データなどが提供されています。

OpenAIはこの取り組みを通じて、AIによる進歩が人類の知識のフロンティアを押し広げ、数学のさらなる発展を加速させることを目指しています。AIによって生み出された主要な成果の理解を深めるため、ワークショップや会議、特別プログラムへの資金提供も予定されており、詳細については近日中に発表される見込みです。最先端の能力を持つ科学者を直接支援するため、これらの成果を生み出したモデルの責任あるリリースに向けた取り組みも進められており、数学やその他の科学分野における内部フロンティアモデルの評価を継続し、分野の発展を支えるツールの開発を加速させる方針です。

引用元: https://openai.com/index/sharing-ai-progress-in-mathematics

伝書鳩による通信サービスを提供する架空の企業「ピジョネットインターナショナル」で、外部からの不正アクセスにより約240万件の情報が漏えいしたという嘘ニュースです。鳩舎の裏口（バックドア）から認証していない野鳩が侵入し、顧客情報を記した文書を持ち出したとしています。同社は再発防止策として、バックドアの施錠強化や羽紋認証による本鳩確認の厳格化を挙げているほか、近年のサイバー攻撃の激化に絡めて、重要な個人情報は石板に刻んで庭に埋めるなど自己防衛が必要になるというユーモアを交えて伝えています。（※この記事はフィクションです）

引用元: https://kyoko-np.net/2026100801.html

（株式会社ずんだもんは架空の登場組織です）

Mistral AIは、最新のフラッグシップモデルである1兆パラメータ（アクティブパラメータ490億）のネイティブマルチモーダルモデル「Mistral Large 4（開発コード名：le Chonk）」のパブリックプレビューを公開しました。オープンウェイトのオープンソースモデルとしてフロンティアクラスの性能を誇り、米国やヨーロッパで開発されたオープンウェイトモデルを大きく上回る性能を実現しています。モデルの重み（ウェイト）は今月末に公開予定であり、現在はMistral StudioにてAPIのプレビューを試すことができます。

Mistral Large 4の主な特徴として、コーディング、エージェントワークフロー、マルチモーダル理解において卓越した性能を発揮します。サイバーセキュリティ、金融、法律などの重要なエンタープライズ領域において、オープンモデルの中で最先端（ステート・オブ・ザ・アート）の成果を上げており、ビジュアルグラウンディングなどの一部のドメインではクローズドなフロンティアモデルさえ凌駕するとしています。

インフラ面では、ヨーロッパにあるMistral独自のデータセンターにおいて、3,800基のNVIDIA Grace Blackwell GPUを使用してゼロから訓練されました。AIの主権（ソブリンティ）を重視しており、特にサイバーセキュリティの領域では、プロバイダー側の制限によって正当な脆弱性調査やインシデントレスポンスがブロックされるリスクを回避し、組織が自らのポリシーに基づいて高度なセキュリティ運用を自社環境で行うことが可能です。

各領域における詳細な性能は以下の通りです。

サイバーセキュリティ:

エージェントコーディング:

エージェントワークフローとナレッジワーク:

マルチモーダル:

科学と数学:

さらに、モデルの安全性にも注力されており、間接的なプロンプトインジェクションに対する堅牢性や、悪意のあるサイバーセキュリティ関連リクエストに対する適切な拒否率など、オープンモデルのフロンティアに位置しています。訓練手法においては、スケーラブルな強化学習（RL）ライブラリを活用し、単一ターンのチャットから複雑な科学的問題解決、安全性の調整まで、多様なタスクを組み合わせて非同期で効率的なトレーニングを行っています。

