- AIツール
- 人工知能
Claude Fable 5.1 と Fable 5: 実際に何が変わったのでしょうか?
Claude Fable 5.1 は紙の上では小さなアップデートのように見えます。ここでは、強力な長期実行作業、より安価なキャッシュ読み取り、および Fable 5 との実質的な違いの背後にあるわかりやすいストーリーを示します。
記事を読むリソース
From Our ブログ
Product updates, practical guides, and clear analysis for teams putting business AI to work.
最新の
最新の AI 記事
139 記事
- リアルタイムAI
- AIツール
AI 通話エージェントの比較: 遅延、方向転換検出、中断
公開されているすべてのベンチマークが一致しない理由、ターン検出に実際にどのようなコストがかかるのか、そしてそれを自分で測定する方法 ここでは、2026 年の AI 電話エージェントに関する 2 つの事実を紹介します。どちらも十分な情報源があり、両方とも真実であり、明らかに互換性がありません。事実 1: Vapi は以下の p50 をターゲットとしています… 続きを読む »
記事を読む
- リアルタイムAI
- AIツール
リアルタイム AI アバター モデルの比較: 遅延、アーキテクチャ、コスト
アーキテクチャ、レイテンシの定義、トランスポート、価格設定、およびそれらを自分で評価する反復可能な方法 各リアルタイム アバター ベンダーはレイテンシの数値を公開しています。 Anam は、サーバー側の生成が約 150 ミリ秒で、1 秒未満の会話であることを示しています。 Tavus は 600 未満と言っています… 続きを読む »
記事を読む
- リアルタイムAI
- 人工知能
Live AI エージェント エクスペリエンスが実際にどのように機能するか: フィールド ガイド
イベント、トレーニング ルーム、公共スペースでのリアルタイム会話エージェントへのベンダー中立のガイド ほとんどのチームが構築したものとはまったく異なる動作をする AI 製品のカテゴリがあります。チャット ウィンドウ、送信ボタン、そして… 続きを読む »
記事を読む
- AIツール
Gemini Embedding 2：グーグル初のマルチモーダル埋め込みモデル
Gemini Embedding 2：機能、ベンチマーク、価格、開始方法 先週、グーグルは ジェミニ エンベッディング2は、Geminiアーキテクチャ上に構築された初のネイティブなマルチモーダルエンベッディングモデルである。エンベッディングを何らかの形で扱うのであれば、これは注目に値する。これは、今日ほとんどのチームが依存しているマルチモデルのエンベッディングパイプラインを大きく破壊する可能性を秘めています。 これまで、OpenAI、Cohere、Voyageの主要な埋め込みモデルは、主にテキストベースでした。画像とテキストのアライメントにはCLIP、画像とビデオにはVoyage Multimodal 3.5など、いくつかのマルチモーダル・オプションは存在しましたが、単一の統一されたベクトル空間で、あらゆるモダリティをカバーするものはありませんでした。音声は通常、埋め込む前に書き起こす必要があった。ビデオでは、フレーム抽出と個別のトランスクリプト埋め込みが必要でした。画像は、完全に独自のベクトル空間に存在していました。 Gemini Embedding 2はその方程式を変える。1つのモデル、1つのAPIコール、1つのベクトル空間。 新情報を掘り下げてみよう。 Gemini Embedding 2とは何ですか？ Gemini Embedding 2(gemini-embedding-2-preview) は、Google DeepMind初の完全なマルチモーダル埋め込みモデルである。テキスト、画像、ビデオクリップ、音声記録、PDF文書を取り込み、それらすべてを同じ共有意味空間に存在するベクトルに変換する。 CLIPのような以前のマルチモーダルアプローチは、ビジョンエンコーダとテキストエンコーダをペアにして、最後に対比学習でそれらを調整するものであったが、Gemini Embedding 2は、Geminiの基礎モデルそのものに基づいて構築されている。これは、深いクロスモーダル理解を基礎から受け継いでいることを意味する。 実例ビデオチュートリアル、オーディオレクチャー、文書によるガイドで学習管理システム（LMS）を構築しているとします。