マルチモーダル

9月23日、B.AIプラットフォームは小米MiMo-V2.6シリーズのオープンソースネイティブマルチモーダル推論大モデルの全面リリースを発表し、APIとWebチャットの両方で同期して体験を提供します。このシリーズは全て1Mトークンの超長文脈とテキスト、画像、動画、音声の全次元理解能力を備えており、その中でMiMo-V2.6-Proは1.02兆の総パラメータ/420億の活性化パラメータを持つスパースMoEアーキテクチャを採用し、倉庫レベルのソフトウェアエンジニアリング、長期間のエージェント、複雑なマルチモーダル推論のために特別に設計されています。MiMo-V2.6-Flashは3090億の総パラメータ/150億の活性化パラメータアーキテクチャに基づき、高スループットと超高速応答を特徴とし、高頻度のオフィス自動化と大規模エージェント呼び出しシナリオを対象としています。即日より、開発者とユーザーはB.AIプラットフォームを通じて直接2つのモデルを呼び出すことができます。

B.AI プラットフォームは、DeepSeek ネイティブマルチモーダル MoE 大モデル DeepSeek-V4.1-Flash の正式リリースを発表しました。このモデルは、5520 億パラメータのバックボーンと Causal Encoder-Decoder アーキテクチャを採用しており、入力と出力は非対称計算スケールを使用しています。モデルは 100 万トークンのコンテキストと 384K 出力をサポートしており、長期間のプログラミングエージェント、マルチモーダルワークフロー、および高並行エージェントシステムを対象としています。現在、Web チャットと API の両方の接続が開放されています。

DeepSeek V4.1 Flash がアプリとして開始され、従来の「クイック」「エキスパート」「画像認識」の3つのモードが1つの入り口に統合されました。ユーザーはもはやモードを手動で選択する必要がなく、1つのモデルが日常会話、画像理解、複雑な問題を同時に処理します。V4.1 Flash はネイティブでマルチモーダルをサポートしています。DeepSeek は以前、新しいモデルが性能、コスト、速度、総所要時間などの指標で V4 Pro を全面的に上回っており、V4.1 Pro がオンラインになる前にすべての V4 Pro リクエストを引き継ぐと発表しました。

DeepSeekが内テストV4.1 Flash中間バージョンを開始しました。公式WeChatグループの通知によると、新しいモデルは新しいモデルアーキテクチャに変更され、ネイティブでマルチモーダルをサポートし、能力が向上し、速度が速く、コストが低くなっています。現在の料金はV4 Flashと同じで、単一アカウントで最大20の同時接続が可能です。ユーザーはすでに直接呼び出すことができ、base_urlを変更する必要はなく、元のモデルIDをdeepseek-v4.1-flash-expires-on-0910に変更するだけです。

阿里千问が Qwen3.8-Flash モデルを発表しました。これは多モーダル MoE モデルであり、Qwen4 アーキテクチャの初期プレビュー版です。製品版 Qwen3.8-Flash はすぐに Qwen Cloud API を通じてサービスを提供し、価格は 100 万入力トークンあたり 0.16 ドル、100 万出力トークンあたり 0.47 ドルです。モデルは 1250 億パラメータ + 510 億 N-gram 埋め込みパラメータを持っていますが、各トークンは 60 億パラメータのみを活性化し、非常に高いコスト効率を実現しています。

B.AI プラットフォームは、小米がオープンソースのフラッグシップ全モーダルモデル MiMo-V2.5 の全量無料利用を正式に開始したことを発表しました。310B のスパース MoE ネイティブ全モーダル大モデルとして、MiMo-V2.5 はテキスト、画像、動画、音声の全モーダル入力をサポートし、1M の超長コンテキストウィンドウと高速応答能力を備えています。これは、多モーダルエージェント、音声・動画のインテリジェント分析、一般的なプログラミングなどの高強度実戦シーンに特化して深く最適化されています。即日より、開発者は B.AI プラットフォーム API の公式グループを通じて、0 コストで小米の最前線全モーダルモデルの能力をアンロックできます。何のハードルもなく、トップクラスの多モーダル機能を自身のアプリケーションやワークフローに統合できます。今すぐ chat.b.ai/chat にログインして、小米 MiMo-V2.5 がもたらす全モーダルインテリジェンスの新しい体験を無料でお楽しみください。

