Hugging Face Blog

画面操作の精度ではQwen3-VLの4BがScreenSpotの首位級に並んでおり、3B前後の視覚モデルはすでに混戦だ。

それでも画面理解・位置特定・複数画像・関数呼び出しを一度に強化したのは、端末の中でGUIを操作させる部品を揃えるためだろう。

約3GBで動くこのモデルは、AMDやQualcommのNPU展開と合わせて、AI PCや携帯の「目と手」を担う標準部品への布石とみられる。

ACEは2025年10月にStanfordとSambaNovaが出した手法で、AppWorldで10.6%の改善を掲げた本命だった。

なぜ今その全部渡す方式が疑われるかというと、Chromaの調査で18モデルすべてが入力が伸びるほど精度を落とすと示されたからだ。

争点は何を覚えるかから、どう渡すかへ移ったが、IBM自身の比較である以上、外部での再現を見たい。

オープンウェイトの音声合成はすでに混み合っていて、Apache 2.0で8200万パラメータのKokoroなどが先にいる。

では3億6400万のMagpieの売りは何かといえば、開いていること自体ではなく12言語対応と遅延の数字だろう。

ただし初音32msはB200での値で、ライセンスもApache 2.0ではなく、訴訟や安全機能の解除で権利が切れるNVIDIA独自のもの——「条件付きの開放」だ。

Metaは今年4月にLlamaを終わらせてクローズドのMuse Sparkへ移ったばかりで、今回のApache 2.0は4か月での方針転換だ。

ローカルの定番枠をQwenやgpt-ossに奪われている間に、Wang氏いわく24GBのVRAMで動く30Bで席を取り返しに来たとみられる。

月7億ユーザーの制限があったLlamaより緩い条件での公開であり、開放を再び武器に戻すという宣言だ。

損失計算でロジットを全部作らない工夫はAppleのCut Cross-Entropy（2024年11月）が先行し、Gemma 2の2Bで24GBを1MBに削った。

圧縮を売るMultiverse社は2026年7月に最大5億7000万ドルのシリーズCを発表しており、費用の山は圧縮より圧縮後の学び直しへ移ったのだろう。

4ノードが1ノードになる意味は速さより参加者の広がりで、蒸留は研究所の特権でなくなるとみられる。

教え方を測るベンチはMathTutorBenchなど既にあるが、TutorMomentsは実際の指導記録462件と教師27人の注釈に立つ点が異なる。

別の研究は9データセット計9,490件を比較し、生徒がAIが用意した解き方を迂回し自分の目的で使う事例も報告している。

プロンプト一つでスコアが改善する点からAI教師のは能力はモデルの性能以外にもプロンプト設定で変わることが示唆されている。

HFの推論プロバイダーにはGroqやTogether AI、Fireworksが既に並んでおり、Basetenは後発でこの棚に加わった格好だ。

では、評価額130億ドル規模の調達が報じられる会社が、なぜプロバイダー名を一語書き換えるだけで乗り換えられる場所に自ら並ぶのか。狙いは売上そのものより、入口の確保だろう。

上乗せ手数料ゼロという条件は、推論が価格と速度で選び直される陳列棚の商品になったという宣言に等しい。

地球規模の推論の捌き方は割れており、GoogleはAlphaEarth由来の埋め込みを先に配り、NASAとIBMのPrithviはISS上で推論まで試した。

なぜ今インフラの話かといえば、モデルの精度差が縮み、勝負が地図1枚の待ち時間とコストへ移ったからとみられる。

155倍は賢さでなく段取りの成果で、競争軸はモデル公開からパイプライン公開へ移ったと見ていい。

埋め込みモデルの競争は、オープン系MTEB首位のQwen3-Embedding-8BやGoogleのGemini Embeddingがしのぎを削る飽和市場だ。

NVIDIAがMTEBでなくRTEBを掲げるのは、それが過学習を防ぐ非公開データ基準だからだが、当のRTEBは非公開列を一時外す運用の揺れも抱える。

ゆえに真の勝ち筋は総合1位の数字より、4bit化でBF16比2倍速・精度99%超を保つBlackwell前提の垂直統合にあるとみられる。