Gemini Embedding 2を使用すると、これらすべてのコンテンツのエンベッディングを単一のベクトル空間に格納し、ビデオ、オーディオ、ドキュメントから関連するチャンクを取得するRAGベースのチャットボットを構築することができます。これまでは、何層ものエンベッディングパイプラインが必要でしたが、それでも、トランスクリプトをキャプチャするだけで、ビデオのビジュアルコンテキストやスピーカーの声のトーンを逃していました。 このモデルはマトリョーシカ表現学習を使用しているため、必要なければ3072次元すべてを使用する必要はない。1536や768に縮小しても、使用可能な結果を得ることができる。 マトリョーシカ表現学習(MRL)は、学習された表現が完全な次元だけでなく、ロシアのマトリョーシカ人形のように互いに入れ子になっている様々な小さな次元でも有用であるように、埋め込みモデルを学習する手法です。学習中、損失関数は完全な埋め込みだけでなく、埋め込みベクトルの複数の接頭辞に対しても計算されます。これによりモデルは、最も重要な情報を最も初期の次元に詰め込み、それに続く各次元がより細かいディテールを追加していく、つまり粗いものから細かいものへの構造を持つようになる。 対応モダリティと入力制限 このモデルは5種類の入力を受け入れ、すべて同じ埋め込み空間にマッピングされる： モダリティ 入力制限 フォーマット テキスト 最大8,192トークン プレーンテキスト 画像 1リクエストにつき6枚まで PNG, JPEG ビデオ 最大120秒 MP4、MOV 音声 最大80秒（ネイティブ、トランスクリプションなし） MP3, WAV PDF 直接埋め込む PDFドキュメント 既存モデルとの比較 TLDR:Googleの新しいGemini Embedding 2モデルは、テキスト、画像、ビデオ、音声のほぼ全てのモダリティにおいて、競合他社（自身の前身、Amazon… Read more »
記事を読む
- アーティフィシャル・インテリジェンス
ジェミニ2.5プロとGPT-4.5：AI革命をリードするのは誰か？
2025年、人工知能の世界は非常にエキサイティングなものとなっており、大手ハイテク企業はこれまでにない最先端のAIシステムを作ろうと熾烈な競争を繰り広げている。この激しい競争は多くの新しいアイデアを生み出し、AIが人間のように思考し、問題を解決し、対話できることの限界を押し広げている。この1ヶ月の間に、2つの主要プレーヤーが先導する驚くべき改善があった：グーグルのGemini 2.5 ProとOpenAIのGPT-4.5だ。2025年3月の大々的な発表で、グーグルはジェミニ2.5プロを発表した。このジェミニ2.5プロは、LMArenaのリーダーボードで、競合他社を抑えてすぐにトップに躍り出た。ジェミニ2.5が特別なのは、応答を注意深く検討する能力であり、深い思考を必要とする複雑なタスクで優れたパフォーマンスを発揮するのに役立つ。 オープンAIは遅れをとるまいと、これまでで最大かつ最も先進的なチャットモデルであるGPT-4.5を発表した。このモデルは、パターンを認識し、つながりを作り、創造的なアイデアを思いつくことに優れています。初期のテストによると、GPT-4.5は幅広い知識を持ち、ユーザーの言いたいことを理解する能力が向上しているため、GPT-4.5との対話は非常に自然に感じられるという。OpenAIは、GPT-4.5が、人間とのスムーズなコラボレーションのために設計された、直接の監視なしでの学習において大幅に改善されたことを強調している。 これらのAIシステムは、単に印象的なテクノロジーというだけでなく、ビジネスのあり方を変え、科学的発見を加速させ、創造的なプロジェクトを変革している。AIが日常生活の普通の一部となるにつれ、ジェミニ2.5プロやGPT-4.5のようなモデルは、私たちが可能だと考えることを拡大しつつある。より優れた推論能力、誤った情報を広める可能性の低さ、複雑な問題に対する熟達度によって、人類の進歩を真にサポートするAIシステムへの道が開かれつつある。 ジェミニ2.5プロを理解する 2025年3月25日、グーグルは「最もインテリジェントなAIモデル」と評されるジェミニ2.5プロを正式に発表した。このリリースは、2.0モデルを何度か繰り返した後、グーグルのAI開発における重要なマイルストーンとなった。リリース戦略は、まず実験的バージョンから始まり、ジェミニ・アドバンスド加入者にその機能をテストするための早期アクセスを提供した。 Gemini 2.5 Proが前世代と異なるのは、“思考モデル“としての基本的なアーキテクチャである。