ClaudeとChatGPTのラージモデルに関するニュースや情報を更新しています。このブログは、現在の最先端の大規模言語モデル（LLM）の動向、技術の更新、さまざまなドメインでの実用的なアプリケーションの追跡と解析に焦点を当てています。
阶跃星辰(StepFun)团队开源了NextStep-1，一款14B参数的纯自回归图像生成模型。该模型直接在连续视觉空间生成图像，无需依赖扩散模型或离散化处理，由14B参数Transformer骨干和157M参数流匹配头组成。它支持高保真文生图及精准图像编辑（如物体增删、背景修改），在GenEval（0.73）、GenAI-Bench等基准测试中表现优异，接近顶尖扩散模型。但存在生成不稳定、解码延迟等挑战，标志着自回归图像生成新阶段。
Nanobrowser是近期在GitHub爆火的开源AI浏览器自动化框架，上线一周获17,000+星标。其核心采用双智能体协作模式：Planner拆解自然语言指令为操作步骤，Navigator在真实网页中执行、读取等操作。该项目支持本地运行及多模型接入，可实现论文抓取、比价、舆情监控等网页自动化任务，典型案例显示其2分半完成论文数据抓取，成本仅0.1元。
Web3已从概念走向现实，2025年全球市场规模达213.5亿美元，中国相关产业规模超200亿元。其核心在于用户主权，通过区块链、智能合约、NFT和DID实现权力重分配。五大应用场景包括：DeFi（TVL超1200亿美元）、NFT实用化（如星巴克权益）、DAO（活跃组织超5000个）、GameFi（超3100款游戏）和去中心化身份。市场正从投机转向价值驱动，未来机会聚焦创作者经济、数字身份及RWA资产代币化，目标重建数字信任与公平。
LTX-2は、Lightricksがリリースした世界初の音声と映像が同期した4K映像生成モデルで、テキスト/画像入力に対応した20秒、50fpsのHD映像を生成する。キャラクターの口パクや音声同期が可能で、ComfyUIでローカルに実行・展開でき、5年11月下旬にオープンソース化される予定だ。プロ仕様のオーサリングツールとして、LTX-2は「テキストを映画のようなショートフィルムにする」ことを現実のものにします。
2025年のブロックチェーン、ビットコイン、Web3は、「デジタルゴールド」の価格が11万米ドルを超え、史上最高値の11万1013米ドルに達したことを明らかにした。ブロックチェーンは「新しいインフラ」となり、政府、金融などの分野で応用され、RWA市場の市場規模は2025億米ドルに達し、Web3市場の市場規模は213.5億米ドルに達した。Web3の市場規模は213.5億米ドルに達し、実際のアプリケーションに転換し、2030年には5.1兆米ドルに達すると予想されている。中国はブロックチェーンを支持するが、Web3の「コインレス」路線に注力。
Cursor 2.0は、GPT-5とClaude Sonnet 4.5の2倍である最大250トークン/秒の速度でコードを生成する自社開発の大型モデル、Composerの発表とともに正式にリリースされました。このモデルは実際の開発シナリオのために特別に訓練されており、コーディング、テスト、バグ修正の全プロセスを自律的に完了することができます。
FlowithOSは、AI知能のために設計された世界初のネイティブ・オペレーティング・システムであり、チャットに限定されることなく、複雑なタスクを実行することができる。Chromiumブラウザをベースにしたこのシステムは、無制限のコンテクスト・メモリとSkillsライブラリでクロスプラットフォームのマルチタスクを並行してサポートし、タオバオでの買い物、マイクロブログ、データ収集といった実世界のタスクを自動化できる。現在は初期ベータ版で、WindowsとmacOSをサポートし、体験には招待コードが必要。
MiniMaxは新世代のオープンソースビッグモデルM2をリリースした。このモデルは、世界トップ5に入る性能を持ち、価格はクロード4.5の8%のみである。プログラミング、エージェントワークフロー、マルチモーダルタスクにおいて優れた性能を発揮し、AI分野における高性能、低価格、高速という「不可能の三角形」を打ち破った。
