#open source のAIニュース

Hugging Face に PP-OCRv6 を公開：150 万パラメータから 3450 万パラメータへ拡張した 50 カ国語対応 OCR

Hugging Face が、PP-OCRv6 モデルを公開しました。このモデルは、パラメータ数を 150 万から 3450 万に増やすことで、50 の言語に対応する高精度な OCR（光学文字認識）機能を実現しています。

OpenClaw リポジトリのトリアージをローカルモデルで無料で行えるようになりました！

Hugging Face が、OpenClaw リポジトリの内容をトリアージするためにローカルモデルを利用する仕組みを無料で提供開始した。

Cisco AI、FAPO（パイプライン対応プロンプト最適化）を発表：ステップごとの失敗特定とClaude Codeによるオーケストレーションを実現

Cisco AIは、LLMアプリケーションの信頼性向上を目的とした「FAPO」というシステムを導入した。これはClaude Codeを活用し、多段階パイプラインにおける各ステップの失敗箇所を特定しながらプロンプトを自動最適化する技術である。

Domyn と AISquared が Ai2 のオープンリリースをどう活用したか

Domyn と AISquared は、透明性やライセンス管理が不可欠な規制業界向けに AI モデルを開発する際、Ai2 のオープンソースリリースを活用している。これにより顧客の信頼とコンプライアンス確保を実現している。

エージェント性は十分か？独自ツールを用いたオープンモデルのベンチマーク調査

Hugging Face が、独自に構築したツール環境において、オープンソースモデルがどれほど「エージェント性」を発揮できるかを評価するベンチマーク手法を発表しました。

Hugging Face Hub からロボットハードウェアへ：Strands Agents と LeRobot の連携

Hugging Face が、同社のプラットフォーム上で開発された Strands Agents および LeRobot を活用し、AI モデルを直接ロボットハードウェアに展開する取り組みを発表した。

eve の紹介：エージェント構築・実行・スケーリングのためのオープンソースフレームワーク

Vercel は、生産環境での動作に必要な部品を組立ずに定義だけでエージェントを構築できるオープンソースフレームワーク「eve」を発表した。同社は自社のエージェント開発にこのフレームワークを採用している。

Android 17 が AI エージェント統合を拡大（8 分読了）

Google は Android 17 で AppFunctions と Android MCP を導入し、オンデバイス AI エージェントがアプリからツールを発見・実行できる機能を追加した。これはプラットフォーム全体での AI 統合を深める「インテリジェンスシステム」への移行の一環である。

エージェント構築・運用・スケーリングのためのオープンソースフレームワーク「eve」の公開

Vercel が、ファイル構成でエージェントを定義し、耐久性実行やサンドボックス機能などを備えたオープンソースフレームワーク「eve」を一般プレビューとして発表した。

Google Cloud、AI エージェントに構造化された文脈を提供するベンダー中立の Markdown 仕様「Open Knowledge Format（OKF）」を発表

Google Cloud は、LLM の知識不足という課題に対処するため、表スキーマやメトリック定義などを整理した形式を標準化するオープン仕様の「Open Knowledge Format（OKF）」を発表しました。これにより、AI エージェントが散在する情報を統合的に活用できるようになります。

レイアウト認識ドキュメントインテリジェンスのための Docling Parse を用いた解析パイプライン構築方法

MarkTechPost は、Docling Parse を使用して PDF ドキュメントの詳細な構造レベルで分析するワークフローの構築方法を解説しています。このチュートリアルでは、安定した Python 環境の準備や Colab の依存関係問題への対処法を説明し、テキストや表、画像を含むカスタム多ページ PDF を生成する方法を示します。その後、Docling Parse で単語や文字、行を抽出して座標情報を取得し、可視化オーバーレイを描画して構造化された JSON や CSV ファイルとして保存する手順を紹介しています。

OLMO-EVAL：モデル開発ループのための評価ワークベンチ（7 分読）

TLDR AI は、反復的な大規模言語モデルの開発を支援する新しい評価ワークベンチ「OLMO-EVAL」を発表しました。このツールは既存の OLMES 基準を強化し、ベンチマークの追加やエージェント型・多ターン評価を簡素化します。

MiniMax のスパースアテンション技術が百万トークンコンテキストを実現（GitHub リポジトリ）

MiniMax が開発したスパースアテンションアーキテクチャは、グループ固有の Top-k ブロック選択を用いて、モデル品質を維持しつつ 109B モデルで 1M トークンの推論計算量を約 30 倍削減し、GQA と同等のパフォーマンスを達成しました。

カウント・アンイシング（2 分読了）：テキストガイド付き汎用オブジェクト計数モデルの提案

TLDR AI は、特定ドメインに依存せず多様な視覚領域や物体スケールに対応する、テキストガイド付きの一般化型オブジェクト計数モデル「Count Anything」を発表した。既存モデルの汎用性の低さを克服し、高精度な計数を可能にする。