金十の報道によると、月の裏側 Kimi が動向を発表し、同社の第一世代の万億パラメータ多モーダルモデル Kimi K2.5 が今月末でサービスを終了するとのことです。

B.AI プラットフォームに DeepSeek の新しいマルチモーダル実験フラッグシップモデル DeepSeek-V4-Flash-Vision-Exp が登場しました。現在、API の公式グループは全量接続を完了し、すべてのユーザーに無料で開放しています。このモデルは V4-Flash の優れた純テキストおよびコードエージェントの能力を継承し、正式にネイティブ画像理解能力を解放しました。マルチモーダルエージェントの総合的なパフォーマンスは Claude Opus-4.8 のフラッグシップレベルに近づいています。新しいモデルは画像とテキストの混合入力と 1M の超長文コンテキストをサポートしており、マルチモーダル PPT の生成、複雑な UI の再構築、フロントエンドエフェクトなどのハードコアなシーンを簡単に扱うことができます。画像入力はトークン単位で課金され、単一の画像は最大 384 トークンです。現在、すべてのユーザーが B.AI プラットフォームにログインすることで、敷居なしにこの最新のマルチモーダルモデルの能力を無料で利用でき、最先端の計算力が創造性と生産性の加速を実現します。

DeepSeekはV4-Flash-Vision-Expの最初のエージェントのスコアを発表しました。4つのマルチモーダルエージェントの評価において、Opus 4.8と2勝2敗の成績を収めました：Agents' Last Exam 27.3対25.7、ZeroBench 35.0対34.0；ApexBench 36.5対39.4、Chartography 64.3対65.0。純テキスト版V4-Flash-0731と比較して、視覚版はApexBenchで26.2から36.5に、Agents' Last Examで25.2から27.3に上昇しました。公式に純テキスト版はマルチモーダルコンテンツを無視することが明記されているため、主に視覚入力後の能力を反映しています。視覚を加えた後もテキストエージェントの能力は明らかに低下せず、7つのテキスト評価のうち6つがV4-Flash-0731を上回っています。例えば、DeepSWEは54.4から59.3に上昇し（Opus 4.8の58.0を超え）、Toolathlonは75.9でほぼOpus 4.8の76.2に追いつきました。この結果はDeepSeekの公式自己テストからのものであり、第三者の独立したランキングではありません；公開されたCode AgentのテキストタスクはDeepSeek Harnessの極簡モードを使用し、推論レベルはmaxです。

OpenAIは8月6日に各国のChatGPT使用画像データを初めて公開し、異なるシーン、年齢、地域の使用差が顕著であることを示しました。仕事のシーンでは、ユーザーがChatGPTを使用して実行系のタスク（執筆、編集、分析など）を完了する割合が50％を超え、仕事外のシーンの2倍以上です。仕事外のシーンでは依然として「情報検索」が主流です。年齢層別では、世界の35歳以上のユーザーのメッセージ割合が前年同期比で5ポイント上昇し、フランスとチェコでは10ポイント以上の上昇を記録しました。ヨーロッパのほぼ4分の3の国が世界平均の増加率を上回り、東南アジアの一部地域では増加率が小さいです。地域別では、ラテンアメリカ、アフリカ、オセアニアが初期採用者とのギャップを縮小しており、ペルー、ウルグアイ、コスタリカが最も急速にランクを上げています。マルチモーダル（画像生成と分析など）は最も成長が早いユースケースであり、世界的な割合は7.8％に上昇し、ブラジルやコロンビアなどでは10％を超えています。OpenAIは関連データがOpenAI Signalsプラットフォームを通じて公開されており、政策立案者や研究者が10億人以上のユーザーの使用トレンドを理解するのを助けることを目的としています。

金十の報道によると、マイクロソフトはマルチモーダル戦略を維持する計画であり、顧客がよりニーズに合った状況でOpenAIまたはAnthropicのモデルを使用できるようにする。

AIサービスプラットフォームB.AIは、MiniMaxの次世代マルチモーダル大モデルM3の基盤接続を完了し、即日よりAPIおよびWeb端を通じて同時に呼び出しを開放したと発表しました。MiniMax M3モデルは、MSAスパースアテンションメカニズムに基づいており、ネイティブにマルチモーダル理解、コード生成および解析をサポートし、1Mのコンテキストウィンドウと長文推論能力を備えており、対話から専門的な開発までのさまざまなアプリケーションシーンをカバーできます。現在、開発者とユーザーはB.AIプラットフォームを通じて直接このモデルにアクセスし、使用することができます。

