概要
NVIDIAの物理AI世界モデルや東大開発のマンガ生成AI、Googleの軽量マルチモーダルモデルなど、実用性と効率性を重視した最新の生成AI研究と技術動向を解説しています。
詳細内容
今週の生成AIウィークリー（第147回）では、多様な領域で進化する5つの主要技術が紹介されています。 1. **NVIDIA Cosmos 3**: 言語・画像・動画・音声・行動を単一アーキテクチャで統合した物理AI向け世界モデル。ロボット制御や自動運転に特化し、主要ベンチマークで首位を獲得。 2. **東大 MangaFlow**: ストーリーからコマ割り、作画、セリフ配置を別々のAIが連携して処理するフレームワーク。独自の記憶機能により、複数コマにわたるキャラクターの一貫性を実現。 3. **Google Gemma 4 12B**: エンコーダーフリー構成を採用し、16GBメモリのノートPCで動作する高性能マルチモーダルAI。 4. **Baidu PaddleOCR-VL-1.6**: 0.9Bの極小モデルながら、学習データの弱点を重点補強することで、Gemini 3 Pro等の巨大モデルを文書解析精度で凌駕。 5. **Hermes Desktop**: 自己改善型AIエージェントのデスクトップアプリ版が登場。 全体として、モデルの巨大化よりも、特定ドメインへの最適化とデバイス上での効率的な動作に焦点が当たっています。