すべての記事
カテゴリーなし

Nvidia NVLM 1.0:GPT-4oに挑むオープンソースのゲームチェンジャー

NvidiaはNvidia NVLM1.0を発表した。Nvidia NVLMは、OpenAIのGPT-4oなど、業界をリードするプロプライエタリ・システムと競合するように設計された画期的なオープンソースの人工知能モデルである。このリリースは、Nvidiaがモデルの重みとトレーニングコードを一般に公開することで、AIの展望における極めて重要な転換を意味する。このようなオープン化は、AIの研究開発を民主化し、小規模な組織や独立した研究者に、以前は技術大手にのみ許されていたツールを提供することが期待されている。Nvidiaは、高度なAIシステムをクローズドに保つという規範に挑戦することで、AIコミュニティ内のイノベーションとコラボレーションを促進することを目指している。 機能と性能 NvidiaのNVLM-D-72Bは、Nvidia NVLM1.0ファミリーのフラッグシップモデルで、720億という驚異的なパラメータで話題を呼んでいます。この最先端モデルは、視覚言語タスクに秀でており、テキスト精度の顕著な向上を示し、いくつかの主要なAIモデルを凌駕しています。ベンチマーク・テストでは、NVLM-D-72BがOpenAIのGPT-4oのような独自の巨大なAIと良い競争をしていることが明らかになっており、AI業界におけるNVLM-D-72Bの可能性を示しています。 NVLM-D-72Bの特徴の一つは、ミームの解釈、画像の分析、複雑な問題の解決における多用途性である。マルチモーダルトレーニング後にテキストのパフォーマンスが低下する多くのモデルとは異なり、NVLM-D-72Bはテキスト能力を強化し、回復力と適応性を示します。この能力は応用範囲を広げ、世界中の研究者や開発者にとって堅牢なツールとなっています。 AI産業への影響 NvidiaがNvidia NVLM1.0をリリースしたことは、OpenAIのGPT-4oのような業界リーダーに匹敵するオープンソースのAIモデルであり、AIの状況に大きな変化をもたらすものである。モデルの重みとトレーニングコードを一般公開することで、Nvidiaは高度なAIシステムを独占的に維持するという従来のビジネスモデルに挑戦している。この動きは、中小企業や独立系研究者が多額のコストをかけずに最先端技術にアクセスできるようにすることで、AIの研究開発を加速させる可能性がある。しかし、この開放性はリスクや倫理的な懸念ももたらす。より強力なAIツールをより多くの人々が利用できるようになれば、悪用される可能性が高まり、責任あるAI開発について疑問が生じる。AIコミュニティは今、イノベーションと、意図しない結果を防ぐための倫理的ガイドラインやセーフガードの必要性とのバランスを取るという課題に直面している。エヌビディアの大胆な動きは、他のテック大手企業の今後のAI開発への取り組み方にも影響を与えそうだ。このオープンソースのイニシアチブの真のインパクトは、業界がこの新しいパラダイムに適応することで明らかになるだろう。 将来への影響 NvidiaがNvidia NVLM1.0をオープンソースモデルとして発表したことで、AI業界の状況は一変する。GPT-4oのようなプロプライエタリな巨大企業と競合するモデルを提供することで、Nvidiaは、OpenAIやGoogleのような企業に、その閉鎖的なアプローチを再考するよう圧力をかける可能性のある先例を示している。この発展は、これまで資金力のある企業に限られていた最先端技術へのアクセスを小規模な事業体が獲得することで、コラボレーションとイノベーションの拡大を刺激するかもしれない。

