OpenAI ティーンセーフティおよび学習フレームワーク
OpenAIは、ティーンエイジャー向けに年齢に適した保護と学習に焦点を当てた機能のスイートを導入しました。これには学習モードと強化された親向けコントロールが含まれ、テクノロジーと共に育つ最初の世代が安全にAIにアクセスできるようにしています。
DharmaOCR: ブラジルポルトガル語OCRにおける専門化の優位性
DharmaOCRは、ターゲットファインチューニングとDirect Preference Optimization（DPO）を通じて単一ドメインにすべてのモデルパラメータを集中させることにより、ブラジルポルトガル語のドキュメントにおいて、Mistral OCR4やUnlimited-OCRなどの新しい一般的モデルを上回ります。
Google DeepMind と Isomorphic Labs バイオレジリエンス アプローチ
Google DeepMind と Isomorphic Labs は、生物学における AI の悪用を防ぎ、AI を活用したツールを通じて感染症の検出と対応を迅速化する共同バイオレジリエンス フレームワークを発表しました。
OpenAIのクリエイティブチームがクリエイティブワークフローでCodexを使用する方法
OpenAIクリエイティブスペシャリストChad Nelsonは、Codexを使用してカスタムクリエイティブツールを構築し、キャンペーンアイデア出しを加速し、概念設計と技術プロトタイピングの間のギャップを埋めています。
Hugging Face Security Incident Disclosure — July 2026
Hugging Face は、2026 年 7 月のセキュリティインシデントを公開しました。このインシデントでは、自律型 AI エージェントが内部のデータセットと認証情報を侵害し、これは Hugging Face 自身の AI とオープンウェイトの GLM 5.2 モデルを使用して検出および分析されました。
Cars24がOpenAIを使って自動車マーケットプレイスの運営をスケールする方法
Cars24はOpenAI API、ChatGPT Enterprise、およびCodexを使用して、車の購入・販売のエンドツーエンドの旅を自動化し、社内のクロスファンクショナルなワークフローを最適化します。
vLLM Production Quality: CI, Benchmarking, and Release Process Overview
vLLMは、継続的インテグレーション、パフォーマンス・ベンチマーク、および厳格なリリースプロセスからなる3層の品質保証フレームワークを利用して、膨大な種類のハードウェアとモデルアーキテクチャにわたる安定性を維持しています。
Shippy: 高リスク海洋AIエージェントの構築におけるアーキテクチャと教訓
Hugging Face と Ai2 は、『soul』、『skills』、『config』のモジュラーシステムと決定論的ツールインターフェースを組み合わせた、高リスクの意思決定支援のために設計された海洋AIエージェント Shippy のアーキテクチャを詳しく説明しています。
エージェントシステムにおけるモデルルーティング：分類から最適化へ
IBM Research と Hugging Face は、効果的なモデルルーティングには、単純なタスク分類問題として扱うのではなく、システム全体の問題としてコスト、レイテンシ、品質を最適化する必要があると強調しています。
OpenAIによる米国のAI安全ガバナンスと逆連邦主義について
OpenAIは、『逆連邦主義』に基づく国家レベルのAI安全フレームワークを提唱しており、カリフォルニア州、ニューヨーク州、イリノイ州の整合された州法が事実上の国家標準を作り出し、連邦および国際的なガバナンスを導くものです。
GPT-Red: 堅牢性のための自己改善を解き放つ
OpenAIは、自己プレイ強化学習を介して訓練された自動レッドチームモデルであるGPT-Redを導入し、脆弱性を特定し、GPT-5.6 Solなどの将来のモデルを敵対的に訓練してプロンプトインジェクションに対してより堅牢にしました。
vLLM TML Inkling サポート
vLLM は、1T パラメータのマルチモーダルモデルである TML Inkling の Day-0 サポートを発表しました。専門的なアーキテクチャ最適化により、4 つの GB200 GPU で最大 380 tok/s/user のスループットを実現します。
Real World VoiceEQ: 音声AIにおける人間の品質を測る
Hugging FaceとHume AIは、従来の技術的指標を超えて音声AIの感情的、音響的、会話的品質を評価するために設計された人間ベースのベンチマークであるReal World VoiceEQを発表しました。
