出典・テーマ・日時から、気になるニュースを見つけられます。
arXiv:2610.33008v1 公告タイプ：新規 要旨：拡散型大規模言語モデル（dLLMs）は、反復的なマスク付きデノイズングによって柔軟な生成を実現する一方で、デノイズングの各ステップにおいてトークン表現を繰り返し再計算するため、推論コストが大幅に増加します。既存のキャッシュベースの手法では、デノイズングの各ステップ間で中間結果を再利用し、各ステップごとに固定スケジュールまたは変化を示すヒューリスティック信号に基づいて選択された一部の位置のみを再計算することで、このコストを低減しています。一方、我々の軌跡実験は、むしろデコード軌跡こそがより重要な指標であることを示唆しています。キャッシュによる生成は、完全なデノイズング軌跡に近い状態を維持している限り精度を保ち、誤差は主にマスク順序の逸脱に集中し、参照プレフィックスが長くなるほど減少することが明らかになりました。これにより…
arXiv:2610.33062v1 発表タイプ：新規 要旨：統合型大規模マルチモーダルモデル（ULMM）は、テキストと画像の交互生成を通じて視覚推論を実行できるが、明示的な中間画像を生成するには多大な計算負荷が伴う。視覚ラテンシー推論はこの問題を解決するものの、既存の手法の多くは、視覚生成が不可能な視覚言語モデル（VLM）に依存している。そこで私たちは、ULMMにおけるラテンス視覚推論を可能にする新しいフレームワークであるOddinを提案する。Oddinでは、中間画像をコンパクトなラテントークンに置き換え、これらは理解ブランチのみで処理し、生成ブランチは最終的な出力画像の生成に専念させる。我々は、オフラインの自己蒸留手法を用いて、3つの目的——最終画像生成損失、テキスト蒸留損失、およびクロスエントロピー損失——に基づいてモデルを学習する。
アポロ・グローバル・マネジメントのチーフエコノミスト、トルステン・スロック氏は、S&P 493（S&P 500から7大テクノロジー企業を除外したもの）を分析した結果、非テクノロジー企業の利益率は1人当たり売上高と同水準であり、AIが生産性を向上させているという証拠は見当たらないと指摘しました。さらに、AIには説明責任や信頼、企業文化といったビジネスの重要な要素に対する理解が欠如しているため、まだ財務面での効果をもたらしていないと述べています。
注目する理由：この見解は、主要な上場企業群（S&P 493）に関する実証的観察に基づいており、明示的なデータ範囲と制限条件（AlphabetやAmazonなど7社のテクノロジー企業を除外）を引用し、最近の複数の研究結果とも呼応しているため、検証可能な分析フレームワークと明確な帰属の境界を備えています。
Canvaは、独自開発のAI画像生成モデル「Canva Craft」を初めて導入し、計画段階と生成段階の二段階アーキテクチャにより、デザインの精度・一貫性・制御性を向上させました。2K解像度および30種類以上のアスペクト比に対応し、ソーシャルメディア、マーケティングコンテンツ、デジタルアートなどの用途に適しています。
Canvaは、独自開発の初の画像生成モデル「Canva Craft」を正式にリリースしました。同モデルは二段階生成アーキテクチャを採用し、2K解像度と30種類のアスペクト比での出力をサポートするとともに、テキストの可読性とレイヤーの編集可能性を重視しています。このモデルは、プラットフォーム内の数百万人のヒューマンデザインテンプレートを基に学習されており、すでにDream LabおよびAPIに統合されています。今後はMCPを通じてChatGPTやGeminiなどの第三者チャットボットにも接続される予定です。
AWSは技術ソリューションを発表し、SageMakerでホストされるKokoro-82Mのテキスト音声変換モデルを活用して、双方向WebSocketを通じてAIエージェントがテキストを生成しながら同時に音声を合成することで、エンドツーエンドの音声応答遅延を大幅に低減します。このソリューションでは、Base64-SSEと統一バイナリ転送の2種類のオーディオ戻り方式を提供しており、明示的に「価値検証型」（proof-of-value）と位置付けられていますが、まだ本番運用に向けた準備状態には至っていません。
AWSブログでは、テキスト音声変換（TTS）モデルをSageMakerのリアルタイムエンドポイントにデプロイする際の、経験に基づく推測に頼らない実証的な自動スケーリング手法について紹介しています。この手法は、Q_max（単一インスタンスで持続可能な最大同時リクエスト数）とT_total（計画的スケーリングに要する時間）という2つの実測指標を基に、再現性と検証可能性を備えたスケーリング戦略を構築します。
IBMは、Granite Speech 5.0シリーズの3つのオープンソース音声モデルを発表しました。granite-speech-5.0-2b（高精度な多言語ASR/MT）、granite-speech-5.0-470m-turboctc（超高速なエッジ端末向け多言語トランスクリプション）、および更新版のgranite-speech-4.1-2b-plus（強化型の複数話者対応会話モデリング）です。これらはすべてApache 2.0ライセンスに基づいており、主流の推論フレームワークをサポートしています。
Mistralは2026年10月26日までに、多言語対応のリアルタイム音声対話向けエンドツーエンドSDKおよびモデルファミリーであるVoxtral 3を発表する予定です。同製品は、ASR（話者分離機能を含む）、推論層、TTSの三大モジュールを網羅しており、データ主権とモジュール型デプロイを重視しています。ただし、すべての性能に関する主張はメーカーによる自己テストに基づくもので、独立した第三者による検証は行われていません。
YouTube Musicは2026年10月から、世界規模で生成AIによる音楽コンテンツに表示されるラベルの導入を段階的に開始しており、これはYouTube本サイトにおけるAI生成動画へのラベリングの取り組みを引き継ぐものです。この措置は、コンテンツの削除や制限を意味するものではなく、クリエイターの出所に関する透明性に対するユーザーのニーズに応えるものです。
低周波マルチリンガルボイスエージェントの構築: NVIDIA Magpie TTS で重量とフル展開制御を開く
Nunchaku 4ビット拡散器への干渉を持参