によって Om Kamath1 最小読み取り
Nvidia NVLM 1.0:GPT-4oに挑むオープンソースのゲームチェンジャー

NvidiaはNvidia NVLM1.0を発表した。Nvidia NVLMは、OpenAIのGPT-4oなど、業界をリードするプロプライエタリ・システムと競合するように設計された画期的なオープンソースの人工知能モデルである。このリリースは、Nvidiaがモデルの重みとトレーニングコードを一般に公開することで、AIの展望における極めて重要な転換を意味する。このようなオープン化は、AIの研究開発を民主化し、小規模な組織や独立した研究者に、以前は技術大手にのみ許されていたツールを提供することが期待されている。Nvidiaは、高度なAIシステムをクローズドに保つという規範に挑戦することで、AIコミュニティ内のイノベーションとコラボレーションを促進することを目指している。

機能と性能

NvidiaのNVLM-D-72Bは、Nvidia NVLM1.0ファミリーのフラッグシップモデルで、720億という驚異的なパラメータで話題を呼んでいます。この最先端モデルは、視覚言語タスクに秀でており、テキスト精度の顕著な向上を示し、いくつかの主要なAIモデルを凌駕しています。ベンチマーク・テストでは、NVLM-D-72BがOpenAIのGPT-4oのような独自の巨大なAIと良い競争をしていることが明らかになっており、AI業界におけるNVLM-D-72Bの可能性を示しています。

NVLMの性能比較

ソースエヌビディア・ラボ

NVLM-D-72Bの特徴の一つは、ミームの解釈、画像の分析、複雑な問題の解決における多用途性である。マルチモーダルトレーニング後にテキストのパフォーマンスが低下する多くのモデルとは異なり、NVLM-D-72Bはテキスト能力を強化し、回復力と適応性を示します。この能力は応用範囲を広げ、世界中の研究者や開発者にとって堅牢なツールとなっています。

AI産業への影響

NvidiaがNvidia NVLM1.0をリリースしたことは、OpenAIのGPT-4oのような業界リーダーに匹敵するオープンソースのAIモデルであり、AIの状況に大きな変化をもたらすものである。モデルの重みとトレーニングコードを一般公開することで、Nvidiaは高度なAIシステムを独占的に維持するという従来のビジネスモデルに挑戦している。この動きは、中小企業や独立系研究者が多額のコストをかけずに最先端技術にアクセスできるようにすることで、AIの研究開発を加速させる可能性がある。しかし、この開放性はリスクや倫理的な懸念ももたらす。より強力なAIツールをより多くの人々が利用できるようになれば、悪用される可能性が高まり、責任あるAI開発について疑問が生じる。AIコミュニティは今、イノベーションと、意図しない結果を防ぐための倫理的ガイドラインやセーフガードの必要性とのバランスを取るという課題に直面している。エヌビディアの大胆な動きは、他のテック大手企業の今後のAI開発への取り組み方にも影響を与えそうだ。このオープンソースのイニシアチブの真のインパクトは、業界がこの新しいパラダイムに適応することで明らかになるだろう。

将来への影響

NvidiaがNvidia NVLM1.0をオープンソースモデルとして発表したことで、AI業界の状況は一変する。GPT-4oのようなプロプライエタリな巨大企業と競合するモデルを提供することで、Nvidiaは、OpenAIやGoogleのような企業に、その閉鎖的なアプローチを再考するよう圧力をかける可能性のある先例を示している。この発展は、これまで資金力のある企業に限られていた最先端技術へのアクセスを小規模な事業体が獲得することで、コラボレーションとイノベーションの拡大を刺激するかもしれない。