今後は月末のモデルウェイトの正式リリースに加え、モデルのアーキテクチャや追加のベンチマーク、ポストトレーニングの手法についての詳細が共有される予定です。

引用元: https://mistral.ai/news/mistral-large-4/

Google DeepMindが発表した「EmbeddingGemma 2」は、テキスト、コード、画像、音声、動画を同一の埋め込み空間にマッピングできる、オンデバイス向けの軽量なマルチモーダル埋め込みモデルです。商用利用可能なApache 2.0ライセンスの下で公開されており、パラメータ数は740万（※記事内文面より軽量なモバイル等のエッジ環境に最適化された規模）で、コンシューマー向けハードウェア上で効率的に動作します。前世代のテキスト中心のモデルから大きく進化し、テキストだけでなくコードの検索性能やマルチモーダルな検索・RAG（検索拡張生成）パイプラインの構築を強力にサポートします。

新人エンジニアが押さえておきたい主な特徴とメリットは以下の通りです。

優れたクラス最高の性能とモジュール設計

ストレージとメモリの効率化（MRLの活用）

オンデバイスでのパフォーマンス最適化

拡張されたコンテキストウィンドウ

豊富なエコシステムとツール連携

EmbeddingGemma 2は、プライバシーに配慮したオフラインでの検索システムや、軽量なAIエージェント、ローカルでのコードベースインデックス作成などを行いたいエンジニアにとって非常に強力な選択肢となります。

引用元: https://deepmind.google/blog/embeddinggemma-2-an-open-lightweight-multimodal-embedding-model/

この記事では、OpenAIが契約管理プラットフォームを手がけるIronclad社と共同で行った、プロフェッショナルな実務におけるAIエージェントのトレーニングと評価についての取り組みが紹介されています。AIエージェントが専門的なソフトウェアを操作し、複雑なビジネス上の問題を解決する能力を高めることが目的です。

OpenAIは、企業のビジネスルールを理解し、マルチステップのワークフローを実行し、その成果物が要件を満たしているかを検証できるようにモデルを訓練することを目指しています。この研究を加速させるため、専門的なワークフローを深く理解しているIronclad社と提携し、法的・商業的・調達業務にまたがる11の複雑なタスク（秘密保持契約（NDA）のセットアップ、調達承認プロセスの作成、法務条項の更新など）を特定しました。

開発されたプロセスでは、各タスクに対して8から50の評価基準が設けられ、Ironclad社が提供するホスト型ソフトウェア環境上でモデルが練習を行いました。研究者らは、合成トレーニングタスクを作成し、強化学習を用いてモデルが実践とフィードバックを通じて改善できるようにしました。

新しいフロンティアモデルである「GPT-6 Astra」は、Ironclad社のタスクで訓練された最初のモデルとなりました。Max推論設定を使用したAstraと、High推論設定を使用した従来の「GPT-5.6 Sol」を比較した結果、11の研究タスクにおいて、Astraの平均スコアは55.0%となり、GPT-5.6 Solの41.6%を上回りました。また、試行ごとの推定平均時間はSolの37.0分からAstraの19.2分へと約48%短縮され、より少ない時間で多くの要件を満たすことが実証されました。

新人エンジニアの視点として注目すべき点は、単にLLMのテキスト生成能力を高めるだけでなく、実際の業務ソフトウェア（コンピューター操作：Computer Use）をエージェントに正確に操作させ、複数ステップの複雑なワークフローを完遂させるためのアプローチ手法です。ドメイン知識を持つパートナー企業と協力し、具体的な評価基準と安全なテスト環境を用意した上で、強化学習によってモデルの実務適応能力を向上させるという、最先端のAIエージェント開発・評価の具体的なユースケースを学ぶことができます。

引用元: https://openai.com/index/advancing-computer-use-with-ironclad

AIエージェントに名作ローグライクゲーム『トルネコの大冒険』を自動プレイさせる挑戦についてのブログ記事です。著者はSNESエミュレータにHTTP MCP（Model Context Protocol）を実装し、AIが操作を行える環境を構築しました。トークン消費を抑えるため、LLMが直接ボタンを連打するのではなく、セマンティックな操作をアトミックな入力に変換するハーネスを実装しています。また、RAMからプレイヤーの状態や視界マップを直接読み取る仕組みや、攻略サイトの情報をスキルとして読み込ませる工夫が施されました。最初は保守的な挙動や知覚の限界によるミスが多発しましたが、AI自身が死亡するたびにハーネスを自動更新し、禁止事項の追加や状態異常の検知といった再発防止策を講じていきました。モデルの切り替えや装備育成マラソンを経て、134回目の冒険でついに目的の「しあわせの箱」を持ち帰ることに成功しています。

