見て、聴いて、ツールを叩く — Qwen3.8-Omni-Flashが音声1時間を前世代の50分の1のコストで処理する
AlibabaのQwen3.8-Omni-Flashはテキスト・画像・音声・動画を1つの100万トークンで扱うオムニモーダルモデル。音声113言語対応、前世代比98%のコスト削減、エージェント用途に振った中身を解説。
QwenQwen OmniマルチモーダルAlibaba音声AI速報
# マルチモーダル
21件の記事
手元のGPUで動く27Bが、Opus 4.6をコーディングで上回った — Alibaba Qwen3.8-27B
Alibabaがオープンウェイトの密27BモデルQwen3.8-27BをApache 2.0で公開。ローカルで動くサイズながら一部ベンチでOpus 4.6 Maxを上回る。実力と現実的な使い所を整理する。
QwenQwen3.8AlibabaオープンウェイトローカルLLMマルチモーダル
格安モデルに「目」がついた — DeepSeek V4-Flashが画像を読み始め、値段は据え置き
DeepSeekが実験版のマルチモーダルモデルV4-Flash-Vision-Expを公開。画像理解を追加してもテキスト性能と価格は据え置き。何ができるようになったのかを整理する。
DeepSeekDeepSeek-V4-Flashマルチモーダル画像認識オープンウェイトLLM
総125Bでも、動くのは6B — Qwen3.8-Flash-Nextは「Qwen4の予告編」として出てきた
AlibabaがQwen3.8-Flash-Nextを公開。総125BのマルチモーダルMoEでアクティブは6B、次世代Qwen4アーキを先取りするオープンウェイトの低コスト版。設計思想と日本で動かす意味を整理する。
QwenQwen3.8-Flash-NextAlibabaMoEオープンソースLLMマルチモーダル
見て・聞いて・話すを同時に — ByteDanceのSeedRealtimeが崩す"AIとの会話の間"
ByteDanceのSeedRealtimeは、音声・映像・テキストを1つのモデルで同時に処理する全二重AI。話しながら遮れる自然な会話を実現しDoubaoに搭載。仕組みと使い所を解説する。
ByteDanceSeedRealtimeリアルタイムAIマルチモーダル中国AIDoubao
中国最大の2.4兆パラメータが「Fable 5に並んだ」と言い出した — Qwen3.8-Maxの実際
Alibabaのフラグシップ Qwen3.8-Maxは総2.4兆パラメータのMoE。ベンチ、料金、オープンウェイト、Fable 5比較の主張をどこまで信じるかを整理する。
QwenAlibabaLLMオープンソースマルチモーダル速報
Seedanceの12分の1の価格で、2K・音声つきの動画を吐く — MiniMaxが「H3」をオープンソースにした
MiniMaxが8月3日に公開したオムニモーダル生成モデル「H3」。2K・15秒・ステレオ音声つき動画をSeedance 2.5の約1/12のコストで生成し、重みのオープンソース化も予告。実力と使い所を整理する。
MiniMaxMiniMax H3AI動画中国AIオープンソースマルチモーダル
音声付き20秒動画を1つのモデルで — FLUX 3が画像専業から「マルチモーダル」へ舵を切った
Black Forest LabsがFLUX 3を発表。画像・動画・音声・ロボット動作を1つの統合モデルで生成する。20秒の音声同期動画、Self-Flow設計、Audiでの実証まで、何が新しいのかを整理する。
FLUX 3Black Forest LabsFLUXAI動画マルチモーダルフィジカルAI
Alibaba、2.4兆パラメータのQwen3.8 Maxを公開 — 「Fable 5に次ぐ」という自己申告の中身
Alibabaが7月19日にフラッグシップ「Qwen3.8 Max」プレビューを公開。2.4兆パラメータ・初のマルチモーダル大型モデルで、オープンウェイト化も予告。性能の自己申告とベンチマーク不在を整理する。
QwenAlibabaAIモデルLLM中国AIマルチモーダル速報
見て、考えて、コードを書いて、自分で検証する — Qwen 3.7-Plusが持つ5つのエージェント能力
Alibaba Qwen 3.7-Plusは画像・動画を理解するマルチモーダルAI。5つのエージェント能力、Maxとの違い、API料金を解説する。
QwenAlibabaAIモデルマルチモーダルAIエージェント中国AI