アルファアリーナのAIコイン投機ライブアリーナでは、6人のトップAIモデルがそれぞれ暗号通貨市場で1万ドルのリアルマネーで独自に取引を行った。10月23日現在、Qwen3 Max (Alibaba)が+44.38%の利益と$14,438の口座残高で1位、DeepSeek Chat V3.1が+20.92%の利益と$12,092の残高で2位となっており、中国のAIが上位2位を占めています。Gemini 2.5 Proのような他の北米のモデルは、60%以上の損失を出した。中国のモデルの強みは、定量的思考、リスクコントロール、過度な取引をしないことであり、実際の市場の意思決定におけるAIの可能性を示している。
DeepAnalyzeは、中国人民大学と清華大学のチームによって共同開発されたオープンソースのエージェントベースの大規模言語モデルであり、自律的なデータサイエンスのための最初のエンドツーエンドのソリューションです。DeepAnalyze-8B（8Bパラメータ）は、ベンチマークにおいてGPT-4o-miniなどの商用モデルを凌駕しており、モデルの重み、コード、トレーニングデータが完全にオープンソース化されているため、DeepAnalyzeは専用のデータサイエンス・アシスタントとして導入することができます。専用のデータサイエンス・アシスタントとして展開することができます。
レーサーは、自社開発モデル、ツール、プラットフォームを網羅し、20以上のプログラミング言語と複数の種類の開発タスクをサポートするAIプログラミング製品マトリックスKAT-Coderを発表した。そのオープンソース版KAT-Dev-72B-Expは、SWEベンチリストでGPTとClaudeを上回る74.6%を記録した。 このモデルは、コード生成、デバッグ、最適化などの機能を持ち、主流の開発ツールと互換性があり、ウェブページ生成、電子商取引ウェブサイト、3D特殊効果などの分野での応用に強い可能性を示しており、KATのAIプログラミングトラックへの正式参入を意味する。
DeepSeek-OCRは、視覚言語モデルと「文脈光学圧縮」技術に基づき、画像を視覚トークンに変換することで効率的な長文テキスト処理を実現し、圧縮率10倍で97%、圧縮率20倍で60%の精度を維持します。圧縮率10倍で97%、圧縮率20倍で60%の精度を維持し、テストでは、ビジュアルトークン100個でGOT-OCR2.0を上回り、トークン800個以下でMinerU2.0を上回り、複雑な文書の構造を再構築できる。
2025年のAIエージェントブームの代表格であるManusは、大規模なモデル、ツールチェーン、メモリー技術に依存してタスク実行を実現するが、専門的なシナリオの深耕とクローズドループ配信の欠如により、「万能エージェント」というバブルを露呈している。問題の根源は、エンジニアリングの蓄積不足と資本主導の近視眼にあり、機能の積み重ねはあってもインテリジェンスは限られている。業界は、決定論的プロセスとデータ駆動を重視する医療エージェントOpenEvidenceのような垂直分野に目を向けつつあり、未来は、焦点を絞り、評価可能で、地に足のついた「ダム・インテリジェンス」路線に属することを明らかにしている。
OpenAIは、ChatGPTのインテリジェントな機能を深く統合した初のAIネイティブブラウザ、ChatGPT Atlasをリリースした。その主な機能は、リアルタイムのAI支援によるウェブコンテンツの要約とインタラクション、インテリジェントなライティング最適化、ブラウザ操作の自然言語制御、パーソナライズされたメモリ推薦、ショッピングや予約タスクを自動化するインテリジェントボディモード、カーソルチャットのためのリアルタイムテキスト処理などです。このブラウザは、ブラウジングの効率を向上させ、タスクを自動化し、AI技術によって人間とコンピュータのインタラクション体験を刷新する。