引用元: https://giginet.hateblo.jp/entry/2026/09/22/114642

（株式会社ずんだもんは架空の登場組織です）

Reflection社は、推論・コーディング・エージェント用途に特化した、同社初となるオープンウェイトのスパースMixture-of-Experts（MoE）モデル「Beam」のリリースを発表しました。Beamは総パラメータ数が5010億（活性化パラメータ数230億）の大規模モデルであり、オープンウェイトのフロンティアを大きく前進させ、コーディングやエージェントタスクにおいて同規模の既存オープンモデルに匹敵、あるいは凌駕する性能を持っています。特に推論時の計算効率が非常に優れており、2T+パラメータ規模のモデルと比較して3〜4倍少ない推論計算量で同等の高度な推論を実現しています。

Beamの開発における最大の特徴は、大規模な強化学習（RL）のスケーリングです。学習には10,500基のNVIDIA GB300 GPUを使用し、最大256Kトークンのコンテキスト長で1億回以上のロールアウト（試行）を4週間にわたって生成しました。また、約100万件の高品質なコーディング・エージェント環境（サンドボックス）を用いたほか、非同期ポリシー勾配法におけるポリシーの陳腐化や数値の不安定性を克服する新しいアルゴリズムを独自に開発し、1日以上前の古いデータに基づく学習であっても安定した強化学習を継続することに成功しています。これにより、強化学習の規模拡大に伴う性能の頭打ち（プラトー）を見せることなく、タスクの効率的な解決能力を高めました。

プレトレーニングにおいては、23.8兆トークンの高品質なウェブデータ、独自ライセンスのデータ、コード、STEM関連データを使用しています。モデルアーキテクチャや最適化の面では、Auxiliary-loss-freeな負荷分散や、深さに応じた残差ストリームのスケーリング、FP32残差蓄積などを導入することで、すべてのMixture-of-Experts層でほぼ均一なエキスパートの利用率を達成し、長期的な学習における数値的な安定性を確保しました。インフラ面でも、Kubernetesベースのトポロジー対応スケジューラや、RoCEおよびNVLinkを活用した高速な重み分散転送、自動復旧機能などを内製し、トレーニングの安定性と効率を最大化しています。

安全性とアライメントの面では、事前学習済みチェックポイントからSFTとRLのパイプラインを別に構築し、多教師オンポリシー蒸留（MOPD）によって安全性を統合しています。アライメント原則を3つの階層に分け、生成報酬モデルを用いた非検証ドメインでの強化学習や、敵対的プロンプトを用いたディリベラティブ・アライメント（Deliberative Alignment）技術を導入することで、過度な拒否反応やハルシネーションを抑制しつつ、エージェントとしての実用的な振る舞いを予測可能にシェイピングしました。

Beamは現在プレビュー段階であり、プラットフォームで早期アクセスのサインアップを受付中です。今月中には、Apache 2.0ライセンスのもとでモデルの重み、テクニカルレポート、モデルカード、開発者向け成果物が公開される予定であり、エンジニアはオープンソースのエコシステムや流通パートナーを通じて、自身のワークフローに組み込んで利用できるようになります。

引用元: https://reflection.ai/blog/introducing-beam

AIコーディングエージェント「Devin」を開発するCognition社が発表した「Agent Memory Repo」は、AIエージェントがセッションを跨いで長期的な記憶を共有・蓄積するためのオープン標準規格です。新人エンジニアがAIエージェントを活用する際、毎回ゼロからコンテキストを教え直す手間を省くための強力な仕組みとなります。

