文書分析からセキュリティまでAIツール6種

百度、アントグループ傘下のInclusionAI、vLLM Semantic Router、Concurrence、NaceAI、Cognitionが、それぞれ文書分析、エージェント、医療、検索、セキュリティ向けのAIツールやモデル計6種を公開または発売しました。記事が引用したSNS投稿によると、公開時期は10月26～27日です。

百度は、数百ページの文書を一度に分析するOCR（画像から文字を読み取る技術）モデル「Unlimited OCR 2」をオープンソースで公開しました。パラメーター数は33億4,000万で、文字、表、数式、図、見出し構造を認識する視覚言語モデルです。文書が長くなっても計算量とメモリー使用量が急増しないよう、スパースアテンション技術のSR-SWAを採用しました。百度によると、5,000ページの文書試験でも性能を維持し、MarathonDocBenchで77.1点を獲得してKimi K3の33.7点を上回りました。書籍、研究論文、企業報告書の処理に使え、モデルの重みとコードはMITライセンスで公開されています。

InclusionAIは、推論とエージェント作業の性能を改善した「Ring 3.1 Flash-1019」をオープンソースで公開しました。総パラメーター数は5,600億で、混合専門家モデル（複数の専門機能を使い分ける構造）により、トークンごとに250億を有効化し、最大100万トークンのコンテキストに対応します。追加の強化学習後、AutomationBench-AAのスコアは62%から68%に、AA-Briefcaseは約1,400から1,524 Eloに上昇しました。Artificial Analysis Intelligence Indexも41点から44点に伸び、コーディングと科学問題の解決性能も改善したと同社は説明しています。MITライセンスで公開されました。

オープンソースプロジェクトのvLLM Semantic Routerは、テキスト、画像、動画を入力として選択肢から答えを選ぶ、約261億パラメーターのマルチモーダル意思決定モデル「d3-ultra」を公開しました。選択肢から一つを選ぶか、はい・いいえで答え、判断の確率を出力します。画像内の物体の位置を特定し、動画内の動きを追跡することもできます。一つの入力で複数の質問に同時に答え、繰り返し呼び出しを減らす設計です。開発チームによると、1枚の画像について1～255問を処理する時間は0.3～2.16秒でした。エージェントの作業選択、リクエスト分類、ツール呼び出しの判断に特化し、Apache 2.0ライセンスで公開されました。

米国の医療AIスタートアップConcurrenceは、診療記録と日々の健康情報を結び付け、患者の状態の変化を追跡する「Health World Model」を発表しました。電子カルテの検査、処方、診療情報に、エージェントが患者との会話から得る症状の変化、治療への反応、生活環境の情報を加え、個人ごとのデジタルツインを構築する仕組みです。通院の間の状態を追い、将来の疾病リスクや治療結果を予測することを目指しています。同社はDatabricksと協力し、医療機関ごとのデータに基づくシステムを構築しています。長期的な健康変化を学習する生成モデルと予測技術は研究段階で、完成した医療予測モデルの臨床性能は検証されていません。

NaceAIは、エージェントが文書から情報を探す「Drex for Search」を発売しました。答えがありそうなフォルダー、ファイル、ページ、表の位置を先に判断します。BrowseComp Plusで正答率92.05%、質問当たりの平均検索呼び出し回数12.6回を記録し、この評価で2位になりました。業務文書に関する529問を使った社内実験では、コーディングエージェントに接続すると作業段階が62%、入力トークン使用量が56%減り、処理速度は2.3倍になりました。Claude CodeやCodexなどのエージェントに接続でき、PDF、スプレッドシート、音声、動画の検索に対応します。

Cognitionは、AnthropicのClaude MythosなどのAIモデルで脆弱性を見つけて修正する「Devin Security 2.0」を発売しました。ソースコード全体から脆弱な経路を探し、実際に攻撃できる可能性や被害の大きさに応じて優先順位を付けます。別の仮想環境で再現、修正、テストを行った後、開発者の確認用にプルリクエスト（コード変更の審査依頼）を作成し、修正後に攻撃経路が遮断されたかも確認します。大規模なコードベースを並行して調べるエージェント型MapReduce構造を採用しました。企業はMythosに個別アクセスせず、Devinを通じてセキュリティ検査を実施できます。

