5/3/2025 AIエクスプレス｜Midjourney v7アップデート：低コストでより速い処理、より長い会話 テクノロジーのブレークスルー

Midjourneyは、多くの重要な改善をもたらすv7アップデートをリリースしました。ファストモードの新バージョンで処理時間を大幅に短縮高速モードでは約40秒、ターボモードではわずか18秒しかかからない。この改良は、ユーザー体験を向上させるだけでなく、v7バージョンを従来の半分近いコストにした。

さらに、v7では新たにオムニ・レファレンス・システムこれにより、キャラクター、オブジェクト、乗り物、クリーチャーなど、特定の要素を画像に追加することができます。Omni-Weightパラメータを調整することで、ユーザーは参照画像の厳密さを制御することができ、より正確な画像生成が可能になります。

これらのアップデートは、特にゲーム開発、広告デザイン、映画制作などの業界で、高品質な画像を効率的に生成する必要があるコンテンツクリエイターやデザイナーにとって重要です。

ローガンとニコライは、ジェミニの長時間に及ぶコンテクストの事前トレーニングについて、いくつかの重要なトピックについて深く話し合っている。

まず、コンテキストの長さを100万（1M）にした理由について、ニコライは、1Mは当時の標準的な長さの10倍であり、目標を設定する際に常に現状より一桁高いものを目指すというグーグルの常套手段に沿っているからだと説明した。

より大きなコンテキストの長さ（例えば1～2M以上）について尋ねると、ニコライは1000万（10M）を試したが、技術的には可能だが、コストがかかり、ハードウェアのリソースも限られていたと述べた。

長い文脈は検索機能強化型ジェネレーション（RAG）を無効にするのか、という疑問に対してニコライは、この2つは互いに補完し合うものであり、重要なのは文脈情報をいかに効率的に利用するかにあると強調する。

単純なピンホール問題（NIAH）についてニコライは、この種の問題はほぼ解決済みであり、真の課題はモデルを混乱させる可能性のある "ハード干渉 "や複数のピンホールを扱うことにあると述べた。

NIAHに注目した理由についてニコライは、複雑すぎる評価タスクは能力のシグナルを薄め、曖昧な評価結果につながる可能性があると説明した。

最後に、入力と出力の長さのミスマッチについて議論した。より長い入力は事前学習段階で扱うことができるが、実際には、より長い回答が必要な場合でも、モデルは一定の範囲内で生成を終える傾向がある。

その他の特筆すべき点は以下の通り：

• ロスト・イン・ザ・ミドル」効果は見られなかった。
• 文脈上の知識と重みの知識との間に矛盾が生じる可能性があることに注意することが重要である。
• 今後進むべき道は、より費用対効果が高く正確な10Mのコンテクスト処理であり、最終的な目標は100Mになるかもしれないが、そのためには新たなディープラーニングの革新が必要になるかもしれない。
• 強力なハードウェアがあるだけでは不十分で、それをサポートする非常に優秀な推論エンジニアが必要なのだ。

10M以上の制限を突破するために、我々は以下の方法を試している：

スパース性(** Sparsity**): 例えば、ルーティング・トランスフォーマー(Routing Transformer)は、ルーティング・メカニズムによって計算の複雑さを軽減する。

**プレフィルセービング**：マトローシュカのアイデアでプレフィルプロセスを最適化し、効率を高めます。

早期退場モデルが一定の信頼度に達した時点で計算を早期に停止することで、計算資源の無駄な消費を抑えることができます。

ローガンとニコライの対話は、多くの興味深い洞察を与えてくれる：

- なぜ100万ドルかというと、当時の基準の10倍だったからだ。グーグルの社員は通常、現状の10倍に改善することを目標に設定する。

- 1-200万ドル以上では、10,000万ドルを試したが、これは実現可能だが、コストがかかり、ハードウェアのリソースも不足している。

- 長いコンテキストのRAGはキラーアプリではなく、この2つは互いに補完し合うことができる。

- 単純な「干し草の山の中の針」問題は解決されたが、注意をそらす「難しい干渉」への対処が難しい。さらに、複数の針の問題は、注意を分散させる必要があるため、困難である。