このシステムの基本的な仕組みは非常にシンプルです。すべてのセッションは、Gitリポジトリをベースにしたメモリ領域の「クローン」から始まります。エージェントはタスクに必要な情報を検索・参照し、作業を進める中で得た新しい知見やルールを人間の介入なしに自動でエントリーとして追記（アップデート）し、セッション終了ごとに「プッシュ」して変更を保存します。これにより、次回のセッション以降でも過去の文脈やユーザーの好みをそのまま引き継ぐことが可能になります。

リポジトリ内は自由に設計でき、Markdownファイル、SQLクエリ、各種スクリプトなどを配置できます。特に起点となる「MEMORY.md」は、すべてのセッションの最初に読み込まれるファイルであり、重要な情報や他のドキュメントへのリンクを簡潔にまとめておく場所として機能します。エージェント間のリンクには独自の構文（[[path]]）を使い、情報の重複を防ぎます。また、定期的に実行される「Dreaming（ドリーミング）」という仕組みにより、複数のセッションにまたがるパターンを分析して新たな記憶を追加したり、重複したエントリーの統合や古い情報の削除、矛盾の解決を行ってメモリをクリーンに保ちます。

具体的な活用ユースケースとしては、以下のようなものが挙げられます。

マルチプレイヤー環境では、複数のユーザーがそれぞれのメモリリポジトリを持ち寄り、1つのセッションに読み込ませて協調作業を行うことも可能です。エージェントは誰の発言かを識別し、それぞれの適切なリポジトリに書き込みを行います。これにより、チーム全体の知見や顧客情報を共有する「チームメモリ」としても活用できます。

新人エンジニアにとって、AIエージェントとのやり取りを効率化し、プロジェクト固有の用語や過去のトラブルシューティングの歴史をエージェントに永続的に学習させるための実践的な手法が学べる内容となっています。

引用元: https://cognition.com/agent-memory-repo

Google Researchをはじめとする産学のリーダー50名以上が参加したワークショップの成果として、自律型AIエージェントにおけるプライバシーとセキュリティの最新課題をまとめたレポートが公開されました。LLMを活用した自律型エージェントは、複雑で多段階のタスクを動的に処理する高い汎用性を持つ一方で、従来のソフトウェアとは異なるセキュリティ上の大きな課題を抱えています。

本レポートでは、エージェント特有の課題として以下の3つの次元を挙げています。1つ目は「非構造化インターフェースと入力の曖昧さ」であり、自然言語や画像による指示を処理するため、「期待される動作」の定義が難しく、プロンプトインジェクションなどの操作に対して脆弱です。2つ目は「確率的な制御フロー」であり、生成AIによるプランニングは実行パスが確率的になるため、従来のテスト手法では安全性の確保が困難です。3つ目は「自律性と委任」であり、エージェントが長期的なタスクを処理したり、他のエージェントに下位タスクを委任したりする際、ユーザーによる従来の監視手法が効果を発揮しにくくなり、「確認疲労」のリスクが生じます。

これらの課題に対処するため、レポートでは「文脈的完全性（Contextual Integrity: CI）」という理論を軸にしたアプローチを提案しています。CI理論におけるプライバシーやセキュリティとは、単なる情報の秘密保持ではなく、確立された社会的規範に従った「適切な情報の流れ」や「エージェントの行動の適切さ」を指します。送信者、受信者、情報の種類、伝達原則という文脈ごとの規範に基づき、AIがアクションを実行する前に社会的・文脈的に適切であるかを判断できるようにします。

従来の手動によるアクセス権限や静的なポリシーは、動的で複雑なエージェントのタスクにはスケールしません。そこで、LLMを活用して機械可読なポリシーを生成し、リアルタイムで監視・適用する「文脈的ポリシーエンジン（スーパーバイザー層）」の導入を提唱しています。このエンジンにより、ユーザーのワークスペースから情報が外部に流出する前に、データフローの適切さを評価することが可能になります。

さらに、エージェントのセキュリティとプライバシーを守るためには、単一の層だけでなく、多層的なアプローチが必要となります。具体的には以下の領域での革新が求められます。