探索を続けてください

関連記事

Gemini Embedding 2:グーグル初のマルチモーダル埋め込みモデル
カテゴリーなし

Gemini Embedding 2:グーグル初のマルチモーダル埋め込みモデル

Gemini Embedding 2:機能、ベンチマーク、価格、開始方法 先週、グーグルは ジェミニ エンベッディング2は、Geminiアーキテクチャ上に構築された初のネイティブなマルチモーダルエンベッディングモデルである。エンベッディングを何らかの形で扱うのであれば、これは注目に値する。これは、今日ほとんどのチームが依存しているマルチモデルのエンベッディングパイプラインを大きく破壊する可能性を秘めています。 これまで、OpenAI、Cohere、Voyageの主要な埋め込みモデルは、主にテキストベースでした。画像とテキストのアライメントにはCLIP、画像とビデオにはVoyage Multimodal 3.5など、いくつかのマルチモーダル・オプションは存在しましたが、単一の統一されたベクトル空間で、あらゆるモダリティをカバーするものはありませんでした。音声は通常、埋め込む前に書き起こす必要があった。ビデオでは、フレーム抽出と個別のトランスクリプト埋め込みが必要でした。画像は、完全に独自のベクトル空間に存在していました。 Gemini Embedding 2はその方程式を変える。1つのモデル、1つのAPIコール、1つのベクトル空間。 新情報を掘り下げてみよう。 Gemini Embedding 2とは何ですか? Gemini Embedding 2(gemini-embedding-2-preview) は、Google DeepMind初の完全なマルチモーダル埋め込みモデルである。テキスト、画像、ビデオクリップ、音声記録、PDF文書を取り込み、それらすべてを同じ共有意味空間に存在するベクトルに変換する。 CLIPのような以前のマルチモーダルアプローチは、ビジョンエンコーダとテキストエンコーダをペアにして、最後に対比学習でそれらを調整するものであったが、Gemini Embedding 2は、Geminiの基礎モデルそのものに基づいて構築されている。これは、深いクロスモーダル理解を基礎から受け継いでいることを意味する。 実例ビデオチュートリアル、オーディオレクチャー、文書によるガイドで学習管理システム(LMS)を構築しているとします。Gemini Embedding 2を使用すると、これらすべてのコンテンツのエンベッディングを単一のベクトル空間に格納し、ビデオ、オーディオ、ドキュメントから関連するチャンクを取得するRAGベースのチャットボットを構築することができます。これまでは、何層ものエンベッディングパイプラインが必要でしたが、それでも、トランスクリプトをキャプチャするだけで、ビデオのビジュアルコンテキストやスピーカーの声のトーンを逃していました。 このモデルはマトリョーシカ表現学習を使用しているため、必要なければ3072次元すべてを使用する必要はない。1536や768に縮小しても、使用可能な結果を得ることができる。 マトリョーシカ表現学習(MRL)は、学習された表現が完全な次元だけでなく、ロシアのマトリョーシカ人形のように互いに入れ子になっている様々な小さな次元でも有用であるように、埋め込みモデルを学習する手法です。学習中、損失関数は完全な埋め込みだけでなく、埋め込みベクトルの複数の接頭辞に対しても計算されます。これによりモデルは、最も重要な情報を最も初期の次元に詰め込み、それに続く各次元がより細かいディテールを追加していく、つまり粗いものから細かいものへの構造を持つようになる。 対応モダリティと入力制限 このモデルは5種類の入力を受け入れ、すべて同じ埋め込み空間にマッピングされる: モダリティ 入力制限 フォーマット テキスト 最大8,192トークン プレーンテキスト 画像 1リクエストにつき6枚まで PNG, JPEG ビデオ 最大120秒 MP4、MOV 音声 最大80秒(ネイティブ、トランスクリプションなし) MP3, WAV PDF 直接埋め込む PDFドキュメント 既存モデルとの比較 TLDR:Googleの新しいGemini Embedding 2モデルは、テキスト、画像、ビデオ、音声のほぼ全てのモダリティにおいて、競合他社(自身の前身、Amazon… Read more »

記事を読む
ジェミニ 2.5 プロ
カテゴリーなし

ジェミニ2.5プロとGPT-4.5:AI革命をリードするのは誰か?

