タイムライン検索

2026年3月29日

Google DeepMindはマウスポインターをコンテキスト認識型のAIパートナーに進化させています。従来のプロンプト入力の面倒さを超え、Chromeおよびそれ以外でもAIとの直感的なコラボレーションを実現します。

Google DeepMind

2026年5月7日

画像ベースの Joint-Embedding Predictive Architecture（I-JEPA）は、マスク付き特徴予測を通じた視覚的自己教師あり学習への有望なアプローチを提供している。しかし、固有の視覚的不確実性を伴っている。

Apple Machine Learning Research

2026年5月18日

Googleは新たなAIモデル「Gemini Omni」を発表した。このモデルの特徴は、テキストや画像、音声といった複数の形式のデータを同時に処理できる点にある。 従来のAIモデルが特定の形式に限定されていたのに対し、Gemini Omniはユーザーが異なるメディア形式を組み合わせて入力することが可能となった。例えば、画像を示しながら音声で質問するといった、より自然な方法での操作が実現する。 この統合的な設計により、AIアシスタントの利便性が向上する見込みだ。複数の入出力形式に対応することで、様々なユースケースにおける応用が期待される。 Googleはこのモデルを通じて、より直感的で使いやすいAI体験の提供を目指しているという。 （引用元：Google DeepMind）

2026年5月19日

最新の大規模言語モデル（LLM）は、コンテキスト長を数百万トークンまで拡張し、長い会話履歴に基づいた一貫性のあるパーソナライズされた応答を実現しています。しかし、キー・バリュー（KV）キャッシュが...

Apple Machine Learning Research

2026年5月21日

生成AI企業のStability AIは、最大6分間の音楽を自動生成できるAIモデル「Stable Audio 3.0」を発表した。 従来の音楽生成AIは生成時間が限定されていたが、同モデルはより長尺のコンテンツ制作に対応した。テキストプロンプトから指定した長さの楽曲を生成でき、ジャンルやテンポなど細かい指定も可能とされている。 注目される点は商用利用への対応である。生成した音楽を広告やストリーミング配信などビジネス用途で活用できるため、映像制作会社や音楽プロデューサーなど専門家の業務効率化が期待される。 一方で、生成AIによる音楽制作については著作権や音楽制作者への影響を懸念する声も業界から上がっている。同社がこれらの課題にどう対応するかが、今後の普及の鍵となりそうだ。 （引用元：Stability AI）

Stability AI

2026年5月27日

このポストでは、統合アーキテクチャを使用して、並列推論、コンテキスト永続性、追跡可能な実行パスを実証するマルチエージェントキャンペーンレビュー システムの構築方法を学ぶことができます。

AWS Machine Learning Blog

2026年5月28日

YouTubeはプレミアム会員向けに、ポッドキャスト視聴をより快適にする新機能を導入した。同サービスのポッドキャストセクションは月間10億人を超えるアクティブユーザーに利用されており、需要の高まりに応える形での機能強化となる。 新たに追加された機能により、プレミアム会員はポッドキャスト視聴時により充実した体験が得られるようになる。これにより、ユーザーはより効率的にコンテンツを探索・再生できるほか、自分好みのポッドキャストをより簡単に管理できるようになるという。 YouTubeは動画プラットフォームとして認識されることが多いが、近年ポッドキャストコンテンツの重要性を高めており、テキスト検索機能の改善やポッドキャスト専用セクションの展開など、段階的に関連機能を拡充している。今回の新機能追加は、その戦略の一環として位置づけられる。 プレミアム会員の利便性向上が、サービスの加入継続につながるか注目される。 （参考：YouTube Blog）

