InstagramはネイティブなAIアーキテクチャを採用してユーザーインターフェースを近代化し、トークンコストを33％削減しました。
Instagram Directは、Androidのユーザーインターフェースを従来のAndroid ViewシステムからJetpack Composeへ移行し、AIネイティブなUIコードベースを構築しました。これにより、AIコーディングエージェントが理解・修正・保守しやすくなりました。
AI 自動翻訳
InfoQ AI
FOXAI SEARCH
サイト内検索
ニュース記事 29
Liquid AIがLFM3マルチモーダルモデルファミリーを強力に発表、高効率な専用インテリジェンスを主力に据える
近日、Liquid AIは新世代の基礎モデルファミリーであるLFM3を正式に発表しました。最初のバージョンには約2Bパラメータを持つ6種類のモデルが含まれ、テキスト、視覚、音声、オムニモーダル、意思決定といった各領域を網羅しています。これらはすべてLFM3-1.7B-Baseを基盤とし、事前学習時のスループットは22Tトークンに達します。このシリーズは全く新しい三混合層アーキテクチャを採用しており、ゲート制御短い畳み込みやスライディングなどの仕組みを統合することで、より少ないパラメータで高い効率を実現しています。
AI 自動翻訳
AIBase AI资讯
NetEase Zhiqiは、CodeWave SDD「AIソフトウェアデリバリー チーム」を発表し、AIを単一のコーディング段階から全プロセスの協調へと進化させています。
2026年10月26日、NetEase Intelligent Enterpriseは、企業向けソフトウェアデリバリーを対象としたマルチエージェント協調システム「CodeWave SDD」を正式に発表しました。本製品は、従来の開発者のコード作成支援にとどまらず、要件分析者、アーキテクト、開発者、テスト担当者といった専門的なエージェントが分業・協働することで、要件の理解、仕様の生成、プロトタイプ設計、コード実装、テスト検証からリリースに至るまでの全工程を網羅します。その核心的なイノベーションは、仕様駆動開発（SDD）と企業向けHarnessエンジニアリング環境にあり、これまでに100社超のプロジェクトで実証され、生産性を3～5倍向上させるとされています。
AI 自動翻訳
InfoQ AI
KimiがK3.1 Proを発表、容量増加と価格引き下げでOpus 5.5に挑む
著者｜宇航猿 編集｜靖宇 10月23日午前、Kimi公式はXとビデオ番号で24秒の動画を公開した。映像にはレトロな雰囲気の古いパソコンが映り、画面にはKimi Codeが起動し、端末にはThree.jsのコードが一行ずつ表示され、複雑な3Dシーンが生成されていく様子が映っていた。目ざといネットユーザーはすぐに左上隅のモデル欄で答えを見つけた――「Model: Kimi K3.1」だ。 Kimi公式が公開したK3.1の事前告知動画｜画像出典：X @Kimi_Moonshot 古い時代の機械で、今日最先端の3Dコードを実行する――このギャップこそが、月之暗面が伝えたいメッセージそのものだった。 それから十数時間後、10月24日零時を過ぎた直後、プログラマーの日に合わせてKimi K3.1 Proが正式にリリースされ、同時に速度が2〜3倍速いHighspeed版も同時に登場した。公式は、完全なモデルの重み付けデータを11月4日までに公開すると約束している。 前世代のK3が発表されてから、すでに3か月以上が経過していた。この3か月間、月之暗面が経験したことは、多くの企業が1年で経験する以上のものだった。 01 「量は増やしても価格は変えない」の0.1 まず、K3.1 Proとは何かを明確にしておこう。これはまったく新しいモデルではない。月之暗面は明確に、K3.1 ProはK3の後学習版であり、基盤は変わっていないと述べている――依然として総パラメータ2.8兆、活性化パラメータ1,040億の混合エキスパートアーキテクチャ、文脈ウィンドウは100万トークン、画像および動画入力にもネイティブに対応している。 変わったのは後学習の部分だ。公式によれば、「大幅に増強された後学習用の計算能力」を投入し、数百の下流分野で大規模な共同強化学習を実施したという。そのため、強化学習フレームワーク、サンドボックスインフラ、長文脈推論といった基盤技術を一から再構築したのだ。つまり、同じ脳が、仕事のやり方を改めて“教え直された”ということになる。 その効果はランキングで明らかだ。プログラミングAIを評価するTerminal-Bench 4.0において、K3.1 Proは65.7％を獲得し、GPT-6 Astraの58.2％やClaude Opusの66.4％をわずか1ポイント弱下回る結果となった。前世代のK3は
AI 自動翻訳
极客公园
研究により、ラテン語専用の言語モデルLAMBおよび2つの新しいコーパスAcervusとCorpus Trinumが公開されました