2025年、人工知能の世界は非常にエキサイティングなものとなっており、大手ハイテク企業はこれまでにない最先端のAIシステムを作ろうと熾烈な競争を繰り広げている。この激しい競争は多くの新しいアイデアを生み出し、AIが人間のように思考し、問題を解決し、対話できることの限界を押し広げている。この1ヶ月の間に、2つの主要プレーヤーが先導する驚くべき改善があった:グーグルのGemini 2.5 ProとOpenAIのGPT-4.5だ。2025年3月の大々的な発表で、グーグルはジェミニ2.5プロを発表した。このジェミニ2.5プロは、LMArenaのリーダーボードで、競合他社を抑えてすぐにトップに躍り出た。ジェミニ2.5が特別なのは、応答を注意深く検討する能力であり、深い思考を必要とする複雑なタスクで優れたパフォーマンスを発揮するのに役立つ。 オープンAIは遅れをとるまいと、これまでで最大かつ最も先進的なチャットモデルであるGPT-4.5を発表した。このモデルは、パターンを認識し、つながりを作り、創造的なアイデアを思いつくことに優れています。初期のテストによると、GPT-4.5は幅広い知識を持ち、ユーザーの言いたいことを理解する能力が向上しているため、GPT-4.5との対話は非常に自然に感じられるという。OpenAIは、GPT-4.5が、人間とのスムーズなコラボレーションのために設計された、直接の監視なしでの学習において大幅に改善されたことを強調している。 これらのAIシステムは、単に印象的なテクノロジーというだけでなく、ビジネスのあり方を変え、科学的発見を加速させ、創造的なプロジェクトを変革している。AIが日常生活の普通の一部となるにつれ、ジェミニ2.5プロやGPT-4.5のようなモデルは、私たちが可能だと考えることを拡大しつつある。より優れた推論能力、誤った情報を広める可能性の低さ、複雑な問題に対する熟達度によって、人類の進歩を真にサポートするAIシステムへの道が開かれつつある。 ジェミニ2.5プロを理解する 2025年3月25日、グーグルは「最もインテリジェントなAIモデル」と評されるジェミニ2.5プロを正式に発表した。このリリースは、2.0モデルを何度か繰り返した後、グーグルのAI開発における重要なマイルストーンとなった。リリース戦略は、まず実験的バージョンから始まり、ジェミニ・アドバンスド加入者にその機能をテストするための早期アクセスを提供した。 Gemini 2.5 Proが前世代と異なるのは、“思考モデル“としての基本的なアーキテクチャである。主に訓練されたデータパターンに依存していた前世代とは異なり、このモデルは、人間の問題解決プロセスを模倣し、応答する前に能動的に思考を推論することができる。これは、AIシステムが情報を処理し、応答を生成する方法における大きな進歩を意味する。 主な特徴と能力 強化された推論能力– 複雑な領域にわたって、段階的な問題解決が可能。 コンテキスト・ウィンドウの拡張– 100万メダル収容可能(200万メダルまで拡張予定) ネイティブなマルチモダリティ– テキスト、画像、音声、動画、コードをシームレスに処理 高度なコード機能– ウェブアプリの作成とコード変換が大幅に改善されました。 Gemini 2.5 Proは、LMArenaリーダーボードで初登場1位を獲得し、パフォーマンスリーダーとしての地位を確立した。Gemini 2.5 Proは、高度な推論を必要とするベンチマークにおいて特に優れており、外部ツールを使用せずに「Humanity’s Last Exam(人類最後の試験)」で業界トップクラスの18.8%を記録した。