YouTube Blog

2026年5月29日

コンテキスト蒸留は文脈情報をモデルパラメータに圧縮するが、既存の方法は複数の蒸留された潜在メモリをオラクル以外の設定でどのように保存、検索、安全に活性化するかについて無視することが多い。本研究ではコンテキスト蒸留を潜在メモリ管理問題として定式化する。

arXiv cs.LG

2026年5月29日

大規模言語モデル（LLM）は一般領域内の一般的な推論タスクに対して優れた能力と性能を示していますが、デジタルテキストデータが限定的な言語における文化的に根拠付けられた知識に関しては課題に直面する可能性があります。本論文では、言語固有の文化的知識への対応について調査しています。

arXiv cs.CL

2026年5月29日

マルチモーダルAIシステムへのジェイルブレイク攻撃は未だ十分に研究されていません。テキストの不安全な生成よりも深刻な結果をもたらす可能性のある不安全な画像生成が存在する一方で、現在の防御策は比較的成熟していません。本研究ではPAST2HARMという、拒否トレーニングをバイパスする効果的な適応型ジェイルブレイクフレームワークを紹介します。

arXiv cs.CL

2026年5月29日

拡散モデルは効率的な並列テキスト生成を約束していますが、双方向アテンションに依存しており、事前学習済みの自動回帰（AR）モデルとの構造的な不一致を生じています。この非互換性はロバストなAR事前知識の再利用を排除し、スクラッチからの禁止的な事前学習が必要になります。

arXiv cs.CL

2026年5月29日

プロンプトベースのテキスト音声変換(TTS)モデルは自然言語駆動の話し方スタイル制御を実現しますが、多くの場合きめ細かい制御が限定的で、発話全体に単一のグローバルスタイルを適用しています。これは発話全体にわたる継続的なスタイル属性補間を必要とする実用的なユースケースを制限しています。

arXiv cs.CL

2026年5月29日

視覚言語モデル（VLM）を光学文字認識（OCR）に使用すると、視覚的根拠のない高尤度テキストを生成でき、言語優先性への依存を示唆している。オープンウェイト VLM を従来の OCR ベースラインと低資源古代ギリシャ校訂版で比較すると、このギャップが明らかになる。

arXiv cs.CL

2026年5月29日

大規模言語モデル(LLM)は自律エージェントとしてますます機能していますが、環境との継続的なインタラクションはコンテキスト内報酬ハッキング(ICRH)につながる可能性があり、これはLLMがプロキシ目標を最大化するために行動を反復的に最適化し、意図しない有害な副作用を生み出す現象です。

arXiv cs.CL

2026年5月30日

マスク付き拡散言語モデルの復号化プロセスを分析した新しい研究が発表された。グラフ-テキスト生成タスクにおいて、同モデルが持つユニークな特性が初めて体系的に調査された。 研究によると、マスク付き拡散言語モデルは従来の自己回帰型大規模言語モデルと異なり、反復的な復号化の過程で特定の優先順序に従うことが明らかになった。具体的には、まず実体（エンティティ）を復号化し、その後に関係詞や機能語を復号化し、最終段階で構造トークンを復号化するという順序である。 同時に研究では、教師あり微調整がこの自然な復号化戦略を阻害する新たな問題モードを特定した。これに対し、推論時に重みなし修正を行う「ラムダスケーリング構造復号化」という手法を提案。この手法を導入することで、BLEUスコア（翻訳品質の評価指標）が9.4ポイント向上することが確認された。 この研究成果は、拡散モデルに基づくテキスト生成技術の精度向上に向けた重要な知見を提供するものとなっている。 （出典：arXiv cs.CL）

2026年5月30日

Googleは開発者向けカンファレンス「I/O 2026」で発表した最新AI モデル「Gemini Omni」と「Gemini 3.5」の機能を示すデモンストレーション動画9本を公開した。 公開された動画では、両モデルの実際の動作と性能が具体的に紹介されている。Gemini Omniは音声、画像、テキストなど複数の形式のデータを統合的に処理する能力を持つマルチモーダルモデルで、より自然で正確な応答生成が可能とされている。一方、Gemini 3.5は前世代からの性能向上が示されており、様々なタスクにおける処理精度の改善が確認できるという。 これらのデモ動画は、開発者やAI技術に関心を持つユーザーに対して、Googleの最新AI技術の実用的な活用方法を理解する機会を提供している。今後、これらのモデルは様々なアプリケーション開発に活用されることが期待される。 （Google AI Blog）

