Today’s frontier report
Research Pool → Multi-Scout → Editor → Edition
3qk7 · AI LOCAL LABS TECHNICAL SCOUTING

AI FRONTIER

Signals worth understanding before they become obvious.

2026-11-16
01
testmodelsopen source unlock

Qwen3.8-27B 公開:27B のネイティブ視覚言語モデル、Apache-2.0 ライセンス

Qwen は Qwen3.5 アーキテクチャを基盤とする 27B の高密度ネイティブ視覚言語モデル Qwen3.8-27B を発表し、画像・動画理解と調整可能な思考深度を備え、Apache-2.0 ライセンスで重みを公開した。

  • パラメータ数 27B、隠れ次元 5120、64 層、ネイティブコンテキスト長 262,144 トークン、最大 1,000,000 トークンまで拡張可能。
  • 画像と動画の理解をネイティブにサポートし、STEM 図表や文書から時間単位の動画まで対応する。
  • 思考モードはデフォルトで有効、リクエスト単位で無効化でき、reasoning_effort で推論深度を調整、preserve_thinking はデフォルト有効。
  • 重みは Hugging Face Transformers 形式で公開され、Transformers、vLLM、SGLang、TokenSpeed と互換、ライセンスは apache-2.0。

マルチモーダルエージェントを自前で運用したいチームにとって、27B の高密度モデルと Apache-2.0 ライセンスは導入障壁を下げるが、長文脈や動画タスクの性能は報告されたベンチマーク条件に沿って確認すべきだ。

Hugging Face Trending
02
testmodelscapability unlock

thinkingmachines/Inkling-2-Small:594BパラメータのマルチモーダルMoEモデルがオープンウェイトで公開

Inkling 2 Smallはテキストと画像を入力しテキストを出力する汎用マルチモーダルモデルで、48層デコーダーとスパースMoEフィードフォワード骨格を採用し、各トークンを384専門家のうち8にルーティングする。総パラメータ594B、アクティブ17Bで、apache-2.0ライセンスのオープンウェイトとして公開されている。

  • 総パラメータ594B、アクティブパラメータ17B、各トークンは384専門家のうち8にルーティングされる。
  • 主要なNVFP4チェックポイントは少なくとも500GBの集約VRAMを必要とし、2x NVIDIA B300または4x NVIDIA H200で構成可能。
  • 代替のMXFP8チェックポイントは少なくとも800GBの集約VRAMを必要とし、4x B300または8x H200で構成可能。
  • モデルのネイティブ精度はNVFP4で、MXFP8は評価でわずか1〜2ポイント上回る。

構築者にとって、17Bのアクティブパラメータで594B総容量のマルチモーダル能力を得られるが、500GB以上の集約VRAM要件はマルチGPUクラスタでの展開を意味する。

Hugging Face Trending
03
watchagentsbenchmark jump

Claude Opus 5.5:AIロボットプログラムが240回のテスト実行中221回を通過

BornCityの報道によると、Claude Opus 5.5はAIロボットプログラムのタスクで240回のテスト実行中221回を通過した。

  • BornCityの報道:240回のテスト実行中221回を通過。
  • この結果はAIロボットプログラムのタスクに関するもの。

ロボットエージェントを構築する開発者にとって、240回中221回の通過は約8%の実行が依然として失敗することを意味し、フォールバックと検証を残す必要がある。

BornCity
04
watchinferencecost collapse

MITのVijay Gadepally氏、性能に影響を与えずAIのエネルギー消費を最大30%削減可能と発言

El Españolの報道によると、MITのVijay Gadepally氏は、性能に影響を与えることなくAIのエネルギー消費を最大30%削減できると述べた。

  • Vijay Gadepally氏はMITに所属している。
  • El Españolの報道では、AIのエネルギー消費を最大30%削減できるとされている。
  • この主張では性能への影響がないとされている。

AI構築者にとって、性能を維持したままエネルギーを削減できる可能性はコストとデプロイ効率に直結するが、この数値は実際のワークロードで検証する必要がある。

El Español