数学と科学では、それぞれAIME2025で86.7%、GPQAダイヤモンドで79.7%という驚異的な能力を示している。 以前のGeminiモデルと比較して、バージョン2.5 Proは大幅な飛躍を遂げている。Gemini 2.0が重要な基本機能を導入したのに対し、2.5 Proは大幅に強化された基本モデルと改良されたポストトレーニングテクニックを組み合わせている。最も顕著な改善は、コーディングパフォーマンス、推論の深さ、および文脈理解である。 GPT-4.5を探る 2025年4月、OpenAIはGPT-4.5を発表し、これを「これまでで最大かつ最も先進的なチャットモデル」と説明した。この研究プレビューは、AIコミュニティ内ですぐに興奮を呼び起こし、最初のテストでは、その広範な知識ベースとユーザーの意図を理解するための強化された能力のおかげで、モデルとの対話が非常に自然に感じられることが示されました。 GPT-4.5は、教師なし学習機能において大きな進歩を示しています。OpenAIは、革新的なアーキテクチャと最適化戦略を採用すると同時に、計算能力とデータ入力の両方を拡張することで、この進歩を実現しました。このモデルはMicrosoft Azure AIスーパーコンピュータ上で学習され、OpenAIが可能性の限界を押し広げることを可能にするパートナーシップを継続しています。 コアの改善と能力: パターン認識の強化– パターンを認識し、関連性を導き出し、創造的な洞察を生み出す能力が大幅に向上。 幻覚の減少–GPT-4oや o1のような以前のモデルと比較して、誤った情報を生成する可能性が低い。 EQ」の向上-感情的知性の向上と微妙な人間関係の理解 高度な操舵性– 複雑なユーザー指示のより良い理解と遵守 OpenAIは、GPT-4.5を人間との共同作業のために訓練することに特に重点を置いています。新しい技術により、モデルの操縦性、ニュアンスの理解、自然な会話の流れが強化されました。これにより、ライティングやデザイン支援において特に効果を発揮し、以前のバージョンよりも強い美的直感と創造性を発揮します。 実世界での応用において、GPT-4.5は驚くべき汎用性を発揮します。拡張された知識ベースと改良された推論能力により、詳細なコンテンツ作成から高度な問題解決まで、幅広いタスクに適している。OpenAIのCEOであるサム・アルトマンは、すべてのベンチマークカテゴリーでリードしていないにもかかわらず、このモデルを肯定的に評価し、その「ユニークな有効性」を強調しています。 GPT-4.5の展開戦略は、強力なAIシステムをリリースするためのOpenAIの慎重なアプローチを反映しています。当初はChatGPT Proサブスクライバーと開発者が様々なAPIを通じて有料層で利用できるようにし、徐々にChatGPT Plus、Team、Edu、Enterpriseサブスクライバーへのアクセスを拡大する予定です。この段階的な展開により、OpenAIは利用が拡大するにつれて、パフォーマンスと安全性を監視することができます。 パフォーマンス指標:比較分析 これらの高度なAIモデルの技術的能力を検証する際、ベンチマーク性能はその能力を最も客観的に測る尺度となる。Gemini 2.5 ProとGPT-4.5は、それぞれ様々な領域で独自の強みを発揮しており、ベンチマークテストによって、その明確な優位性が明らかになりました。 ベンチマーク ジェミニ 2.5… Read more »