Google AI Blog

2026年5月30日

センサーデータの解析に新たな手法が登場した。学習論文プラットフォームのarXivで公開された研究によると、Transformerアーキテクチャを活用した「CHARM」というモデルが開発され、多変量時系列データの処理において高い性能を示している。 このモデルの特徴は、センサーなどから得られる複雑なデータに対して、テキスト情報を組み合わせるマルチモーダル学習を採用している点である。具体的には、各センサーチャネルに対して自然言語による説明を付与することで、データの意味をより深く理解できる仕組みになっている。 実験結果では、異常検知・データ分類・将来値予測といった複数のタスクで優れた成果を上げたという。特筆すべきは、ノイズの多い実環境のセンサーデータに対しても堅牢性を保ち、同時にモデルの判断根拠が解釈しやすいという利点を兼ね備えている点である。さらに簡潔な学習手法でも強い性能を発揮でき、実用性が高いことが示唆されている。 この技術は、製造業や医療分野などセンサーデータが重要な産業への応用が期待される。

arXiv cs.LG

2026年5月30日

著者・結城真一郎による最新長編『少年ABCの完璧な選択』が8月26日に発売される。前作『#真相をお話しします』の反響を受けた新刊で、著者が執筆背景や創作意図を語る「メタテキスト的なマーケティング」が注目される。近年、出版社はSNS時代に対応し、テキスト本体だけでなく著者の思考プロセスもコンテンツ化することで、より広い読者層の獲得を狙う戦略へシフトしている。夏の読書期間を狙ったこの発売タイミングが、既存読者と新規層の獲得にどう機能するかが業界の注目点となっている。

PR TIMES

2026年6月1日

知能の中核をなす関係推論が存在するが、既存ベンチマークは通常グリッドやテキストなどの形式に限定されている。グラフ構造データに対する抽象推論のベンチマークGraphARCを紹介し、Abstract Resoning Corpus（ARC）の少数ショット変換学習パラダイムを一般化する。

arXiv cs.AI

2026年6月1日

arXiv:2605.30512v1 発表タイプ：新規 要旨：テキストから物理図を生成するには、物理法則の厳密な遵守が必要である。現在の生成モデルは視覚的にもっともらしい出力を生成しているが、力ベクトルを体系的に幻覚し、保存則を無視し、幾何学的制約に違反している。我々はニューロシンボリックパイプラインであるPhyDrawGenを提示する。

arXiv cs.AI

2026年6月1日

LLMエージェントはウェブサーチや深い研究など現実世界のアプリケーションにおける長期タスクにますます直面しており、蓄積されたコンテキストは長コンテキスト低下と推論失敗を引き起こすことがある。先行研究ではエージェント側のコンテキスト制御または固定戦略によるコンテキスト管理を通じてこれを緩和している。

arXiv cs.AI

2026年6月1日

arXiv:2605.30608v1 発表タイプ：新規。音声テキストとジェスチャー間の共有表現の学習は共話ジェスチャーの検索、合成、および理解の中核である一方、動きだけでは捉えられないコミュニケーション意図を持つ意味的に意味のあるジェスチャーにおいて課題が残っている。

arXiv cs.CL

2026年6月1日

ウォーターマークはAI生成テキストに統計的シグネチャを埋め込み、検出と帰属を可能にする。しかし基本的な脆弱性が明らかになった：ユーザーが複数のモデルにアクセスする場合（現在の現実）、ウォーターマークは簡単に失敗する。ウォーターマークは出力分布を元の分布から逸脱させるが、競争市場では問題となる。

arXiv cs.CL

2026年6月1日

災害は不可避であり、コストが増大しており、効果的な対応は構造化されたデータのクエリに依存しています。現在のテキスト・ツー・SQLメソッドは、自然言語処理を可能にしています。

arXiv cs.LG

2026年6月1日

arXiv:2605.30690v1 長期メモリはLLMエージェントが拡張インタラクション全体で一貫性のある推論を行い、応答をパーソナライズし、過去の経験を再利用するために不可欠である。しかし既存のメモリ拡張手法は通常、メモリを固定リソースとして扱っている。テキスト空間アプローチは取得したメモリをコンテキストに連結する。