最後に、安全性を評価するための新たなアプローチとして、動的なシミュレーション環境である「Agent Gym」などの標準化されたマルチエージェントベンチマークの構築を提案しています。学術界や産業界全体で協力し、安全でプライバシーを尊重するエージェントエコシステムを築くための基盤作りが求められています。

引用元: https://research.google/blog/open-and-emergent-problems-in-agentic-privacy-and-security-a-contextual-angle/

（株式会社ずんだもんは架空の登場組織です）

Black Forest Labsは、マルチモーダルモデル「FLUX 3」の一部として、高度な画像生成・編集機能を持つ最新モデル「FLUX 3 Image」を発表しました。新人エンジニアやAI開発者に向けて、このモデルの主要な特徴とアーキテクチャのポイントをわかりやすく解説します。

FLUX 3 Imageの最大の特徴は、画像内の各要素の位置や構成をピクセル単位、あるいは座標ベースで精密に制御できる「バウンディングボックス（Bounding Box）」機能のネイティブな統合です。従来のテキストから画像を生成する手法（Text-to-Image）では、全体の雰囲気やランダムな配置に頼りがちでしたが、本モデルではキャンバスを0から1000のグリッド座標系（[y_min, x_min, y_max, x_max]）で捉え、指定したエリアに特定のオブジェクトを正確に配置することが可能です。

具体的な仕組みとして、ユーザーやAIエージェントは、画像全体の描写を行うグローバルキャプションと、各要素のID、座標（Bounding Box）、詳細な説明をまとめたJSON形式の要素テーブル（Element Table）を定義します。これにより、多数のオブジェクトが複雑な関係性を持つシーンや、タイトレイアウト、コラージュ、ポスター、エディトリアルデザインなどの高度な構成を極めて高い精度でレンダリングできます。また、手動ですべてのボックスを描画しなくても、LLM（大規模言語モデル）を活用したエージェント機能により、1行のプロンプトとアスペクト比を指定するだけで最適なレイアウトプランを自動生成させることも可能です。

さらに、画像生成後の「ピクセルパーフェクト編集（Pixel-perfect editing）」機能も大幅に強化されています。一度生成された画像に対して、特定の領域（ボックス）単位で再記述（Re-description）、オブジェクトの置換、あるいは移動を行うことが可能です。編集時に指定していない領域や要素はそのまま完全に維持されるため、複数回にわたる修正や細かい調整を行っても画像全体の整合性が崩れにくいという強力なメリットを持っています。

解像度やパフォーマンスの面でも妥協はなく、ネイティブな2Kおよび4K解像度での出力に対応しており、小さなテクスチャ、顔の表情、文字、微細な色調などのディテールが鮮明に保たれます。これにより、看板のレタリング文字や紙幣・切手の微小なデザインなども高精細に再現できます。

総じて、FLUX 3 Imageは単なる高画質な画像生成AIにとどまらず、エージェントシステムからの利用や、デザインワークフローにおける厳密なレイアウト制御を強力にサポートする実践的なマルチモーダルモデルとなっています。APIや商用ウェイト（Commercial Weights）のライセンスも提供されており、画像生成パイプラインの構築や自動化に携わるエンジニアにとって見逃せない重要プロダクトです。

引用元: https://bfl.ai/models/flux-3-image

ドイツのAleph Alpha社は、オープンウェイトのMoE（Mixture-of-Experts）言語モデル「Kolibri」をApache 2.0ライセンスで公式発表し、Hugging Faceで公開しました。欧州の厳格なプライバシー規制やEU AI法を意識して設計されており、エンタープライズや公共機関などのミッションクリティカルな領域での活用を想定しています。

Kolibriは総パラメータ数が約78Bで、1トークンあたり約3Bがアクティブとして動作する効率的な設計を採用しています。最大100万トークンのコンテキスト長をサポートし、英語とドイツ語のバイリンガル性能に優れています。ドイツ語の事前学習データを全体の21%以上占めるように設計し、独自のトークナイザー「UniBPE」を用いることで、自然な形態素分割と高い圧縮率を実現しています。