- 1Mの入力に8kの出力という設定は、事前学習段階では問題ないが、事後学習では、より長い回答が必要な場合でも、モデルが早く生成を終了する傾向があるためである。

- 彼らは "ロスト・イン・ミドル "現象を観察していない。

• 文脈の中の知識と重みの中の知識は区別され、文脈を使って知識を更新する際に矛盾が生じる可能性があることに注意することが重要である。
• 次のステップは、ほとんどのコードベースに対して、より安価で正確な10Mのコンテキストを実装することだろう。そして100Mに到達するには、おそらく新しいディープラーニングの革新が必要になるだろう。
• チップを持っているだけでは不十分で、非常に優秀な推論エンジニアが必要だ。

ラージ・ランゲージ・モデリング（LLM）の設計分野における新たな研究が、転機をもたらすかもしれない。現代物理学を切り開いたピサの斜塔の実験のようにこの研究は、制御された合成プレトレーニング環境を通して、さまざまなLLMアーキテクチャの真の限界を明らかにする。この発見は、LLM研究を「前」と「後」に分類する可能性がある。

研究チームは、さまざまなLLMアーキテクチャの性能を系統的にテストするための合成データセットを設計した。その結果、特定のアーキテクチャは特定のタスクでは優れた性能を発揮するが、他のタスクでは著しく不十分であることが判明した。さらに、研究チームは、異なるサイズのデータセットにおけるこれらのアーキテクチャの性能を調査し、その適用可能性と限界をさらに明らかにした。これは、将来のLLM設計に貴重な指針を与えるものである。

主な調査結果は以下の通り：

• ある種のアーキテクチャは、長いテキストではうまく機能するが、短いテキストのタスクではあまりうまく機能しない。
• 一部のアーキテクチャは、限られたコンピューティングリソースでより優れた性能を発揮し、エッジデバイスの展開に適している。
• いくつかの斬新なアーキテクチャ設計は、マルチタスク学習環境において大きな可能性を示している。

この研究結果は、学界にとって重要であるだけでなく、開発者が実世界のアプリケーションに適したLLMアーキテクチャを選択する上で、産業界にとっても実用的な参考資料となる。

ChaiGenieは、LangChainのGeminiとQdrantの統合によって構築されたChrome拡張機能で、効率的なドキュメント検索のために設計されています。多言語をサポートし、ベクトル検索技術を使って検索精度と速度を大幅に向上させます。高度な自然言語処理技術と強力なベクトルデータベースを組み合わせることで、ChaiGenieはユーザが膨大なドキュメントの中から必要な情報を素早く見つけることができるようにします。

このツールは、開発者、研究者、学生など、大量の文書に頻繁にアクセスする必要がある専門家に特に適しています。内蔵の多言語サポートにより、言語横断的な文書検索も簡単で便利です。さらに、ChaiGenieは、直感的でシンプルな操作を可能にするユーザーフレンドリーなインターフェイスを提供します。

プロジェクトのハイライト

• 多言語サポート
• ベクトル探索法
• LangChainベースのGeminiとQdrantの統合

詳細はGitHubをご覧ください： https://github.com/LangChainAI/ChaiGenie

というアプライアンスがある。リサーチ・エージェントのウェブアプリケーションは、LangGraphのResearch Assistantフレームワークを通じて、研究結果へのワンクリック・アクセスを提供します。このアプリケーションは、直感的なユーザーインターフェースと強力なAI技術を組み合わせ、研究者に効率的でスムーズなワークフローを提供します。

Research Agentの核となる強みは、大量の文献を自動的に処理・分析し、研究者が必要な情報を素早く見つけられるようにする機能です。さらに、キーワード検索、セマンティック検索、グラフィカル検索など、さまざまな検索方法をサポートしており、ユーザーは短時間で包括的かつ正確な研究結果を得ることができます。