2026年10月26日、arXivは論文arXiv:2610.31723v1を公開し、ラテン語専用のエンコーダーであるLatin Modern BERT（LAMB）を提案しました。同モデルはModernBERTアーキテクチャに基づき、二段階の事前学習を経て、740億語以上のラテン語トークンと新たな形態素認識型マスク戦略を用いています。同時に、2つの全く新しいラテン語コーパスも公開されました。1つは240億語のAcervusで、76万件のByT5によるOCR修復済み破損テキストを含みます。もう1つは、世界初の人工的に構築されたラテン語の意味三項対象データセットCorpus Trinumで、強/弱の三項対象が1億以上収録されています。
AI 自動翻訳
arXiv cs.CL
花椒は約30のエージェントアプリケーションを導入し、独自開発の4層構造のエージェントプラットフォームを構築してCubeSandboxサンドボックスに接続しました。
2026年10月26日現在、花椒（花房グループ傘下）は約30件の業務エージェントアプリケーションの導入を完了しており、研究開発、運用、カスタマーサポート、法務など多様なシーンに展開しています。同社が自社で開発したエージェントプラットフォームは四層の階層型アーキテクチャを採用し、ビジネスロジックと共通コアを明確に分離しています。また、テンセントクラウドのオープンソースプロジェクトであるCubeSandboxを基盤として強隔離型のサンドボックス実行環境を実現しており、すでに6か月以上にわたり安定稼働しており、1日あたりのトークン消費量は約8,300万です。
AI 自動翻訳
InfoQ AI
arXivの新論文では、証拠の検証と重み付けの更新を不要とするプロンプトの修正をサポートする、追跡可能な多モーダル感情推論のエージェントフレームワークが提案されています。
2026年10月26日、arXivはプレプリント論文（番号2610.31685v1）を公開し、凍結型の大規模モデルに基づく追跡可能な多モーダル感情推論エージェントのアーキテクチャを提案した。このアーキテクチャは、モーダル専用の知覚エージェント、統合エージェント、MLLM批判者、および証拠検証段階を通じて、誤りの帰属とプロンプト空間の自己適応型最適化を実現し、MER2025データセットにおいて、複数のオープンソースの多モーダル大規模モデル（2B～38Bパラメータ）の感情認識Fスコアを0.6～2.2ポイント向上させた。
AI 自動翻訳
arXiv cs.CL
LangChainが「企業向けエージェントフレームワーク」の5つの主要コンポーネントを発表
LangChainは2026年10月25日にブログを公開し、マーケティング、セールス、エンジニアリングの各チーム内でAIエージェント（GTM Agent、OpenSWE、Content Studio）を導入する際に蓄積された、以下の5つの一般的なアーキテクチャ原則を体系的に説明しました。すなわち、ネイティブな統合ワーク環境（Slack）、動的なアイデンティティモデル（OBO＋固定資格情報）、二層メモリ機構（グローバル／ユーザー単位）、サンドボックス化されたコード実行、そして高い割合でのスケジュール実行（手動トリガーではない）です。すべてのエージェントはManaged Deep Agentsプラットフォームに基づいて構築されています。
AI 自動翻訳
LangChain
llama.cpp が b11870 バージョンをリリースし、DeepSeek-V4.1-Flash モデルを正式にサポートしました
llama.cppはバージョンb11870において、DeepSeek-V4.1-Flash（deepseek41）モデルへの対応を追加し、そのEngramアーキテクチャに対してKVキャッシュ計算の簡略化、BF16精度によるMXFP8代替、in-graph行gatherなど、複数の低レベル最適化を施しました。同時に、macOS、Linux、Windows、Android、iOSおよびopenEulerを網羅するマルチプラットフォームのバイナリビルドも提供しています。
AI 自動翻訳
llama.cpp のリリース
研究は、異なる長さのコンテキストを持つモデル間で、証拠の位置に対する感度に体系的な差異が存在することを明らかにした
2026年10月24日付のarXivに掲載された実証研究（論文番号2610.31135v1）では、長文コンテキストにおける質問応答タスクにおいて、Transformer、状態空間モデル（state-space）、およびハイブリッドMambaアーキテクチャの位置バイアス現象を比較し、Transformerモデルは一般的に開始位置の証拠を活用する優位性を示す一方で、状態空間モデルにはその特性が欠如していることを明らかにしました。一方で、両モデルとも終端位置の証拠を好む傾向が見られました。
AI 自動翻訳
arXiv cs.CL