arXiv cs.CL

2026年6月2日

Googleは年次開発者向けイベント「Google I/O 2026」の制作過程で、自社のAI「Gemini」を活用したことを明かした。同社の従業員がGeminiを導入することで、イベント企画から実行に至るまでの各段階で業務の効率化を実現したという。 具体的には、コンテンツ生成やスケジュール管理、資料作成などの業務にAIツールを適用。Geminiが提案や案出、テキスト作成などを支援することで、チームの生産性向上につながったとしている。このアプローチにより、限られたリソースの中でも質の高いイベント制作が可能になったと評価している。 Googleは今回の事例を通じ、企業内のさまざまな業務プロセスにおいて、生成AIが実務的な価値をもたらす可能性を示唆している。自らのAIツールを内部で積極的に活用する姿勢は、製品の実効性を実証する機会にもなっているようだ。 （Google AI Blog）

Google AI Blog

2026年6月2日

AWS環境でLLM（大規模言語モデル）を運用する際の課題に対応する新たな技術アプローチが注目を集めている。GPUインスタンスへのモデル読み込みに要する時間短縮が、これまでの実運用における課題だった。 AWSが提案する解決策は、GPUDirect、Amazon FSx for Lustre、TurboQuantの3つの技術を組み合わせるもの。これらを活用することで、モデルをGPUメモリへ転送する速度を大幅に高速化できる。結果として、より大規模なパラメータ数を持つモデルの推論準備時間が短縮され、LLMが処理可能なテキスト長を示すコンテキストウィンドウの拡大も実現可能となる。 この技術統合により、複雑な推論タスクや長文処理が必要なユースケースでの対応能力が向上する見通しだ。クラウド環境でのAI推論効率化に向けた実装例として、今後の導入が期待されている。 （引用元：AWS Machine Learning Blog）

2026年6月2日

AWS GPUインスタンスへの大規模言語モデル(LLM)のデプロイを繰り返している場合、GPUのHigh Bandwidth Memory(HBM)にロードするモデルが大きいほど、長い時間がかかることに気付いているでしょう。

AWS Machine Learning Blog

2026年6月2日

マルチモーダル大規模言語モデルの継続学習における課題解決の新たなアプローチが報告された。 既存の継続学習手法では、画像とテキストの類似度のみを基準に専門家タスクの割り当てを行っていたため、異なる出力形式を持つタスク間で勾配干渉が発生し、性能低下につながっていた。 新研究「ProtoAda」は、この問題に対してプロトタイプ誘導型の適応的アダプタ拡張と幾何学的統合を組み合わせた手法を提案している。応答形式の違いを明確に考慮することで、タスク間の干渉を軽減し、より効率的な継続学習を実現する。 この技術により、マルチモーダル継続学習タスク（MCIT）全体の性能向上が期待できるという。画像認識とテキスト処理を同時に扱う複合的なAIシステムの精度向上につながる可能性がある。 （arXiv cs.LG）

arXiv cs.LG

2026年6月2日

視覚と言語の矛盾を見分ける課題に対応 マルチモーダル大規模言語モデル（LLM）が自動評価システムとして機能する際、画像とテキストが相反する状況で問題が生じることが明らかになった。研究によると、これらのモデルはもっともらしく聞こえるテキスト応答を、実際の画像内容より優先する傾向があるという。 研究チームは、制御された画像変化を加えることでこの「知覚判断バイアス」を詳細に分析。実際の画像内容とは異なる反事実的な応答を組み込んだ新しい評価データセットを構築した。 対策として、報酬モデリングとバッチランキング目的を統合した統一的なフレームワークを開発。このアプローチにより、視覚情報とテキスト情報の両者を適切に重視し、より正確で一貫性のある評価を実現できるようになった。 成果は、マルチモーダルAIが複雑な判断を求められる場面で、より信頼できる決定を下すための基盤となる可能性を示している。 （arXiv）

arXiv cs.AI