技術分野
オープンソースのモデル、フレームワーク、リポジトリの動向：モデルの重み公開、コミュニティプロジェクトの急成長、オープンソースとクローズドソースの勢力変化。
21 件のおすすめ過去30日間 0 件収録記事数 22 件
公開記事から選んだ直近12か月の主な出来事を、発表・発生日順に表示しています。
Ai2は、研究質問と検索された文献抜粋から引用付きレポートを生成する「AstaBrief 8B」を公開した。AstaのGenerate a report機能ではFast modeとして提供され、Thinking modeの平均178.5秒に対し、レポート生成は平均51.1秒だった。モデルの重みと学習データに加え、研究者が自身のPDFからレポートを作るためのサンプルワークフローも公開した。
推荐理由：実クエリを使った学習と引用密度によるデータ選別が、科学文献のレポート生成にどう結びついたかを追えます。
Hugging Faceは、オープンソースの多言語テキスト音声合成（TTS）モデルを評価するOpen TTS Leaderboardを公開しました。WER・CERによる明瞭度、H200 GPUやCPUでの生成速度、話者類似度を測定し、モデル評価にかかる時間を数週間から数時間に短縮します。人間の嗜好評価に代わるものではなく、自然さや表現力、聴き手の好みを直接測る指標ではないと説明しています。
推荐理由：評価が数週間から数時間に短縮される仕組みと、WERや速度などの指標を確認でき、人間の嗜好評価を補完する方法が分かります。
NVIDIAは、表形式データの分類・回帰に対応する基盤モデル「Kumo Tabular」をHugging Faceで公開しました。ラベル付き行を文脈として与えると、追加学習や特徴量エンジニアリングなしで新しい行を予測でき、28M〜215Mパラメータの3サイズを用意しています。
推荐理由：人工データだけで事前学習した表形式データ向け基盤モデルが、複数のベンチマークで示した精度と速度を比較できます。
H Companyは、GUI、コード、MCP、APIを使い分けてソフトウェアを操作するエージェントモデル「Holo4」を公開した。27B denseと35B-A3B Mixture of Expertsの2サイズがあり、OSWorld 2.0ではHolo4 27Bが61.7%、Holo4 35B-A3Bが30.9%を記録した。両モデルはH Models APIで利用でき、重みも公開されている。
推荐理由：GUI、コード、MCP、APIをまたいで動作する設計と、OSWorld 2.0でのスコアが示され、汎用エージェントの性能とコストを比較できます。
Liquid AIは、視覚言語モデル「LFM2.5-VL-3B」向けの実験的なDSparkドラフトモデル「LFM2.5-VL-DSpark」を公開した。推測デコーディングにより、デバイス上で最大3.13倍、H100で最大2.66倍のデコード速度を示し、エンドツーエンドの速度向上はそれぞれ最大2.62倍、2.27倍。
推荐理由：タスク別の推論速度とエンドツーエンドの改善幅を示し、推測デコーディングがVLMの処理全体に与える効果を比較できます。
Hugging Faceは、TransformersでGGUF形式のモデルを読み込み、ローカル実行できるようにしました。初期対応はApple Silicon上のQwen3.5系で、ggmlのMetalカーネルを利用し、ベンチマークでは3種類のチェックポイントでllama.cppに近い性能を示しています。現時点のパック済み推論はMPSのみで、対応アーキテクチャにも制限があります。
推荐理由：GGUFをTransformersで扱う方法に加え、llama.cppとの速度比較や対応環境も示され、ローカル推論での使い分けを判断できます。
Hugging Faceは、tokenizers v1のリリース候補版について、v0.23と同じトークンIDを保ちながら、Apple M4 Maxの1スレッド測定でエンコードが3〜30倍高速になったと報告した。8ワーカーでは線形スケーリングの76%に達し、測定対象の10モデルファミリーで評価している。リリース候補版はcrates.ioで公開され、既存と同じAPIで利用できる。
推荐理由：比較条件やキャッシュの扱いを明示したうえで速度とスケーリングを測定しており、トークナイザーの性能評価を読み解く手掛かりになる。
ALTK-Evolveに、AIエージェントの判断の揺らぎを調べるConsistency Analyzerと、一貫性を改善するガイドライン生成機能が追加されました。研究チームは、GPT-4.1を使うAppWorldの実験で、平均成功率を下げずに実行間の一貫性を改善したと報告しています。
推荐理由：平均成功率だけでは見えないエージェントの再現性を、Pass^kとMean@kの差で測り、判断の揺らぎを特定して改善する手順を示しています。
Sakana AIは、複数のオープンモデルや特化型モデルを組み合わせるFugu MaxとFugu Ultra v2を公開しました。Fugu Maxは入力1Mトークンあたり$2、出力1Mトークンあたり$6で、7つのベンチマークのうち10項目中7項目でコスト性能のパレートフロンティアを拡張したとしています。
推荐理由：低コストを狙うFugu Maxと性能を重視するFugu Ultra v2を比較し、複数モデルを組み合わせるオーケストレーションの二つの方向性を示しています。