30Bパラメータなのに3Bしか動かさない — NVIDIAのオープンマルチモーダルモデルの設計が面白い
NVIDIA Nemotron 3 Nano Omniを解説。30B-A3Bの効率的なMoEアーキテクチャで画像・音声・動画を統合処理するオープンソースモデルの特徴と実用性。
NVIDIAオープンソースマルチモーダルAIエージェントエッジAI
カメラに映した手書きスケッチからReactアプリを作る — Qwen 3.5-Omniの衝撃と、クローズド化の波紋
Alibaba Qwen 3.5-Omniはテキスト・画像・音声・動画を統合処理するマルチモーダルAI。カメラ入力からのコード生成やAPI料金を解説。
QwenAlibabaAIモデルマルチモーダル中国AI
Claude Codeに「画像も動画も音楽も生成させる」CLIが出た — MiniMaxのMMX-CLIが地味に効く理由
中国MiniMaxが2026年4月12日に公開したOSSのCLI「MMX-CLI」。Claude CodeやCursorに画像・動画・音声・音楽・検索の7モダリティをMCPなしで足せる。インストール手順と用途、MCPとの違いを整理する。
MiniMaxCLIマルチモーダルClaude CodeCursorOpenCodeMCPオープンソースAIツール中国AI
GPT-6 公開 — 価格据え置きで200万トークン、そしてSoraを飲み込んだ
OpenAIが2026年4月10日に公開したGPT-6を解説。2Mコンテキスト、System-1/2の二層推論、ネイティブ動画生成、価格据え置きの戦略、GPT-5.4やClaude Opus 4.6との差をまとめる。
LLMOpenAIGPT-6速報推論モデルマルチモーダル
Gemini 3.1 Ultra — 200万トークン、ライブ動画分析。Googleが本気で出した最上位モデルの全貌
Google Gemini 3.1 Ultraの全貌を解説。200万トークンのコンテキスト、ライブ動画分析、ネイティブマルチモーダル対応の実力。Proとの違い、料金、活用シーンと注意点を紹介
GeminiGoogleAIモデルマルチモーダル
Gemini 3.1 Flash Lite — 100万トークン処理で「1ドル以下」の衝撃
Google Gemini 3.1 Flash Liteを解説。入力$0.25/100万トークンの超低価格、2.5倍速のレスポンス、Thinking Levels機能の使い方、翻訳・モデレーション・エージェントルーターの活用法を紹介
GoogleGeminiAIモデルLLMマルチモーダル
Grok 4.20 — 「4つの頭脳が議論してから答える」AIは、ハルシネーションを終わらせるか
xAIのGrok 4.20を解説。4エージェント合議で業界最高の非ハルシネーション率78%を達成した仕組み、SuperGrok Heavyの16エージェント構成、料金、週次改善アーキテクチャの実態を紹介
xAIGrokAIモデルAIエージェントマルチモーダル
Llama 4の3モデル、結局どれを使えばいいのか — Scout・Maverick・Behemoth選び方
Meta Llama 4のScout・Maverick・Behemothの使い分けを解説。10Mトークンコンテキスト、API料金、ローカル実行方法がわかる
LLMLlamaオープンモデルマルチモーダルMeta
Meta Muse Spark — オープンソースの旗手がクローズドに転じた衝撃と、その実力
MetaのクローズドモデルMuse Sparkを実際に触ってレビュー。GPT-5.4・Claude Opus 4.6とのベンチマーク比較、無料で使える理由を解説する
LLMMetaAIモデルマルチモーダルMuse Sparkレビュー
DeepSeek V4が示す新しい勢力図 — 1兆パラメータ、Huaweiチップ、$0.30/Mトークンの衝撃
DeepSeek V4のスペック・価格・地政学的意味を解説。1兆パラメータMoE、Huaweiチップ上での動作、$0.30/Mトークンの価格破壊が示すAI産業の多極化
LLMDeepSeekマルチモーダル速報
Gemma 4 — Googleが「無料で使えるAI」に本気を出してきた理由
GoogleのオープンモデルGemma 4を解説。Apache 2.0ライセンスへの転換、2B〜31Bの4サイズ展開、スマホでオフライン実行できるAI Edge Gallery、ベンチマーク比較と実用的な使いどころを紹介
オープンモデルGoogleGemmaマルチモーダルエッジAI