3qk7 · AI LOCAL LABS
TECHNICAL SCOUTING
AI FRONTIER
Signals worth understanding before they become obvious.
2026-11-02
01
testmodelsopen source unlock
ccore/Qwen3.5-4B-3D-Coder：Three.js 3D シーンに特化した4Bオープン预览モデル
ccore が Qwen/Qwen3.5-4B をベースに独立微調整した早期プレビューモデルを公開し、Three.js によるインタラクティブな3Dシーン生成に焦点を当てています。FP16重み、GGUF量子化版、学習データセット、技術レポートも公開されています。
- パラメータ数は4.5Bで、リポジトリ表記は5B params、テンソル型はF16。
- ライセンスは Apache 2.0 で、Qwen/Qwen3.5-4B をベースにした独立微調整であり、Qwen 公式リリースではない。
- 学習データセット CCORE Three.js 3D Scenes は4,146例（訓練3,933／検証213）を含み、MIT ライセンスで公開。
- Q4_K_M と Q8_0 GGUF は約644 MiBのBF16視覚プロジェクターと併用して画像入力を受け付け、llama.cpp b11889 でローカル検証済み。
公開データセットとGGUF重みを備えた4B級モデルにより、開発者はローカル64KコンテキストでThree.js 3Dシーン生成や画像誘導生成を低コストに試せます。
02
watchresearchincremental
IBM Granite 時系列モデルによるアンサンブル予測
IBM Research は Granite Timeseries Ensemble を公開し、4 つの事前学習済み Granite モデルを拡張可能な予測インターフェースに統合し、再学習やアンサンブル重みのフィッティングなしで中央値と分位点予測を返す。
- デフォルトのレシピは Granite PatchTST-FM-r1（Patched Transformer）、Granite PatchTST-FM-r2（Patched Conformer）、Granite FlowState-r1.1（状態空間モデル）、Granite TTM-r3（Tiny Time Mixers）の 4 モデルを組み合わせる。
- 97 の GIFT-Eval データセット構成での評価で、Probabilistic Ensemble の MASE は 0.683 となり、PatchTST-FM-r2 の 0.685 を上回った。PatchTST-FM-r2 の CRPS/MWQL は 0.467 で 6 予測中最低だった。
- レシピはマージされたモデル重みではなくアンサンブル設定を保存し、実行時に 4 つのメンバーチェックポイントをダウンロードするため、初回実行には追加時間が必要となる。
- デフォルトの分位点範囲は 0.1 から 0.9 で、0.1 と 0.9 の分位点が名目 80% カバレッジの中心予測区間を定義する。
AI 構築者にとって、このアンサンブルは単一アーキテクチャを事前に選ばずに済むデフォルトの出発点を提供するが、MASE の優位は小さく、主な利点は堅牢性にあり、4 モデル推論の遅延とメモリのトレードオフを考慮する必要がある。
03
watchresearchcapability unlock
Google、DNAを設計し実験室から学習するAIエージェントを公開
Pasquale Pillitteriの報道によると、GoogleはDNAを設計し実験室からのフィードバックで学習するAIエージェントを公開した。
- 情報源はPasquale Pillitteriの報道。
- 報道は、GoogleがDNAを設計し実験室から学習するAIエージェントを公開したと伝えている。
AI構築者にとって、実験室の閉ループフィードバックとエージェントを組み合わせたDNA設計という研究方向を示すシグナルである。