NVIDIAは、OpenMDW-1.1ライセンスの下で、ロボタクシーや自律運転用に設計された340億パラメータのビジョン・ランゲージ・アクション（VLA）モデルであるAlpamayo 2 Superをリリースしました。このモデルは、32BのCosmos 3 Super Reasonerバックボーンと2.3Bの拡散ベースのアクションデコーダを組み合わせてマルチカメラ映像から軌道、因果説明、メタアクションを生成することで、ロングテール事象に対応します。
研究者らは、Video-DeepResearch (Video-DR) を導入した。これは、マルチモーダルエージェントを静止画像から連続動画ストリームへと拡張するフレームワークであり、モダリティバイアスとパラメトリックな知識の漏洩に対処する。
Shieldstralは、コンテンツモデレーションをポリシー適応型の質問応答タスクとして位置づける3Bのオープンウェイト・マルチモーダル安全分類器であり、再学習なしで推論時に自然言語によるポリシーを受け入れることができる。テキストと画像の安全評価を統一し、多様なベンチマークで補正された安全スコアを提供しながら、単一の16GB NVIDIA GPU上で効率的に動作する。
Douyinは、大規模な対照的事前学習と潜在推論を組み合わせて、強力な識別力と効率性を実現するマルチモーダル埋め込み（DME）モデルの技術レポートを公開しました。
本記事は、Qwen3.8-Maxのone-shot評価コンテキストにおけるパフォーマンスを強調し、複雑な物理シミュレーションを処理する能力に言及しています。
MiniMaxは、そのMiniMax-H3モデルをHugging Faceで公開しました。この汎用オムニモーダル生成システムは、テキスト、画像、動画、音声で構成されるマルチモーダルコンテキストの統合理解をサポートします。
Thinking Machines Labは、総パラメータ数2760億、アクティブパラメータ数120億のオープンウェイトMixture-of-ExpertsモデルであるInkling-Smallをリリースした。このモデルは、テキスト、画像、音声に対してネイティブに推論するように訓練されており、1Mトークンのコンテキストウィンドウと調整可能な思考努力（thinking effort）を特徴とする。
最新のオープンモデル成果物のまとめでは、Thinking MachinesとTencentによる重要なリリース、およびPoolsideとDeepSeekのアップデートが注目されています。
高校2年生のHanyu（Olivia）Yu氏は、cs.LGまたはcs.CVのarXiv推薦者を探しており、彼女の独立したプレプリント「AttnRoute-MoE: Attention-Prior Routing for Mixture-of-Experts Vision Transformers」をアップロードしようとしています。
llama.cpp プロジェクトはビルド b10218 をリリースし、これには pull request #25993 経由で minicpmv46 ダウンサンプリングサポートの追加が含まれています。このアップデートでは 4x ignore VIT merger が導入され、ダウンサンプリングモードが GGUF フォーマット内に配置されました。
本AIニュースまとめは、価格改定、オープンウェイトモデル、ロボティクスインフラにおける重要な進展をカバーしています。OpenAIはGPT-5.6のコストを大幅に削減し、Thinking Machinesはコンパクトなマルチモーダルモデルをリリース、Google DeepMindはロボティクスの能力を拡大しました。
Microsoftは、画像および動画の理解のために設計された効率的な4Bパラメータのマルチモーダル基盤モデル「Mage-VL」をリリースした。このモデルは視覚処理を効率化するためにコーデックネイティブのアプローチを採用している。システムは動画ストリームをアンカー（I）フレームと予測（P）フレームに分離し、コーデックがビットを割り当てるパッチのみを保持することで、視覚トークンの消費量を75%以上削減する。
NVIDIAの研究チームは、マルチモーダル大規模言語モデル（MLLMs）の空間知能を分解するために設計された診断フレームワークであるSpatial-IQを発表しました。既存のベンチマークがモデルをブラックボックスとして扱うのとは異なり、このアプローチは、積み重ねられた3D構造における物体数え上げを、人間の発達段階と一致する9つの知覚・認知サブタスクに分解します。
研究者らは、2Dおよび3Dの医療画像理解を統合することで、臨床現場でのAI導入の課題に対処するために設計されたビジョン中心のマルチモーダル大規模言語モデルであるClinFusionを紹介した。本システムは、Cascade Spatial-Aware Locality Fusion演算子を持つ構成型カスケードビジョンエンコーダを特徴とし、MedIF-Benchおよび領域焦点（ROI）ベースの指標からなる新しい評価フレームワークを含んでいる。
研究者らは、2Dおよびネイティブ3D画像分析を統一し、包括的な医療理解のために設計されたビジョン中心のマルチモーダル大規模言語モデルであるClinFusionを発表した。このシステムは、異種医療画像の課題に対処するために、Cascade Spatial-Aware Locality Fusion演算子を持つ構成型カスケードビジョンエンコーダを利用している。
研究者は競技シューティングゲーム『Delta Force』のゲームプレイ動画を分析し、ジェスチャーや移動パターンなどの emergent な非言語コミュニケーションを抽出・理解しています。この研究は、主にMOBAゲームや他のシューターにおける verbal coordination に焦点を当てていた先行研究の gap を埋めるものです。
llama.cpp プロジェクトはビルド b10142 をリリースし、MiniMax-M3 モデルのプレビュー版の視覚サポートを導入しました。このアップデートは、既存の MiniMax-M2 のコンポーネントを再利用するテキスト専用のポートを実装しています。これには、ヘッドごとの QK ノーマライゼーションと部分的な回転位置エンコーディングを備えた GQA、DeepSeek-V3 スタイルのエクスパート、および swigluoai 活性化関数が含まれます。
Black Forest Labsは、単一のアーキテクチャ内で画像、動画、音声から学習するマルチモーダル基盤モデルであるFLUX 3をリリースしました。これは、1つの重みセットから動画、音声、動作の予測を出力する初のFLUXモデルです。
Induction Labsは、アクションラベルなしで生動画から未来のフレームを予測することでデスクトップ環境のシミュレーションやゲームプレイを学ぶ、スパースな106B-A5B Mixture-of-ExpertsトランスフォーマーであるPhoton-1をリリースした。このモデルは有限スカラー量子化を用いて各フレームを960個の離散トークンに圧縮し、テキストやレイアウトの詳細を保持しつつ、既存の表現よりも100倍以上の圧縮率を実現している。
FLUX 3は、画像、動画、音声、アクション予測のタスクを処理するように設計された単一のマルチモーダルモデルとして紹介されています。このシステムは、さまざまなスタイルでよりリアルな創作を生み出すことを目指しています。