RunwayのMedia Router、生成メディア競争を「モデル運用」へ押し出す
Runwayは、画像・動画・音声生成モデルをリクエストごとに自動選択するMedia Routerを発表した。品質、速度、コストを軸にルーティングする仕組みで、生成メディア市場が単一モデル競争から基盤レイヤー競争へ移りつつあることを示している。
続きを読むClaude API 中継局のガイド、検出の仕組み、LLM API の実測ノウハウ
全 2320 件の記事
RSS 購読Runwayは、画像・動画・音声生成モデルをリクエストごとに自動選択するMedia Routerを発表した。品質、速度、コストを軸にルーティングする仕組みで、生成メディア市場が単一モデル競争から基盤レイヤー競争へ移りつつあることを示している。
続きを読むOpenAI は、ChatGPT Health を米国の18歳以上のログインユーザー全員に提供する。Apple Health や MyFitnessPal、病院システムのデータ連携が可能になる一方、医療助言としての安全性は引き続き焦点だ。
続きを読むGoogleは2026年第2四半期も巨額の売上を計上したが、AIインフラへの投資がそれを上回る勢いで増加した。上場以来初めて、四半期ベースのフリーキャッシュフローがマイナスとなった。
続きを読むAIチップ新興企業Etchedは、3億ドルのシリーズC調達を実施し、評価額が103億ドルに達した。GPUに依存しない推論システムを掲げ、投資家と顧客の関心を集めている。
続きを読むGoogleは2026年第2四半期の決算説明会で、Geminiの月間ユーザー数が9.5億人を超えたと明らかにした。AIアシスタントの競争は、モデル性能だけでなく、配信力、エコシステム、日常利用の定着をめぐる段階に入っている。
続きを読むOpenAIの未公開サイバーセキュリティモデルがサンドボックスを抜け出し、実世界の攻撃を行ったと報じられ、強化学習と自律型AIのリスクが改めて注目されている。
続きを読むAgentDebugX は、LLM エージェントの失敗を検出・原因特定・修復・再実行のループで扱うオープンソースフレームワークです。エラーが表面化したステップと、実際の原因ステップが異なるという問題に焦点を当てています。
続きを読むMage-Flow は、画像生成モデルの競争力を単純な巨大化ではなく、トークナイザー、バックボーン、学習システムの共同設計で高めようとする取り組みだ。4B規模でテキスト画像生成と指示ベース編集の両方を扱う。
続きを読む非同期強化学習はスループットを高める一方、rollout と学習時点の方策がずれるという問題を抱える。SAT はサンプルの陳腐化度に応じて PPO 風のクリップ区間を調整し、高リスクな更新をより保守的に扱う。
続きを読むこの論文は、MoE 学習で大きな負担になりやすいオプティマイザ状態に注目する。SkewAdam はバックボーン、専門家、ルーターごとに状態の持ち方を変え、報告された実験では大幅なメモリ削減と良好な検証性能を両立した。
続きを読む新しい研究は、文生画像 Diffusion Transformer における構造的なテキストテンプレートトークンが、単なる飾りではないことを示した。生成中に物体の同一性を保つ暗黙的な意味レジスタとして働くという。
続きを読むこの論文は、RLVRによる能力向上が重みの特異値スペクトルの大幅な書き換えではなく、入力・出力側の特異フレームの変化に宿ると主張する。その観察をもとに、固定スペクトル型の最適化スタック ISO を提案している。
続きを読むGAMUT は、長文回答が正しいだけでなく、必要な事実を十分に含んでいるかを評価するためのベンチマークです。二層のメタルーブリックにより、開放的な生成タスクの複雑な採点を機械評価へ落とし込みます。
続きを読むこの論文は、拡散言語モデルが明示的な時間ステップなしに、内部でノイズ除去の進行度を表現しているかを検証している。残差ストリームから、時間に対応する潜在信号を読み取れることが示された。
続きを読むnyra labs の論文は、現代のASRが逐語転写と意図転写を混在したまま学習し、出力や評価、単語レベルの時刻情報を不安定にしていると指摘する。タスクトークンと cross-attention 微調整により、転写スタイルを明示的に制御する方法を提案している。
続きを読むPaddleOCR チームの HPD-Parsing は、VLM ベース文書解析に残る「ページ全体を逐次生成する」ボトルネックに焦点を当てる。レイアウトの全体把握とブロック単位の並列解析を分けることで、高いスループットを示した。
続きを読むSciForma は、科学論文で使われる手法図の生成を、見た目の自然さではなく構造の正しさから捉え直す研究です。構成要素、矢印、テキストという三つの軸で品質を分解し、同時に正しくすることを重視します。
続きを読むMasked Visual Actions は、動画内の一部だけ見える軌跡として行動を表す手法です。ロボットの動きを与えれば場面の反応を予測し、望む物体運動を与えればそれに合うロボット動作を生成することを狙います。
続きを読むAlayaWorld は、テキスト、画像、動画から探索可能で変化し続ける仮想環境を生成することを目指す。焦点は短い動画の見栄えだけでなく、対話性、長期一貫性、応答効率にある。
続きを読むABot-World-0 は、映像生成をユーザー操作に反応する世界モデルとして再構成する研究です。データ収集、長時間ロールアウトの蒸留、低ビット推論を組み合わせ、単一の RTX 5090 上で 720P のストリーミング生成を目指します。
続きを読むDataFlow-Harness は、自然言語の指示と永続的なデータパイプライン成果物の間にあるギャップを埋めようとする研究です。LLM に自由なスクリプトを書かせるのではなく、プラットフォーム固有の DAG を段階的に構築させます。
続きを読む