開発面では、データ収集から事前学習、ポストトレーニング、評価に至るまでのパイプラインをコード化・自動化する「Model Factory」を構築し、短期間での高速なモデル改良を可能にしました。また、ハルシネーション（嘘の出力）を抑制するため、文脈に基づかない場合に「知らない」と回答する仕組みや、独自開発の「Merlin-Arthurプロトコル」を導入して信頼性を高めています。これにより、数学やコーディング、エージェントタスクなどにおいて、より大きなパラメータ数を持つモデルに匹敵する性能を、低いサービングコストで達成しています。

新人エンジニアにとってのポイントとして、このモデルはvLLMと組み合わせて手軽にデプロイできるよう設計されています。提供されているaleph-alpha-inferenceパッケージをインストールし、専用のパーサを指定することで、推論時に推論思考（Reasoning）やツールコール機能を簡単に有効化できます。大規模なコンテキスト長を処理するための起動オプションも用意されており、オンプレミス環境での効率的な運用や、カスタムモデルの構築における優れた実践例を学ぶことができます。

引用元: https://aleph-alpha.com/en/blog/kolibri-has-landed-a-sovereign-open-weight-model/

アレン人工知能研究所（Ai2）は、科学研究向けの高速レポート生成モデル「AstaBrief 8B」のオープンソース化を発表しました。AstaBriefは、研究の質問と収集した文献の抜粋から、引用付きのレポートを生成できる8B規模のオープンウェイトモデルです。ベースモデルにはQwen3-8Bを採用し、独自の教師ありファインチューニング（SFT）と直接選好最適化（DPO）を活用して開発されました。

科学的な文献調査では、回答がエビデンスに基づいていることや、結論を勝手に広げないこと、そして最終出力を人間が検証できることが強く求められます。これまでのAstaプラットフォームでは、Claudeを活用したプロプライエタリな「Thinking mode」で詳細なレポート生成を行っていましたが、生成に時間がかかるという課題がありました。そこでAi2は、プロプライエタリモデルと同等の品質を維持しつつ、生成時間とサーバーコストを大幅に削減できる軽量なオープンモデルとしてAstaBriefを開発しました。

AstaBriefは、質問に対してセクションごとに分けて生成するのではなく、1パスで直接完全なレポートを生成するパイプラインを採用しています。これにより、Thinking modeの平均178.5秒に対し、Fast modeでは平均51.1秒と、約3.5倍の高速化を実現しました。

モデルの学習においては、数万件の現実の科学的研究クエリを活用し、品質や関連性、プライバシーでフィルタリングを行いました。SFTデータはClaude 3.5 Sonnetやo3などの複数モデルを使用して4万7千件を作成し、DPOデータは異なるモデル間で生成したレポートをLLMジャッジ（GPT-4.1やDeepSeek-R1）で評価・合意させることで約6千件を作成しました。また、引用密度などのシンプルな統計的フィルタリングを導入することで、モデルの根拠に基づく出力を強化し、科学的な合成において不可欠な引用精度を向上させています。

オープンウェイトとして公開されたことにより、研究機関や企業は自身のインフラストラクチャやファイアウォール内でもAstaBriefを実行可能になりました。Ai2はHugging Faceでのモデルウェイトの公開に加え、独自のPDFからレポートを作成するためのサンプルワークフローもGitHubで公開しており、新人エンジニアにとってもLLMのドメイン特化型アプローチやSFT・DPOの実装手法を学ぶ上で非常に有益な事例となっています。