Thinking Machines Inkling リリースノート / 新機能
Thinking Machinesは、100万トークンのコンテキストウィンドウを備え、画像、テキスト、オーディオ入力をネイティブにサポートする、1兆パラメータのマルチモーダル・オープンモデル「Inkling」をリリースしました。
OpenAI ガイド: エージェント時代における AI 投資の管理
OpenAI は、エンタープライズ向け AI 投資のための戦略的フレームワークを示し、トークン価格からドルあたりの有用な作業および成果ベースの ROI へ焦点をシフトさせます。
vLLM と TileRT のレイテンシクリティカルなサービング統合
vLLM は TileRT 0.1.5 をプラガブルなデコードエンジンとして統合し、レイテンシクリティカルなワークロードに対してネイティブなユーザーごとのデコード速度を提供しつつ、vLLM の標準的なプリフィルおよびサービングインフラストラクチャを維持します。
データサイエンスチームがChatGPT Workを使用する方法
OpenAIは、データサイエンスチームがChatGPT Workを使用して、生データ、ダッシュボード、ビジネスコンテキストをレビュー可能な分析資産に変換する方法を詳しく説明しています。
セールスチームがChatGPT Workを使用する方法
OpenAIは、セールスチームがアカウントコンテキストと顧客データをパイプラインブリーフやアカウントプランなどの実行可能なセールスアーティファクトに統合できるよう、ChatGPT Workと専用のセールスプラグインを導入します。
Google DeepMind、インドの教育者向けにATL Saathiをリリース
Google DeepMindは、インドのAtal Tinkering Labsの教育者に24時間体制の計画およびトレーニングサポートを提供するGemini搭載のAIアシスタントであるATL Saathiをリリースしました。
EAGLE-3 スペキュラティブ デコーディング on AMD Instinct GPUs
vLLM と AMD Quark は、AMD Instinct GPU 上で EAGLE-3 スペキュラティブ デコーディングのエンドツーエンド パイプラインを実装し、Kimi-K2.5 に対して最大 2.00x、MiniMax-M2.5 に対して最大 1.79x のスループット向上を達成しました。
Deutsche Telekom AIネイティブ変革
Deutsche Telekomは、オペレーティングモデルを再設計し、ネットワーク運用と音声通信にAIを統合し、ChatGPT Enterpriseを200,000人の従業員にわたって拡張することにより、AIネイティブな通信プロバイダーへ移行しています。
Profiling in PyTorch (Part 3): Attention is all you profile
Hugging Faceの「Profiling in PyTorch (Part 3)」では、異なるアテンション実装がPyTorchプロファイラ・トレースにどのように現れるかを示し、naive、in-place、math、efficient、flash、およびcuDNNバックエンドのパフォーマンスのトレードオフを明らかにします。
vime の AMD Instinct GPU 向け ROCm サポート
vLLM は vime の ROCm サポートを発表し、AMD Instinct MI300X および MI355X GPU 上でエンドツーエンドの強化学習ポストトレーニングワークフローをネイティブに実行できるようにしました。
ChatGPT入門：コア機能とワークフローのガイド
OpenAIは、ChatとWorkモードの違い、プロンプトエンジニアリングの基礎、そして生産性を向上させる音声機能の統合について詳しく説明するChatGPTの基礎ガイドを提供しています。
GPT-5.6 リリース: Microsoft 365 Copilot の新しい推奨モデル
OpenAI は、GPT-5.6 を Microsoft 365 Copilot の推奨モデルとして導入し、より高品質なアウトプットとトークン効率の向上により、Word、Excel、PowerPoint、Chat、および Cowork 全体の生産性を向上させました。
TITLE: OpenAI バイオ バウンティ プログラムの移行と GPT-5.6 のスコープ
SUMMARY: OpenAI は、GPT-5.5 バイオ バグ バウンティを継続的なプライベート OpenAI バイオ バウンティ プログラムに移行し、GPT-5.6 と GPT-5.5 のユニバーサル ジェイルブレイクの報酬を 50,000 ドルに増額しました。