Hugging Faceのブログは、TRL v1.14のAsyncGRPOTrainerでLoRAアダプターのみをHugging Face Jobs上のvLLMに同期し、学習と推論を別マシンで実行する構成を紹介しています。
推荐理由：LoRAアダプターをStorage Bucket経由で同期する構成と、5回の実験でボトルネックを移しながら所要時間を短縮した手順を具体的に追えます。
Hugging Faceは、複数のコーディングエージェントが過去の作業履歴を検索・参照できる記憶ツール「funes」を公開しました。ローカルで履歴を索引化し、必要に応じて自分が所有するHugging Face datasetへ共有できます。検索結果は元の発言と出所を示し、ベンチマークでは2つのタスクとも、書面の引き継ぎより4〜8倍低コストでした。
推荐理由：複数のコーディングエージェントやマシンで作業履歴を共有し、回答の根拠となる元の発言までたどれる設計が示されています。
筆者はTRLとOpenEnvを使い、Qwen/Qwen3.5-35B-A3Bを水彩画のコード生成に向けて強化学習し、データセットや環境、学習スクリプト、モデルを公開しました。手作業で評価した178点の絵を報酬に使い、報酬配分の異なる3つの学習結果を比較しています。ペアワイズ判定を使った設定では、参照画像に近づくにつれて描画の質や絵の具の使用量が向上したと報告しています。
推荐理由：手描き評価の178点を報酬に組み込む設計と3種類の報酬配分を比較し、好みを反映した学習で何が変わるかを具体的に示しています。
Hugging Face Blogは、TRLを使ってLFM2.5-350MをGRPOでファインチューニングする手順を公開し、IFStructのスコアが22.6%から29.7%に上がったと報告した。
推荐理由：約500件のデータと100ステップで構造化出力の評価値がどう変わるかを、学習設定と同一条件の比較から追えます。
Hugging Faceは、207種のWebGPUカーネルと、Hubから読み込んで実行するJavaScriptライブラリ@huggingface/kernelsを公開した。
推荐理由：カーネルごとに契約、正当性テスト、ベンチマークをまとめて公開し、実機の検証結果をFleetで集める設計が、WebGPU最適化の進め方を具体化している。
Hugging FaceとVoice Arenaは、Open ASR Leaderboardにヒンディー語とインド英語の評価セット「Monsoon en-IN」「Monsoon hi-IN」を追加した。4つの公開・非公開分割は計4,888人の話者から収集され、各話者の属性を記録している。ヒンディー語では表記の異形を許容する lattice を採用し、OIWERで評価する。
推荐理由：話者属性や地域別に認識誤差を分析できる評価セットと、ヒンディー語の表記揺れを扱う採点方式を導入し、従来のWERでは見えにくい差を比較できます。
Hugging Faceは、Gradioに組み込まれたgr.Workflowを紹介しました。処理手順を型付きノードのグラフとして組み立て、ドラッグ＆ドロップの画面で各ノードを実行し、中間結果を確認できます。ワークフローはREST APIとしても利用でき、Hugging Face Spacesへ1コマンドでデプロイできます。
推荐理由：処理手順をグラフとして操作でき、各段階の実行結果を確認しながら、同じワークフローをREST APIとして呼び出せる点が具体例とともに示されています。
研究チームは、音声認識モデルが公開ベンチマークに特化している度合いを測る3つのテストを用い、広く使われるオープンソースASRモデル11種を評価しました。
推荐理由：11種類のオープンソース音声認識モデルを3つのテストで調べ、公開ベンチマークのスコアが音声の忠実な書き起こしをどの程度反映しないかを具体例と数値で示しています。
Liquid AIは、LFM2.5-1.2B-Instruct、LFM2.5-2.6B、LFM2.5-8B-A1B向けのDSparkドラフトモデルを公開し、推測デコーディングによる推論高速化を可能にしました。
推荐理由：GPUとMacBookでの速度向上を同じベンチマーク条件で比較し、モデルごとの伸びの差やMoE実装上の制約も示しています。
Hugging Faceは、Hub上の活動データに基づき、2026年1〜8月のオープンモデル市場の動向をまとめた。モデル数やデータセット数が増える一方、ダウンロードは少数のリポジトリに集中し、「いいね」が示す注目とダウンロードが示す利用には大きな隔たりがある。分析では、Qwenの派生モデルが151,448件に達したことや、エージェントによるHubへのアクセスが増えていることも報告している。
推荐理由：ダウンロード数と「いいね」を分けて読むことで、注目度と継続利用の違いを示し、公開モデルの普及を捉える視点を提供している。
Hugging Faceは、コミュニティ参加者1,221人が19日間でICML 2026の論文2,226本を再現検証したハッカソンの結果を公開した。35,908件の主張を判定し、検証した論文の51%で少なくとも1件の主張を独立に確認する一方、23%では反証または異論があった。
推荐理由：論文単位の再現率だけでなく、検証済みの誤りや誤検出も具体例で示し、AIエージェントによる研究監査の可能性と人間の役割を考える材料になる。