記事を読む
GPT-4.5対クロード3.7ソネット:AIの進化を深く掘り下げる
カテゴリーなし

GPT-4.5対クロード3.7ソネット:AIの進化を深く掘り下げる

人工知能を取り巻く環境は急速に進化しているが、最近目立ったのは2つのモデルだ:GPT-4.5とクロード3.7ソネットだ。GPT-4.5」と「Claude 3.7 Sonnet」です。これらの高度な言語モデルは、AIの能力を大きく飛躍させるもので、それぞれが独自の強みを発揮します。 OpenAIのGPT-4.5は、マイナーアップデートながら、幻覚の軽減や自然な会話の強化などの改善を誇っている。一方、AnthropicのClaude 3.7 Sonnetは、その卓越したコーディング能力とコストパフォーマンスで注目を集めている。両モデルとも、開発者や研究者から最先端のAIソリューションを求める企業まで、幅広いユーザーに対応している。 これらのモデルがAIで可能なことの限界を押し広げるにつれて、様々な業界における期待や用途が再形成され、近い将来さらに大きな変革をもたらす舞台が整いつつある。 GPT-4.5とクロード3.7ソネットの主な特徴 GPT-4.5とクロード3.7ソネットは、それぞれ独自の強みを持ち、AIの展望に大きな進歩をもたらす。GPT-4.5は、OpenAIの「これまでで最大かつ最も知識豊富なモデル」として説明されており、教師なし学習を拡張することに重点を置き、幻覚を減らしつつ、単語の知識と直感を強化します。このモデルは推論能力を向上させ、より深い文脈理解によってチャットでの対話を強化することに優れています。 一方、クロード3.7ソネットは、画期的なハイブリッド推論モデルを導入しており、素早い応答と、段階を追った拡張的な思考の両方を可能にしています。特にコーディングとフロントエンド・ウェブ開発で輝きを放ち、優れた指示追従能力と一般的な推論能力を発揮します。 主な改善点 GPT-4.5:教師なし学習と会話機能の強化 クロード3.7ソネット高度なハイブリッド推論と優れたコーディング能力 両方のモデル改善されたマルチモーダル能力と適応的推論 パフォーマンスと評価 タスク GPT-4.5(対4o) クロード 3.7 ソネット* (対 3.5) コーディング 向上 大幅に上回る 数学 中程度の改善 AIME’24の問題で改善 理由 同様のパフォーマンス 同様のパフォーマンス マルチモーダル 同様のパフォーマンス 同様のパフォーマンス * 思考を広げずに GPT-4.5では、チャットでの対話が顕著に改善され、幻覚が減少しました。人間のテスターは、以前のモデルと比べてより正確で事実に基づいていると評価しており、より信頼できる会話パートナーとなっています。 一方、クロード3.7ソネットは、リアルタイム・アプリケーションやコーディング・タスクで卓越した効率性を発揮。SWE-bench VerifiedとTAU-benchで最先端の性能を達成し、ソフトウェアエンジニアリングと複雑な問題解決におけるその能力を示しています。さらに、GPT-4.5と比較してスループットが高いため、迅速な応答や大量のデータ処理を必要とするタスクに特に適しています。 価格とアクセシビリティ GPT-4.5は、素晴らしい能力を誇る一方で、高額な値札が付いている。GPT-4.5の価格は前モデルのGPT-4の75倍で、その大幅な値上げを正当化する明確な理由もない。この価格戦略は、多くの潜在的なユーザーへのアクセスを制限するかもしれない。 対照的に、クロード3.7ソネットはより手頃なオプションを提供している。その価格体系はかなり競争力がある: GPT-4.5と比べ、投入トークンが25倍安い 出力トークンが10倍安い 具体的な価格設定:100万投入トークンあたり3ドル、100万出力トークンあたり15ドル GPT-4.5は現在、GPT Proユーザーと開発者がAPI経由でアクセス可能で、Plusユーザー、教育機関、チームにもアクセスを拡大する予定です。一方、クロード3.7ソネットは、クロードの全プラン(フリー、プロ、チーム、エンタープライズ)、およびAnthropic API、Amazon Bedrock、Google CloudのVertex AIを通じて、より幅広いアクセスを提供しています。 このような価格設定や利用しやすさの違いは、各モデルの潜在的な普及率やユースケースに大きく影響し、クロード3.7ソネットは、費用対効果や幅広い利用可能性から、より幅広いユーザーにアピールできる可能性がある。 使用例 GPT-4.5とクロード3.7ソネットはともに、多様な実世界のアプリケーションに対応するユニークな機能を備えています。GPT-4.5は高度な会話パートナーとして優れており、精度と幻覚の低減において従来のモデルを上回っています。文脈理解の向上により、カスタマーサービス、コンテンツ作成、パーソナライズされた学習体験に理想的です。 一方、クロード3.7ソネットは、コーディングとソフトウェア開発の領域で輝いている。クロード・コードで実証されたそのエージェント的コーディング機能は、コードの検索、テストの実行、コマンドラインツールの使用などのタスクを自動化する。これは、開発プロセスの合理化を目指す企業にとって、非常に貴重な資産となる。… Read more »

記事を読む

最初のアシスタントは数分の距離にあります

ビジネス知識を活用しましょう。

無料の Cody アカウントから始めてください。コンテンツを追加し、アシスタントを構築し、最初の役立つ回答を今すぐ共有してください。