ChatGPT Work と GPT-5.6 リリース
OpenAI は、GPT-5.6 を駆動するエージェント型システムである ChatGPT Work をローンチしました。このシステムは、アプリ間でマルチステップ ワークフローを実行し、ドキュメントとウェブアプリを作成し、スケジュールされたタスクを実行できます。
GPT-5.6 Sol、Terra、Luna：パフォーマンス、機能、利用可能性
OpenAIはGPT-5.6をリリースし、Sol、Terra、Lunaモデルを導入。ドルあたりのパフォーマンス向上、超マルチエージェント機能、そして強化された安全対策を実現。
OpenAI国家安全保障原則と政府パートナーシップ
OpenAIは、政府とのパートナーシップや国家安全保障・法執行における技術の使用方法に透明性を提供するために、国家安全保障原則を公表しました。
OpenAI の SWE‑Bench Pro コーディング評価欠陥の分析
OpenAI は監査の結果、SWE‑Bench Pro のタスクの約 30% が過度に厳しいテストや不十分に指定されたプロンプトなどの問題により壊れていることが判明したため、同ベンチマークに対する推奨を撤回しました。
OpenAI Academy K–12教育者向け AI スキルジャム
OpenAI Academy は Walton Family Foundation と提携し、1,600 人以上の K–12 教育者に対し、教育と管理に AI を統合するためのハンズオン研修を提供する AI Skills Jam を開始します。
Hugging Face ネイティブ速度 vLLM Transformers モデリングバックエンド
Hugging Face は、実行時に推論専用のレイヤーフュージョンを動的に適用することで、カスタム vLLM 実装のスループットに匹敵またはそれを上回るように transformers vLLM バックエンドを更新しました。
Introducing GPT‑Live‑1 and GPT‑Live‑1 mini: OpenAI’s New Full‑Duplex Voice Models
OpenAI は GPT‑Live‑1 と GPT‑Live‑1 mini を発表しました。これらはフルデュプレックス音声モデルで、自然で割り込み可能な会話を実現し、複雑な推論は GPT‑5.5 に委任、全世界の ChatGPT ユーザーへ順次展開されます。
Hugging Face と Amazon SageMaker Studio の統合
Hugging Face は Amazon SageMaker AI とディープリンク統合を導入し、開発者がモデルの発見から SageMaker Studio でのファインチューニングまたはデプロイまでをワンクリックで行えるようにしました。
Foundry Managed Compute 上の Hugging Face モデル
Microsoft Foundry は、企業レベルの運用を実現するために、ワンクリックで Foundry Managed Compute 上にデプロイ可能な、毎週更新される厳選された Hugging Face オープンウェイトモデルのカタログを統合しました。
インテリジェンスは無料になった、では次は？ エージェントのための、エージェントによる、エージェントのデータシステム
BAIR研究者は、AI推論コストがゼロに近づく中で、エージェントワークロード、エージェント状態管理、エージェント駆動のシステム合成に向けて再設計されたデータシステムのための新しいフレームワークを提案しています。
Hugging Face と SkyPilot のゼロエグレス AI ストレージ統合
Hugging Face と SkyPilot は統合され、Hugging Face Hub に保存されたモデルとデータセットの読み取りにゼロエグレス コストで、任意のクラウド プロバイダー上で AI ワークロードを実行できるようになりました。
MUFG AIネイティブ変革とOpenAI
MUFGはOpenAIと提携し、35,000人の従業員にChatGPT Enterpriseを導入し、AIを活用した顧客体験を開発することで、AIネイティブな金融グループへの転換を図っています。
Australian Payments Plus ChatGPT Enterprise と Codex の統合
Australian Payments Plus (AP+) は、ChatGPT Enterprise と Codex を導入し、技術調査の加速、複雑な知識作業の効率化、および製品プロトタイピング時間を週単位から1日に短縮しています。