GitHubリンク：https://t.co/XPpHckIH9S

このツールは現在、医学、コンピューター科学、社会科学など多くの分野で広く使われており、研究の効率と質を大幅に向上させている。

最近、大規模言語モデルにおける推論のための強化学習に関する研究が注目を集めている。この研究では、1つの例に対して強化学習と変分推論（RLVR）を行うことで、MATH500データセットの性能を36.01 TP3Tから73.61 TP3Tという驚異的な性能に劇的に向上させた。

研究者らは、結果に対する報酬を導入せずにエントロピー損失のみを使用した場合でも、パフォーマンスは27.41 TP3T向上したと指摘している。この発見は、現在流行している「グロキング」現象に疑問を投げかけ、将来の自然言語処理技術に新たなアイデアを提供するものである。

関連論文大規模言語モデルにおける推論のための強化学習.

この研究成果は、強化学習手法の有効性を検証するだけでなく、少ない学習データでモデルの性能を向上させる可能性をさらに浮き彫りにしており、リソースの効率的な利用が求められる実用的な応用シナリオにとって重要である。

copilotkitの最新のMCPクライアント・コンポーネントを使えば、CursorやClaude Desktopのように、どんなアプリケーションでも簡単にMCPサーバーに接続できる。

npx copilotkit@latest init -m MCP

100% Java オープンソースつまり、あなたは自由にコードを閲覧し、特定のニーズに合わせてコードを変更することができる。

このテクノロジーは、開発者により大きな柔軟性を提供するだけでなく、汎用性の高いアプリケーションの構築と統合を容易にする。企業向けソリューションの開発であれ、個人的なプロジェクトの開発であれ、その恩恵を受けることができる。

MCP（Multi-Channel Protocol）は、異なるシステム間の効率的な通信に使用される技術である。リアルタイムのメッセージングやファイル共有など、さまざまなデータ転送方法をサポートしています。この強力な通信機能により、アプリケーションの機能性とユーザーエクスペリエンスが劇的に向上します。

すでにMCPサーバーを所有している組織にとって、この新しいテクノロジーは、ゼロから新しいインフラを構築することなく、エコシステムをより迅速に拡張できることを意味する。

Trellixは最近、LangChain、LangGraph、LangSmithを含むLangChainの製品群を活用することで、エンジニアのワークフローに革命をもたらすツール、**Sidekick**というエンジニアリング・アシスタントを発表した。Sidekickは、AI技術によってより効率的な開発を提供することを目指しています。

このツールはコード作成プロセスを最適化するだけでなく、デバッグ、テスト、ドキュメント作成など多くの分野で役立ち、開発効率を大幅に向上させる。さらに、Sidekickは自然言語処理を統合しているため、開発者はダイアログを通じてシステムと対話することができ、複雑なタスクの実行を簡素化することができます。

企業にとって、このようなインテリジェントな開発アシスタントの導入は、人件費を削減し、プロジェクトの納品速度を上げ、一貫したコード品質を確保することができます。より多くの企業が自動化ツールの価値を認識し始めるにつれ、Sidekickのようなソリューションは業界のトレンドになりつつある。

最近だ。ジェミニとともにラングチェーンをよりよく取り入れることができるように設計された最新の開発者ガイドを共同で発表しました。ジェミニのマルチモーダル機能、ツール呼び出し、構造化された出力機能。ラングチェーン統合の実行このガイドでは、最新モデルのサポートをカバーするだけでなく、実際のコード例も豊富に提供している。

AI技術の発展に伴い、自然言語処理（NLP）の分野では、マルチモーダル処理や構造化出力の重要性が高まっている。統合することでジェミニ歌で応えるラングチェーンこの新システムにより、開発者はテキスト生成から画像理解まで幅広いタスクをカバーする、より強力なアプリケーションを構築することができる。

• **マルチモーダル機能**：テキストや画像などのマルチモーダルなデータ処理をサポート。
• **ツールコール**：ツール統合プロセスを簡素化するための豊富なAPIインタフェースを提供します。
• **構造化された出力**：生成されたデータは、さらなる処理と応用のために、より標準化された形式になっている。

また、このガイドには詳細なコード例と実際のアプリケーション・シナリオが含まれており、開発者が素早く開発に取り掛かり、効率的な開発を実現するのに役立つ。