Meta の Muse Image は描く前に計画する：推論優先の画像モデルの内側
Meta の Muse Image は絵を出す前に計画・検索・コード生成・確認を行い、検証をモデルの内側に取り込む。狙いは画質ではなく、数十億人の既定の画像レイヤーになることだ。
← すべての記事
カテゴリ
Ai
332 articles
12倍の開き：カタログ規模でAI画像生成は実際いくらかかるのか
同じ商品画像5万枚でも、モデルごとの月額請求は12倍以上開く。本当に費用を左右するのはランキングではなく合格率と再試行率だ。
コーディングエージェントに生まれたプラグイン経済：Claude Code Mods と Cursor Projects が変えるもの
10 月、コーディングエージェントの競争はモデルから拡張層へ移った。Claude Code Mods、Cursor Projects と一連のコミュニティ製スキルリポジトリが、価値がコード生成からそれを生成するエージェントの組織化へ移っていることを示している。
二千のエージェントが二週間で自分を書き換えた：Prime Agent が TypeScript を Rust へ移した方法
Prime Agent は自らのエージェントスウォームによって書き換えられた。2000 以上のエージェントが 2 週間で TypeScript から Rust へ移植した。その方法とガードレールを見ていく。
Modal のサンドボックス：エージェントに壊してよい一台を渡す
完全な VM サンドボックスは各エージェントに使い捨ての計算機を与える。地味な配管であり、エージェントが本物の権限を任されるかを決める。
Prism：オープンな 2K 音声付き動画モデルと、それが求める 80GB カード
ネイティブ 2K の同期音声付き動画を生成するオープンモデルは確かな一歩だ。誰が使えるかを決めるのは、それが要求するハードウェアだ。
エージェントが自らメディアを描くとき：GitHub トレンドの 3 つの新ツール
Hyperframes は HTML を動画に、ArtCraft は制作エンジンを束ね、text-to-cad は CAD をエージェントに渡す。エージェントは見えるものを作ることを学びつつある。
Gemini Live の Guided Vision：低視力の人に「見る」を取り戻す
Google は全盲・低視力のユーザーとともにリアルタイム視覚支援を最初から作った。地味だが鋭い、マルチモーダル支援が何のためのものかというテストだ。
Arena.ai のアラインメント基準：9 万件の実会話が示すもの
実ユーザーのトラフィックから作られたベンチマークは、手書きのテストセットよりずっとゲームしにくい。重要なのは方法であって、首位に立ったモデルではない。
Microsoft Decision-1：大きなモデルの代わりに選択肢を選ぶ小さなモデル
Qwen3.5-9B 上の Decision-1 は会話しない。どのモデルが要求を処理すべきかを決める。それは AI パイプラインで最も一般的な仕事だ。
Claude Motion：アシスタントが「動くもの」を作り始めるとき
Anthropic は Runway を立ち上げパートナーに、モーションツールを市場に送り出した。モーション設計は動画生成より小さな問題であり、はるかに日常的な問題だ。
YuE2-3B：オープンな音楽モデルが初めて Suno v5 を破った
3B のオープンモデルが主要なクローズドサービスに対する勝利を主張し、さらに珍しいものを備える。編集可能な旋律とコード譜だ。本当の制約はライセンスにある。