引用元: https://allenai.org/blog/astabrief

床に落として見えなくなった極小のネジを、X（旧Twitter）のAI「Grok」に写真で見つけてもらったという話題が共有され、マルチモーダルAIの画像認識能力の高さが注目を集めています。投稿者が床を撮影した画像をGrokに読み込ませたところ、見失ったネジの場所を正確に見つけ出すことに成功しました。この投稿を見た他のユーザーからも、「ウォーリーを探すのに使えそう」「プラモデルの飛ばしてしまった部品探しに良さそう」「砂浜からヒスイを見つけたい」といったユニークな応用のアイデアが多数寄せられました。さらに、ChatGPT（GPT）やGeminiといった他の主要なマルチモーダルAIでも同様の画像認識と検索ができることが検証され、日常のちょっとした困りごとを解決する強力なツールとしてAIの進化をクスっと笑いながら実感できるエピソードとなっています。

引用元: https://togetter.com/li/2753759

VOICEVOX:春日部つむぎ

Cloudflareは、エージェントのワークフローにおいて高速かつ安価に構造化された決定を下すためのオープンソースの意思決定モデル「Clef」および「Clef-flash」を発表しました。従来の非決定的でオープンエンドな大規模言語モデル（LLM）とは異なり、決定モデルは入力に対して確率を含んだ構造化出力を一貫して高速に返し、人間の介在なしにエージェントがプログラムで判断やルーティングを行えるようにします。

Clefシリーズは、ベースモデルにQwenを採用し、決定モデルのユースケースに特化して事後学習されています。従来のテキストをトークン単位で逐次生成する自己回帰型とは異なり、プレフィル（事前入力）パスを通した後に有効なスキーマ選択肢を並列スコアリングする非自己回帰アプローチをとることで、従来のLLMや他の決定モデルと比較して圧倒的な低レイテンシを実現しています。また、テキスト分類のみに対応する類似モデル（Jevなど）とは異なり、Clefはビジョンエンコーダを搭載しているため画像入力にも対応しており、64kという大きなコンテキストウィンドウを備えている点も特徴です。

モデルのラインナップとしては、より高精度な「Clef」（Qwen3.8-27Bベース）と、レイテンシクリティカルな処理に最適な超高速の「Clef-flash」（Qwen3.5-9Bベース）の2種類が提供されています。これらはCloudflareのWorkers AI上でホストされており、エッジGPUを活用することでネットワークレイテンシを最小限に抑え、エージェントのホットパスに組み込みやすくなっています。APIは既存の決定モデルと互換性があり、開発者は容易に移行することができます。

さらに、Cloudflareはモデルの重みをApache 2.0ライセンスのもとでHugging Faceに完全オープンソースとして公開しており、ローカル環境での実行や実験が可能です。加えて、カスタムワークロードに合わせてClefをチューニングするための強化学習（RL）基盤およびファインチューニングサービスも発表されました。AI Gateway、Workers AI、ContainersなどのCloudflareプラットフォームのプリミティブを組み合わせることで、データの収集から強化学習によるモデルの重み更新、Workers AIへの再デプロイまでをシームレスに行える仕組みを提供し、エージェント開発のさらなる効率化を支援します。

引用元: https://blog.cloudflare.com/clef-decision-models/

Cloudflareは、AI Gatewayの機能として、リクエストごとに最適なモデルを自動で割り当ててコストを削減する「Auto Router」のパブリックベータ版を発表しました。AIの導入が進むにつれ、ユーザーがすべてのタスクで過剰な性能を持つ最先端モデルを手動で選択してしまい、トークンコストが膨らむ課題があります。Auto Routerを利用するには、モデルにcloudflare/autoを指定するだけでよく、エンドユーザーにモデル選択を意識させることなく、タスクに見合った能力を持つモデルへ自動的にリクエストをルーティングできます。

Auto Routerの仕組みとして、AI Gatewayを通過するリクエストの会話データから直近のメッセージを抽出し、Cloudflareのエッジネットワーク上のWorkers AIで動作するマルチヘッド分類モデルに入力します。この分類器は、コーディングやリサーチなどの14種類のタスクカテゴリを割り当てるとともに、複雑さ、曖昧さ、重要度、コンテキストへの依存度という4つの次元で1から5段階の評価を行います。得られたシグナルと各モデルのベンチマーク結果を組み合わせたスコアリングマトリクスによって最適なモデルを算出し、期待される品質とモデルごとのトークン単価（入力・出力価格）を考慮してコストパフォーマンスを最大化します。