グーグルのVeo3.1は、AI動画生成の分野でOpenAIのSora2と競合している。Veo3.1は、オーディオとビデオの正確な制御と高品質な同期を強みとしており、プロフェッショナルな長編動画の作成に適している一方、Sora2は滑らかで自然なダイナミックエフェクトとエンターテイメントに優れており、クリエイティブな短編動画に適している。どちらにもそれぞれの利点があり、具体的な用途に応じて選択することができます。
Google Gemini 3.0 Proは、シンプルなプロンプトに基づき、macOS、Windows、およびLinuxオペレーティングシステム用の完全な機能を持つウェブインターフェースを1つのHTMLファイルで生成するパワーを持ち、スムーズなインタラクティブ体験を提供します。インターフェースの複製と機能シミュレーションにおいては、Claude 4.5 Sonnetのようなモデルを凌駕しているが、フロントエンドのシミュレーションに限定されており、基礎となるシステムロジックが欠けている。
テンセントのハイブリッドチームは、業界初のアートグレードの基準を満たした3Dジェネレーティブ・ラージモデル「Hunyuan3D-PolyGen」を発表した。このモデルは、ゲーム開発や映画・テレビ制作で使用できるプロフェッショナルな3Dモデルを生成でき、アーティストの作業効率を大幅に向上させる。このモデルは、複雑形状のモデリング能力と生成の安定性において大きな技術的ブレークスルーを持ち、複数の入力メソッドをサポートし、BPT圧縮と強化学習最適化戦略によってトークン数を大幅に削減し、モデリング品質を向上させます。現在、Tencent Hybrid 3Dプラットフォームを通じて無料で体験することができる。
エクセルの表処理は複雑な操作のため、しばしば悩まされる。新興のAIツールShortcutは、自然言語との対話を通じて処理を簡素化する。エクセルのトーナメントをシミュレートした複雑なタスクを80%以上の精度で10分で完了し、データ処理から金融モデリングまで幅広いアプリケーションをサポートする。自然言語入力は関数の構文に取って代わり非常に便利ですが、非常に複雑なデータ処理やフォーマットにはまだ限界があります。現在社内テスト中で、Googleメールユーザーは無料で3回体験できる。
バイドゥの商業研究開発チームが発表したマルチモーダル生成モデル「MuseSteamer」は、VBenchのグラフィック動画評価で世界1位を獲得し、中国語の音声と動画の同時生成、洗練された描写システムとスタイル制御において重要なブレークスルーを果たし、優れた意味理解能力を発揮している。MuseSteamerは、レンズのスケジューリング能力がなく、生成速度が遅いという欠点があるものの、国内AI動画技術の発展における重要なマイルストーンであり、ターボ版は無料で体験できるように開放されている。
Tencent AI Labは、革新的な技術アーキテクチャとトレーニング方法によって、音質、音楽性、生成速度の課題を克服したオープンソースの音楽生成モデル「SongGeneration」を発表した。このモデルは、インテリジェントなテキストコントロール、正確なスタイルフォロー、マルチトラック生成、音色のクローニングという4つのコア機能をサポートしており、音楽制作の敷居を大幅に下げている。3段階のトレーニング戦略と多次元的な人間の嗜好アライメントが、生成効果をさらに高めます。権威ある評価では、このモデルはオープンソースモデルの中で1位であり、商用モデルのレベルに近く、Hugging FaceやGitHubで経験を公開し、インテリジェントな音楽制作の普及に貢献している。
AliCloudはこのほど、最新のマルチモーダルAIモデル「Qwen-VLo」をリリースした。このモデルの画像生成・編集能力は、GPT-4oを凌ぐとユーザーから高い評価を得ている。 このモデルは、強化されたディテールキャプチャ、シングルコマンドでの画像編集、多言語サポート、柔軟な解像度適応などの利点を持ち、画像認識、オブジェクト置換、プログレッシブ生成で優れた性能を発揮する。現在、Qwen Chatプラットフォームを通じて無料でご利用いただけます。
