今日のAIニュースを、
5分で。

画像・動画・音声を統合学習した基礎モデル「FLUX 3」が早期アクセスで公開されました。単一の生成プロセスで最大20秒の動画と音声を生成でき、文生成や画像からの動画生成にも対応しています。

リアルタイム対話向けのFlash版と高品質なPlus版の2種類を展開する音声合成モデルです。16言語に対応し、感情表現の制御や最大3分間の長文生成が可能です。

Cactusは、生成した回答に対して0から1の信頼度スコアを付与する「Cactus Hybrid」を公開しました。信頼度が低い場合に自動でより大規模なモデルへ切り替える仕組みを備えています。

SANA-Video 2.0は、5Bおよび14Bのパラメータ規模を持つ混合型動画拡散Transformerです。線形とソフトマックスの注意機構を組み合わせることで、単一GPU環境での効率的な動画生成を実現しました。

「3.6 Flash」「3.5 Flash-Lite」「3.5 Flash Cyber」の3モデルが発表されました。コーディング効率の向上や、秒間350トークンという高速な推論性能を実現しています。

Google DeepMindは、主力モデル「Gemini 3.6 Flash」、低コスト・高効率な「3.5 Flash-Lite」、サイバーセキュリティ特化型の「3.5 Flash Cyber」の3モデルを公開しました。これらはGoogle AI開発者プラットフォームを通じてAPIで利用可能です。

小紅書の「dots-note 3.0」モデルが、第67回国際数学オリンピック（IMO 2026）の問題で満点を記録しました。形式言語に頼らず、LaTeX形式の課題を直接読み取り、自己批判プロセスを経て解法を導き出す能力が証明されました。

「実」を追求した第3世代の画像生成モデルで、4.5kトークンの指示入力に対応し、複雑な情報を網羅したグリッドレイアウトの生成が可能です。12言語のテキストレンダリングに対応し、実務での活用を想定しています。

NVIDIAは、40億パラメータのオープンソース世界モデル「Cosmos 3 Edge」をHugging Faceで公開しました。エッジデバイス上でのリアルタイムな環境理解や動作生成を目的としています。

通義実験室は、低遅延の「Flash」版と高性能な「Plus」版からなる音声合成モデルを公開しました。16言語と20種類の方言に対応し、高い話者類似度とリアルタイム性を実現しています。

DNAやタンパク質、医学画像など6種類の科学データを処理可能な110億パラメータのモデル。生物学的タスクや画像セグメンテーションで高い性能を記録し、コードと重みが公開されました。

汎用VLAモデル「MiniCPM-RobotManip」と追跡モデル「MiniCPM-RobotTrack」からなる、具身知能（ロボティクス）向けの軽量モデルシリーズです。OpenBMBと共同で開発され、オープンソースとして提供されます。