また、長時間の開発セッションやエージェントの利用において、モデルの切り替えによってキャッシュが無効化され、コンテキストを再読み込みするコストが発生する問題にも配慮されています。Auto Routerは、キャッシュの読み書きコストを考慮したスイッチングペナルティを適用し、深い会話のコンテキスト内では同一モデルの維持を優先しつつ、品質向上やトークン削減のメリットが上回る場合にのみ適切な判断を下します。これにより、最先端モデルと同等のタスク遂行能力を維持しながら、コストを大幅に抑制することが可能です。ベータ期間中は無料で利用でき、開発者向けドキュメントから詳細を確認できます。

引用元: https://blog.cloudflare.com/auto-router/

Cloudflareは、同社のインフラ上でフルマネージドなインデックスと検索パイプラインを実現する「AI Search」の一般提供（GA）開始を発表しました。AI Searchは、「Workers AI」「Vectorize」「R2」「Browser Run」などの技術を組み合わせて構築されており、社内ドキュメントの検索からWebサイトの検索エンジンまで、幅広い用途で活用されています。今回の一般提供開始に伴い、2026年11月1日から正式な課金が開始される予定です。

今回のアップデートにおける最大のハイライトは、テキストだけでなくマルチモーダルフォーマットへのサポートが大幅に拡張・強化された点です。従来の画像検索では、画像を一度テキストのキャプションに変換してから検索を行うというナイーブな手法が取られていたため、画像内の細かいディテールや色、テクスチャ、構図などが失われがちでした。しかし、新しいAI Searchでは、キャプションベースの理解を維持しつつ、画像ピクセルを直接埋め込む「ネイティブ画像検索」が新たにサポートされました。

このネイティブ画像検索には、Qwen3-VL-Embeddingモデルなどが活用されています。これにより、テキストのみのクエリモデルを使用している場合でも画像をクエリとして入力すると、自動的にToMarkdownによってテキスト化されて検索が行われます。一方、ネイティブで画像をサポートするモデルであれば、画像そのものが持つ視覚的な特徴量をそのまま同じベクトル空間にマッピングできるため、言葉で正確に表現するのが難しい視覚的特徴や複雑な構図を持つ画像でも高精度に検索できるようになりました。検索効率を落とさないよう、Matryoshka Representation Learning（MRL）が導入されており、ストレージを圧迫せずに高速な検索を維持します。

また、データ処理の制限や機能面も向上しています。テキストファイル（Markdown、HTML、CSV、JSONなど）やPDFファイルのアップロード上限サイズが従来の4 MiBから10 MiBへと引き上げられました。さらに、テキスト抽出ができないスキャン済みのPDFファイルに対しても、新たに「OCR（光学文字認識）」機能が有効化できるようになり、ページごとのテキストを読み取った上でチャンク化・埋め込み処理を行えるようになっています。

料金体系については、予測が容易でシンプルな設計が採用されています。取り込むデータ量（インジェクション）、保存データ量（ストレージ）、実行するクエリ数（クエリ）の3つの軸で課金が行われ、パースやチャンク処理、Workers AIモデルによる埋め込み、キーワードインデックス作成、リランキングなどのプロセスは料金に含まれています。すべてのWorkersプランに対して、月ごとの無料枠（500万インジェクション・トークン、10 GBのストレージ、1,000件のセマンティッククエリ、1,000件のフルテキストクエリ）が用意されており、小規模なプロジェクトであれば無料で運用を始めることが可能です。新人エンジニアにとっても、モダンなRAG（Retrieval-Augmented Generation）システムやAIを活用した検索機能をクラウド上で手軽に構築・運用するための非常に有用なプラットフォームとなっています。

引用元: https://blog.cloudflare.com/ai-search-ga/

VOICEVOX:ずんだもん