OpenMOSS MOSS-Image-Base・MOSS-Image-SFT：文字・物体の配置制御、基本・追加学習モデルを公開
OpenMOSSが文字や物体の位置を座標で指定できる画像生成モデルのコードと重みを公開した。基本モデルと追加学習モデルを提供しており、導入時には配置入力を作成する負担と、メモリ・推論時間のトレードオフを併せて検討する必要がある。
devotd.
AI
テーマごとの動きと判断に必要な背景をまとめる。
対象日順の記事
13 件の記事Cloudflare and OpenAI：ページ発見の拡大、検索クロール効率化の実験
クラウドフレアとOpenAIは、ネットワーク信号を活用した試験事業で、数億の新たなウェブページを発見し、検索インデックスに追加したと発表した。変更の有無や有害性の可能性を示す信号で不要な収集の削減を目指すが、負荷軽減の定量的な結果や実際の事業成果はまだ示されていない。
Fish Audio Drama 3：複数話者の演出制御、区間単位の音声編集
Fish Audioが、複数話者の音声生成と自然言語による演出、既存音声の部分編集を組み合わせた音声合成モデルを先行公開した。導入時には、大容量のGPUメモリや同時リクエストに伴う応答遅延、学習ツールの削除、ライセンス表記の違いを確認する必要がある。
FLUX 3 Image Klein：重み公開、56億パラメータの生成器
Black Forest Labsが、生成と編集をともに処理する56億パラメータの画像生成器の重みを公開した。自前での運用を検討する際は、入力の説明を補強する別モデルのメモリコストと、条件付きの商用利用範囲を併せて確認する必要がある。
OpenAI Codex CLI 0.163.0：設定検索、応答中の追加指示で作業を調整
ターミナルのコーディングツールに、設定検索パネルと応答中の追加指示を反映する機能が加わった。設定の保存と実際の適用を区別し、作業の中断が変更の自動復元を保証しない点に注意が必要だ。
EmbeddingGemma 2：選択式エンコーダー、ベクトル圧縮と検索品質の調整
EmbeddingGemma 2は必要な入力エンコーダーだけを読み込み、検索ベクトルも短縮できる。前者はモデルメモリ、後者は保存容量と検索品質に関わる。Googleは128次元で画像・動画・音声検索の品質低下が大きいと説明する。
Ai2 GPUスケジューラー：階層型の時間予算、最大8時間のプリエンプション保護
Ai2は優先度ベースのスケジューラーを、GPU時間予算、階層型フェアシェア、最小実行時間の契約に置き換えた。報告された98%はクラスタ占有率と配分時間の提供率であり、プリエンプション後に有用な計算が残ったかは別の問題だ。
LightOnOCR-3：groundingモードの座標出力、解像度で変わる処理量
LightOnは10月8日にLightOnOCR-3を公開した。groundingプロンプトは領域の種類、0–1000正規化座標、画像説明、チャートの表を加え、出力トークンとレンダリング解像度の予算も変わる。
Cohere Embed 5：ProとFastの埋め込み空間共有、クエリモデルの個別選択
Cohereが9月30日に公開したEmbed 5のProとFastは埋め込み空間を共有する。出力次元が同じなら、Proで作ったインデックスをどちらのモデルでもクエリでき、クエリモデルを変えてもインデックスを作り直す必要はない。
Gemini 3.8 TTS：発話指示を speech_metadataへ、単一要求はWAVが既定
Gemini 3.8 TTSでは発話の指示を台本からspeech_metadataに移す。単一リクエストの既定出力がWAVになるため、生のPCMにヘッダーを付けていたコードは修正が必要になる。