SIGNAL2026-10-25 · AI TECH REPORT

WeVisOne-VL・Phononなど、AIの新情報

原文を確認できた2件のAI技術ニュースを紹介。

01Tencent WeChat Vision2026-10-22要セットアップ

WeVisOne-VL:物体の位置から画素単位の切り抜きまで扱うVLM ↗

WeVisOne-VLは、物体検出と画素単位の領域推定を一つにした研究用VLM。画像と指示から、位置、個数、文字、マスクや透明度を出力し、指定対象がない場合は拒否する。Qwen3-VLを基に、物体を表すトークンを軽量な画素デコーダーへ渡す構成。著者らのDense200での物体検出評価では、4B版の平均F1が71.3、比較対象のQwen3-VL-4Bは15.2だった。2B版と4B版の重みが公開されている。

WeVisOne-VLの物体単位と画素単位の視覚認識能力を示す原図
論文Figure 1。単一モデルが扱う視覚タスクの概要。
02Gradium2026-10-20要セットアップ

Phonon:端末内で低遅延に話す公開TTSモデル ↗

Phononは、端末内で音声を生成する小型TTSモデル群。31m版は公開重みと推論コードを使って、通信なしで英語を読み上げられる。Gradiumの測定では、約5秒の英語文をMacBook Air M5のCPUで生成した際、4スレッドで最初の音声まで6.9ms。比較対象のKokoroはストリーミングせず、517msは文全体の音声が得られるまでの値。40m版は5言語に対応するが、重みは非商用ライセンス。

Phononと他の端末内TTSモデルのサイズと音声品質を比較した原図
Gradiumによる、モデルサイズと聞き比べ評価の比較。

確認範囲と不足

2026-10-25の調査。掲載案7件を評価し、原文確認と既刊照合を通過した2件を掲載。両記事の原図を保存済み。全候補の本文を網羅した調査ではない。 既刊と同じ原記事1件は重複掲載せず。

候補本文の全件精査はしていない。YouTube検索は指定された再試行日まで利用不可で、公式動画を根拠には使っていない。MicrosoftのScience論文本文、Kyutai CADREの本文、Microsoft Command Lineの一部本文は取得できず、それらから未確認の主張を補っていない。掲載した性能値は各提供元の評価であり、独立した実運用検証を意味しない。 原文の再確認に失敗し掲載保留:OpenAI、ChatGPTの大規模ストレージを共有基盤へ再設計

掲載しなかった候補 55件採点済みと未採点を分けて確認