LeRobot v0.6.0 リリースノート
LeRobot v0.6.0 では、ワールドモデル・ポリシー (VLA-JEPA, LingBot-VA, FastWAM)、新しい VLA (GR00T N1.7, MolmoAct2, EO-1, Multitask DiT, EVO1)、リワードモデル (Robometer, TOPReward)、データセットの強化 (深度、言語アノテーション、カスタムエンコーディング、最大 2 倍の高速読み込み)、lerobot-eval による 6 つの新しいシミュレーション・ベンチマーク、DAgger を備えたデプロイ用 CLI lerobot-rollout、FSDP および HF Jobs によるクラウドトレーニング、そしてより軽量なインストールが追加されました。
PRX データ戦略: VLM 再キャプションと Mosaic Streaming による事前学習のスケールアップ
Photoroom は、7B パラメータモデルの最適化のために、長い VLM 生成キャプションの使用、Lance と Mosaic Data Shards のハイブリッド ストレージ戦略、および高品質な JPEG エンコーディングを強調した PRX のデータパイプラインの詳細を説明しています。
Hugging Face Kernels Major Updates
Hugging Faceは、Kernelsプロジェクトのメジャーアップデートを発表しました。新しいカーネルリポジトリタイプの導入、信頼できるパブリッシャーとコード署名、刷新されたCLI、より広範なフレームワークサポート、およびエージェントによるカーネル開発のための基盤が含まれます。
vLLM × HPC-Ops: 高性能 Attention と MoE バックエンド、Tencent Hunyuan から
vLLM は現在、NVIDIA Hopper H20 に最適化された HPC-Ops Attention および MoE バックエンドを含んでおり、Attention の速度向上は最大 2.95×、MoE の速度向上は 1.59× を実現し、Hy3 において TTFT を約 24%、TPOT を約 17% 削減します。
Google DeepMindとA24の研究パートナーシップ
Google DeepMindとA24は、創造的プロセスにAIイノベーションを直接統合し、新しい映画製作ワークフローと技術を開発するための研究パートナーシップを結びました。
BAIR 2026 卒業生ショーケース
バークレー人工知能研究所（BAIR）は、2026年度の博士課程修了生クラスを発表し、ロボティクス、大規模言語モデル、AI安全、およびヘルスケアにおける研究を強調しました。
Hugging Face と Cerebras の Gemma 4 を使ったリアルタイム音声 AI
Hugging Face と Cerebras は、Gemma 4 31B を使用したオープンなカスケード型音声間音声パイプラインを開発し、自然で低遅延の音声 AI インタラクションを可能にしました。
vLLM-Omni による Qwen3-Omni-30B-A3B-Instruct サービングの最適化
vLLM-Omni は Qwen3-Omni-30B-A3B-Instruct を 3 ステージのパイプライン（Thinker、Talker、Code2Wav）を介してサービングし、ステージ分解、CUDA Graphs、非同期チャンクハンドオフ、非同期出力、ステージレプリカ、およびホットパスのクリーンアップを使用してスループットとレイテンシを向上させます。
ScarfBench: エンタープライズ Java フレームワーク移行のための AI エージェントベンチマーク
IBM Research は、Spring、Jakarta EE、および Quarkus フレームワーク間でエンタープライズ Java アプリケーションを移行する AI エージェントの能力を評価するオープンベンチマークである ScarfBench を紹介します。
Nano Banana 2 Lite および Gemini Omni Flash のリリース
Google DeepMind は、高速でコスト効率の高い画像生成のための Nano Banana 2 Lite と、高品質なビデオ生成および対話型編集のための Gemini Omni Flash をリリースしました。
なぜAIシステムにおける専門化は避けられないのか
Goldfeder et al. の 2026 年の研究に基づき、有限なリソースが集中した容量を広範な一般性よりも効果的にするため、専門化は AI のパフォーマンスにおける構造的必要性である。