主に訓練されたデータパターンに依存していた前世代とは異なり、このモデルは、人間の問題解決プロセスを模倣し、応答する前に能動的に思考を推論することができる。これは、AIシステムが情報を処理し、応答を生成する方法における大きな進歩を意味する。 主な特徴と能力 強化された推論能力– 複雑な領域にわたって、段階的な問題解決が可能。 コンテキスト・ウィンドウの拡張– 100万メダル収容可能（200万メダルまで拡張予定） ネイティブなマルチモダリティ– テキスト、画像、音声、動画、コードをシームレスに処理 高度なコード機能– ウェブアプリの作成とコード変換が大幅に改善されました。 Gemini 2.5 Proは、LMArenaリーダーボードで初登場1位を獲得し、パフォーマンスリーダーとしての地位を確立した。Gemini 2.5 Proは、高度な推論を必要とするベンチマークにおいて特に優れており、外部ツールを使用せずに「Humanity’s Last Exam（人類最後の試験）」で業界トップクラスの18.8%を記録した。数学と科学では、それぞれAIME2025で86.7%、GPQAダイヤモンドで79.7%という驚異的な能力を示している。 以前のGeminiモデルと比較して、バージョン2.5 Proは大幅な飛躍を遂げている。Gemini 2.0が重要な基本機能を導入したのに対し、2.5 Proは大幅に強化された基本モデルと改良されたポストトレーニングテクニックを組み合わせている。最も顕著な改善は、コーディングパフォーマンス、推論の深さ、および文脈理解である。 GPT-4.5を探る 2025年4月、OpenAIはGPT-4.5を発表し、これを「これまでで最大かつ最も先進的なチャットモデル」と説明した。この研究プレビューは、AIコミュニティ内ですぐに興奮を呼び起こし、最初のテストでは、その広範な知識ベースとユーザーの意図を理解するための強化された能力のおかげで、モデルとの対話が非常に自然に感じられることが示されました。 GPT-4.5は、教師なし学習機能において大きな進歩を示しています。OpenAIは、革新的なアーキテクチャと最適化戦略を採用すると同時に、計算能力とデータ入力の両方を拡張することで、この進歩を実現しました。このモデルはMicrosoft Azure AIスーパーコンピュータ上で学習され、OpenAIが可能性の限界を押し広げることを可能にするパートナーシップを継続しています。 コアの改善と能力： パターン認識の強化– パターンを認識し、関連性を導き出し、創造的な洞察を生み出す能力が大幅に向上。 幻覚の減少–GPT-4oや o1のような以前のモデルと比較して、誤った情報を生成する可能性が低い。 EQ」の向上-感情的知性の向上と微妙な人間関係の理解 高度な操舵性– 複雑なユーザー指示のより良い理解と遵守 OpenAIは、GPT-4.5を人間との共同作業のために訓練することに特に重点を置いています。新しい技術により、モデルの操縦性、ニュアンスの理解、自然な会話の流れが強化されました。これにより、ライティングやデザイン支援において特に効果を発揮し、以前のバージョンよりも強い美的直感と創造性を発揮します。 実世界での応用において、GPT-4.5は驚くべき汎用性を発揮します。拡張された知識ベースと改良された推論能力により、詳細なコンテンツ作成から高度な問題解決まで、幅広いタスクに適している。OpenAIのCEOであるサム・アルトマンは、すべてのベンチマークカテゴリーでリードしていないにもかかわらず、このモデルを肯定的に評価し、その「ユニークな有効性」を強調しています。 GPT-4.5の展開戦略は、強力なAIシステムをリリースするためのOpenAIの慎重なアプローチを反映しています。当初はChatGPT Proサブスクライバーと開発者が様々なAPIを通じて有料層で利用できるようにし、徐々にChatGPT Plus、Team、Edu、Enterpriseサブスクライバーへのアクセスを拡大する予定です。この段階的な展開により、OpenAIは利用が拡大するにつれて、パフォーマンスと安全性を監視することができます。 パフォーマンス指標：比較分析 これらの高度なAIモデルの技術的能力を検証する際、ベンチマーク性能はその能力を最も客観的に測る尺度となる。Gemini 2.5 ProとGPT-4.5は、それぞれ様々な領域で独自の強みを発揮しており、ベンチマークテストによって、その明確な優位性が明らかになりました。 ベンチマーク ジェミニ 2.5… Read more »
記事を読む