Pyodide で利用可能な WASM ウィールを PyPI に公開する方法

Simon Willison は、Pyodide や PEP 783 に準拠する Python ランタイム向けにビルドされたパッケージを、直接 PyPI に公開してインストールできるようになったと報告した。

city2graph、OSMnx、PyTorch Geometricを用いた都市機能推論のための空間グラフニューラルネットワークの実装チュートリアル

MarkTechPostが公開したチュートリアルでは、OpenStreetMapから収集した実データと合成データを組み合わせて都市のPOI情報や道路網を取得し、city2graphツールで空間特徴を設計。その後、異種・同種のグラフ構造を構築して異なるグラフ構築戦略の比較を行うエンドツーエンドの学習パイプラインを実装する方法を解説している。

OLMO-EVAL：モデル開発ループのための評価ワークベンチ

Allen AI（AI2）は、大規模言語モデルの開発プロセスを支援するオープンソースの評価ワークベンチ「OLMO-EVAL」を発表した。これは最終スコアの再現性から日常の開発ループへと拡張されたものであり、開発者が異なるチェックポイント間でベンチマークの追加・実行・分析を容易に行えるように設計されている。

シャオミのオープンソース・エージェント型 AI コーディングハルネス「MiMo Code」が、200 ステップを超える超長尺タスクにおいて Claude Code を上回る

シャオミが開発したオープンソースのターミナルネイティブ AI コーディングアシスタント「MiMo Code V0.1.0」は、独立したサブエージェントによるクロスセッション記憶システムを備え、200 ステップを超える長期的な多段階タスクにおいて Claude Code を上回る性能を示す。

データセット 1.0a33 のリリース

Simon Willison が開発するオープンソースツール「Datasette」がバージョン 1.0a33 を公開した。このアルファ版は、テーブルだけでなくクエリや行にも「?_extra=」パターンを拡張し、安定版 1.0 への重要な一歩となった。

Cohere が開発者向けコード生成モデル「North Mini Code」を発表：30B パラメータの MoE アーキテクチャで 3B アクティブ

Cohere AI チームは、ソフトウェアエンジニア向けのオープンウェイトコード生成モデル「North Mini Code」を公開した。このモデルは総パラメータ数 30B の混合専門家（MoE）アーキテクチャを採用し、トークン処理時に 3B のパラメータのみが活性化するように設計されている。

DiffusionGemma：Google の高速テキスト生成モデルが再登場

Google は昨年実験的に公開した Gemini Diffusion モデルの研究を再開し、DiffusionGemma として再発表しました。このモデルは以前 1 秒間に 857 トークンの生成速度を記録しており、テキスト生成の高速化に寄与する技術です。

DiffusionGemma：テキスト生成が4倍高速化

Google DeepMind は、新しい手法「DiffusionGemma」を発表し、テキスト生成の速度を従来の4倍に向上させることに成功しました。

退屈な PDF タスクを自動化する Python スクリプト 5 つ

KDnuggets は、PDF の処理や変換など日常的な作業を自動化するための有用な Python スクリプト 5 つを紹介した。

FlashMemory DeepSeek-V4 リトリーバー（GitHub リポジトリ）

FlashMemory は、DeepSeek-V4 の KV キャッシュのうち将来のトークンが参照する可能性が高い断片を予測し、GPU 上に最も関連性の高い断片のみを保持します。これにより、デバイスのメモリ使用量を約 10〜15% に抑えつつ、下流タスクのパフォーマンスを維持または向上させることが報告されています。

Pinecone が SaaS および BYOC 向けのオープンソース監視スタック「Full Observability」を発表

ベクトルデータベースの Pinecone は、SaaS および BYOC（Bring Your Own Cloud）環境における完全な可観測性を実現する新しいオープンソースの監視スタックを導入したと発表した。

マイク不要で Amazon Nova Sonic ボイスエージェントを大規模に評価可能に

AWS は、自然な音声対話を行うビジネス用ボイスエージェントのテスト課題に対し、マイクを使用せずに大規模な評価を実施できる新手法を発表した。

Datasette Agent Edit 0.1a0 のリリース

Simon Willison が、既存テキストの編集を可能にする「Datasette Agent」向けプラグイン「datasette-agent-edit」のバージョン 0.1a0 を公開した。これは共同 Markdown 編集や大規模 SQL クエリの更新などを支援する機能を含む。

Harness-1 の紹介：gpt-oss-20b を基盤とし、状態管理型検索ハネス内で強化学習を用いて訓練された 20B パラメータの検索サブエージェント

イリノイ大学アーバナ・シャンペーン校や UC バークレーなどの研究者チームは、既存の検索エージェントが検索判断と記憶管理を同時に最適化しようとする課題に対し、Harness-1 と呼ばれる 20B パラメータの検索サブエージェントを開発した。このモデルは gpt-oss-20b を基盤とし、状態管理型検索ハネス内で強化学習を用いて訓練されている。

