SIGNAL2026-10-16 · AI TECH REPORT

画像生成・エージェント検索・視覚対応LLMなど7件

2026年10月16日号。原発表を読み直し、何ができるかと重要な測定条件が伝わるように7件を紹介。

今回の調整:既刊と同じ発表の転載は統合・除外した。

01Black Forest Labs2026-10-15API利用

FLUX 3 Image Klein:配置を指定できる軽量画像生成モデル ↗

FLUX 3 Image Kleinは、文章や最大10枚の参考画像から画像を生成・編集する5.6Bの公開重みモデル。枠を指定して人物や物の配置、編集する範囲を制御できる。蒸留INT8版は8GBのVRAMで動作し、NVIDIAの測定ではRTX 4070上のComfyUIで1MP画像を生成する処理が9秒未満。Black Forest Labsの内部評価では旧Klein 9Bを画像生成で91 Elo上回った。APIは1K画像1枚0.009米ドルから。公開重みはFLUX Kommunity Licenseの条件下で、年商500万米ドル未満の個人・組織は商用利用も可能。

FLUX 3 Image Kleinの公式紹介画像
原記事に設定された紹介画像。
02LangChain2026-10-13実験版

LangSmith AI Search:エージェントの振る舞いを実行記録から探す ↗

LangSmith AI Searchは、AIエージェントの実行記録を行動の内容で探す機能。「完了と報告したが作業は終わっていない」と入力すると、該当する会話やツール使用の記録を探せる。ログのキーワードが一致しない失敗例も見つけ、評価用データの収集や不具合調査に使う。検索前に記録を一連の作業単位へ整理し、絞り込み後の内容を判断モデルで確認する。LangSmith Cloudの公開ベータ。 長い実行記録は8Kトークンに切り詰めるため、ツール結果にしかない失敗は見落とす場合がある。

LangSmith AI Search:エージェントの振る舞いを実行記録から探す:原記事の冒頭画面
原記事の冒頭画面(スクリーンショット)。
03Zhejiang Universityほか2026-10-14研究段階

ATAS:場所と出来事を記憶して長い動画のショットをつなぐ ↗

ATASは、複数ショットの動画で同じ場所や出来事を矛盾なく描くための研究システム。脚本を場所・カメラ・時刻付きの短いショットに分け、以前の場面へ戻る撮影や同じ出来事の別視点からの再現に使う。静的な場面構造と時刻付きの出来事を別々に記憶し、検証を通った生成結果だけを後続ショットの記憶へ加える。著者らのWan 3.0での評価では、ショット間の一貫性指標ViStory-Crossが0.584で、比較手法ReCAの0.481を上回った。コード公開済み。

ATASが脚本、場面記憶、出来事記憶を用いてショットを生成・検証する図
研究チームのプロジェクトページにあるATASの処理図。
04IBM Granite2026-10-15要セットアップ

Granite Switch 4.1:会話・判断・英語STTを一つのモデルで扱う ↗

Granite Switch 4.1は、会話、文書の判断、安全性判定、英語音声の文字起こしを一つの構成で扱う公開重みモデル群。英語音声を書き起こした後、内容の要約や危険な発話の判定を同じエンドポイントで続けられる。判断用アダプター(aLoRA)を必要時に切り替え、会話で作ったKVキャッシュも再利用するため、用途ごとに別のモデルをGPUへ置く必要を減らせる。8B版と30B版を公開。

Granite Switch 4.1の公式紹介画像
IBM Graniteの原記事に設定された紹介画像。
05Google2026-10-13API利用

Gemini 4 Argon:限定提供から開発者向けAPIへ ↗

Gemini 4 Argonは、長いコード修正や複雑な調査向けのLLM。9月の限定提供から、10月13日に開発者向けの有料Gemini APIへ対象が広がった。GoogleはChromeの大規模なコード整理をArgonで数カ月相当から数週間へ短縮したと報告。APIでは入出力を合わせて最大約100万トークンを扱い、11月30日まで入力100万トークン当たり2米ドル、出力10米ドル。その後はそれぞれ4米ドル、20米ドル。

Gemini 4 Argonの公式紹介画像
Googleの10月13日の提供開始記事に設定された画像。
06Mistral AI2026-10-15要セットアップ

Timestral:運転予定も使う時系列予測モデル ↗

Timestralは、センサー値など複数の時系列から将来の値と不確実性を予測する公開重みモデル群。生産予定や計画停止など事前に分かる条件も入力できるため、予定された変化と異常を区別しやすい。5Mから209Mまで4サイズを公開し、Mistralの評価では28M版が約4倍大きいChronos-2をGIFT-EvalとTIMEで上回った。8スレッドCPUで5M版を使うと、3週間の15分刻み履歴から翌日の予測を10ミリ秒で出した。

Timestralの公式紹介画像
Mistral AIの原発表に設定された画像。
07NVIDIA2026-10-15要セットアップ

Nemotron 3.5 Super VL:画像・動画も扱う高速なエージェント向けLLM ↗

Nemotron 3.5 Super VLは、文書・画像・動画を読み、推論とツール操作を組み合わせる専門エージェント向けの公開重みLLM。表や映像を含む資料の調査、コードの検証などを一つのモデルで扱える。120BのMoE構成で、生成時はトークンごとに12Bを有効化。NVIDIAのBaseten上での測定では、10万トークンを入力した条件で出力速度が毎秒600トークンを超えた。これは回答の出力速度であり、作業全体の所要時間ではない。

Nemotron 3.5 Super VLの出力速度と評価指標を公開モデルと比較したNVIDIAの図
NVIDIAの比較図。10万トークンの入力を与えた場合の回答出力速度。約5倍は知能評価が近いInkling Smallとの比較で、エージェント作業全体の時間ではない。

確認範囲と不足

設定済み34情報源の候補見出しとWeb・検索系23件の一覧を確認し、高優先24グループの原文プレビューを比較。掲載7件の原発表の本文を読み直し、数値に関わる図・キャプションも照合した。

候補73件すべての本文を精査したわけではなく、未掲載候補の一部は原文プレビューで確認順を判断した。YouTubeの公開検索では、日付と内容を独立して裏付けられる追加発表を確認できなかった。

掲載しなかった候補 69件採点済みと未採点を分けて確認