アリババ (09988.HK) の財務報告では、深い革新を通じてAI能力の境界を継続的に拡大していることが述べられています。最近、全く新しい大規模言語モデルとマルチモーダルモデルを発表し、モデルのインテリジェンスにおいて顕著な進展を遂げました。3月にQwen3.6-Plusを発表し、全方位の性能向上を実現しました。特にプログラミングとエージェントプログラミングの分野で際立った成果を上げ、フロントエンドウェブ開発や複雑な倉庫レベルのタスクにおいて業界のベンチマークとなっています。Qwen3.6-Plusは、より強力なマルチモーダルの知覚と推論能力を備えており、ネイティブのコンテキストウィンドウの長さは最大100万トークンをサポートし、安定性と信頼性をさらに向上させています。千問モデルファミリーに加えて、リアルタイムの創作とインタラクションをサポートする世界モデルHappyOysterや、動画生成のマルチモーダルモデルHappyHorseなど、専用モデルの展開を引き続き充実させています。これらの2つのモデルは現在、グレイテストテスト中です。

据 Gemini 官方账号 @GeminiApp 发布，Google 正式推出新一代 AI 模型 Gemini 3，具备百万 token 上下文窗口、多模态理解能力，并支持视频、音频、图像与文本的统一分析。新版引入 Gemini Agent，可在用户引导下完成多步骤任务，目前面向美国 Ultra 用户测试开放。Gemini 3 已面向全球上线，学生用户可免费试用 Pro 计划一年。

ChainCatcher メッセージ、上海市商務委員会などの10の部門と機関が『上海港2025年における越境貿易の円滑化を促進するための特別措置』を発表しました。上海港は、即日から2025年8月末までの間に、今年度の上海港における越境貿易の円滑化を促進する特別行動を展開し、国際貿易分野のビジネス環境改革を継続的に推進します。その中で、上海港の物流輸送ネットワークを最適化することが提案されています。国際コンテナ輸送サービスプラットフォーム（MaaS）などのシステムを活用し、ブロックチェーン技術を利用して国際物流の多様な輸送手段の協調と協力を強化します。多様な輸送手段の「一単位制」「一コンテナ制」の発展を加速します。内陸水運システムの構築を推進し、河川と海を直結する通路の整備を加速します。「連動受け入れ」「出港確認」などの監督モデルを継続的に推進し、地域物流の効率を向上させます。

ChainCatcher のメッセージ、ChainOpera の共同創設者 Salman と Aiden が作り上げた別の会社 TensorOpera AI が Samsung Electronics と戦略的提携を結び、モバイルデバイスにおけるマルチモーダル生成 AI アプリケーションの画期的な革新を示しました。CES 2025 展で、TensorOpera AI は Samsung Electronics と戦略的提携を結び、Exynos プロセッサに基づいてモバイル端末向けのマルチモーダル AI の画期的なアプリケーションを実現することを発表しました。この技術は、Android アプリと C++ 推論パイプラインを最適化することで、スマートフォン上で低遅延、高性能の AI エージェントの実行を実現し、プライバシーの安全性とパーソナライズされたサービスを同時に確保します。ChainOpera のエコシステム企業として、TensorOpera はその創設チームと技術アーキテクチャを共有し、エッジとクラウドの協調技術を採用して AI サービスのコストを業界標準の 10% に圧縮しています。現在、ChainOpera の AI ターミナルは 100 万人以上のユーザーにサービスを提供しており、LLM によって駆動されるネットワークを通じてクラウド-エッジ-デバイスの三層連携を実現しています。「私たちはエッジとクラウドの協調の可能性を極限まで引き出しています。」と共同創設者の Salman は述べました。両社はハイブリッドエッジクラウドアーキテクチャに基づき、ブロックチェーンと分散型 AI 技術を組み合わせて、エッジ側のインテリジェンスの境界を継続的に拡大しています。この提携は、モバイル端の AI エージェント技術が大規模な応用の新たな段階に入ったことを示しています。