MicroPython と WASM を用いたサンドボックス環境での Python コード実行

Simon Willison は、コード実行のサンドボックス環境を実現する新アルファパッケージ「micropython-wasm」を公開し、Datasette Agent のプラグインとして利用を開始した。

コード参照ハッチの防御（GitHub リポジトリ）

Anthropic は、Claude を用いた自律的な脆弱性発見と修正のためのリファレンス実装を GitHub に公開し、一般ベストプラクティスに基づくカスタムパイプライン構築を可能にした。

スキル.sh API の提供開始

Vercel が、オープンソースエコシステムから 60 万種以上のスキル情報を検索・取得できる「skills.sh API」を正式に公開した。プロジェクトごとの OIDC トークンによる認証で利用可能となる。

[AI ニュース] Reve 2 と Ideogram 4：画像生成におけるレイアウト制御の進展

Latent Space は、Reve 2 と Ideogram 4 の同時発表により、画像構成が AGI ハード課題から脱却したと指摘。両社が強力なラベル付けとコードによるレイアウト制御を強化し、特に Ideogram 4.0 がオープンモデルで最高性能となったことを紹介している。

Ideogram 4（GitHub リポジトリ）

Ideogram が、既存モデルの微調整ではなくゼロから訓練したオープンウェイトテキスト画像生成モデル「Ideogram 4」を公開しました。同社は、構造化 JSON プロンプトインターフェースや多言語テキストレンダリング機能、2K 解像度対応などの新機能を搭載しています。

Wall Attention（GitHub リポジトリ）

開発者が公開した「Wall Attention」という技術の GitHub リポジトリが紹介された。具体的な機能や変更点は本文抜粋から読み取れないため、詳細は不明である。

現代のデータベースシステムとツールのための GitHub リポジトリ 10 選

KDnuggets が、現代のデータベースシステムや開発ツールとして注目すべき GitHub リポジトリ 10 個を紹介している。

パーサ回帰で Datadog Agent の CPU が急増する問題

NVIDIA Cosmos 3 の登場：物理 AI の推論と行動のための初のオープンオムニモデル

NVIDIA が、物理世界の推論と行動を担うための最初のオープンソース型オムニモデル「Cosmos 3」を発表した。この新モデルは、AI が現実世界を理解し、動作する能力を強化する基盤技術として期待されている。

NVIDIA Cosmos 3 で物理 AI の推論・世界モデル・行動モデルを開発する

NVIDIA は、ロボットや自律走行車などが現実世界を理解して動作するために必要な物理 AI の推論、世界モデル、行動モデルを構築できる「Cosmos 3」を発表した。

「エントリーレベル」の門番：Textstat を用いた求人票の監査

KDnuggets は、テキスト統計ライブラリ Textstat を活用し、求人票が実際のエントリーレベルに合致しているかを客観的に監査する手法を提案しています。

「バイブコーディング」に疲れ果てた開発者が、AI コーディングエージェントを妨害するデータ消去プロンプトインジェクションをコードに仕掛ける

開発者のヨハネス・リンク氏が、オープンソースのテストエンジン「jqwik」の更新版に隠し命令を追加し、AI コーディングエージェントによるプロジェクト実行を妨害した。

LiteParse v2.0（1 分で読める）

スタンドアロン型オープンソース PDF 解析ツール「LiteParse」がバージョン 2.0 に更新され、ローカル環境で高速なテキスト抽出やスクリーンショット生成が可能になった。

コミュニティが Tunix と TPU を活用して Gemma に「思考」能力を習得させた方法

Google が Kaggle で開催したハッカソンにおいて、開発者たちは限られた計算資源と Kaggle TPU を用いて、小規模なベースモデルに多段階の事後学習パイプラインを適用し、推論エンジンとしての能力を獲得させることに成功しました。

Amazon Research Awards の受賞者が発表される

アマゾン・サイエンスは、世界から集まった優れた研究提案の中から、11カ国の49大学に所属する68名の研究者をAmazon Research Awardsの受賞者として選定し、その結果を発表した。

法務エージェントベンチマークの初期結果（8 分読）

Harvey が法務エージェントベンチマークで最前線モデルを評価した結果、Claude Opus 4.7 が 7.1% の最高スコアを獲得したが、これは法務業務が最先端知能によって完全に代替されるには程遠いことを示している。

Dependabot のバージョン更新が sbt エコシステムをサポートするようになりました

GitHub が提供する依存関係管理ツール「Dependabot」は、Scala ビルドツール「sbt」のサポートを開始しました。開発者は設定ファイルに s bt を追加することで、ビルド入力の監視と新しいコミット時のプルリクエスト自動作成が可能になります。

Harness、Scaffold、そして AI エージェントに関する重要な用語を正しく理解する

Hugging Face Blog は、AI エージェント分野で頻出する「Harness」や「Scaffold」といった専門用語の正確な定義と使い分けについて解説し、業界関係者がこれらの概念を誤解なく共有できるようガイドしている。