百度、アントグループ傘下のInclusionAI、vLLM Semantic Router、Concurrence、NaceAI、Cognitionが、それぞれ文書分析、エージェント、医療、検索、セキュリティ向けのAIツールやモデル計6種を公開または発売しました。記事が引用したSNS投稿によると、公開時期は10月26～27日です。

百度は、数百ページの文書を一度に分析するOCR（画像から文字を読み取る技術）モデル「Unlimited OCR 2」をオープンソースで公開しました。パラメーター数は33億4,000万で、文字、表、数式、図、見出し構造を認識する視覚言語モデルです。文書が長くなっても計算量とメモリー使用量が急増しないよう、スパースアテンション技術のSR-SWAを採用しました。百度によると、5,000ページの文書試験でも性能を維持し、MarathonDocBenchで77.1点を獲得してKimi K3の33.7点を上回りました。書籍、研究論文、企業報告書の処理に使え、モデルの重みとコードはMITライセンスで公開されています。

InclusionAIは、推論とエージェント作業の性能を改善した「Ring 3.1 Flash-1019」をオープンソースで公開しました。総パラメーター数は5,600億で、混合専門家モデル（複数の専門機能を使い分ける構造）により、トークンごとに250億を有効化し、最大100万トークンのコンテキストに対応します。追加の強化学習後、AutomationBench-AAのスコアは62%から68%に、AA-Briefcaseは約1,400から1,524 Eloに上昇しました。Artificial Analysis Intelligence Indexも41点から44点に伸び、コーディングと科学問題の解決性能も改善したと同社は説明しています。MITライセンスで公開されました。

オープンソースプロジェクトのvLLM Semantic Routerは、テキスト、画像、動画を入力として選択肢から答えを選ぶ、約261億パラメーターのマルチモーダル意思決定モデル「d3-ultra」を公開しました。選択肢から一つを選ぶか、はい・いいえで答え、判断の確率を出力します。画像内の物体の位置を特定し、動画内の動きを追跡することもできます。一つの入力で複数の質問に同時に答え、繰り返し呼び出しを減らす設計です。開発チームによると、1枚の画像について1～255問を処理する時間は0.3～2.16秒でした。エージェントの作業選択、リクエスト分類、ツール呼び出しの判断に特化し、Apache 2.0ライセンスで公開されました。

米国の医療AIスタートアップConcurrenceは、診療記録と日々の健康情報を結び付け、患者の状態の変化を追跡する「Health World Model」を発表しました。電子カルテの検査、処方、診療情報に、エージェントが患者との会話から得る症状の変化、治療への反応、生活環境の情報を加え、個人ごとのデジタルツインを構築する仕組みです。通院の間の状態を追い、将来の疾病リスクや治療結果を予測することを目指しています。同社はDatabricksと協力し、医療機関ごとのデータに基づくシステムを構築しています。長期的な健康変化を学習する生成モデルと予測技術は研究段階で、完成した医療予測モデルの臨床性能は検証されていません。

NaceAIは、エージェントが文書から情報を探す「Drex for Search」を発売しました。答えがありそうなフォルダー、ファイル、ページ、表の位置を先に判断します。BrowseComp Plusで正答率92.05%、質問当たりの平均検索呼び出し回数12.6回を記録し、この評価で2位になりました。業務文書に関する529問を使った社内実験では、コーディングエージェントに接続すると作業段階が62%、入力トークン使用量が56%減り、処理速度は2.3倍になりました。Claude CodeやCodexなどのエージェントに接続でき、PDF、スプレッドシート、音声、動画の検索に対応します。

Cognitionは、AnthropicのClaude MythosなどのAIモデルで脆弱性を見つけて修正する「Devin Security 2.0」を発売しました。ソースコード全体から脆弱な経路を探し、実際に攻撃できる可能性や被害の大きさに応じて優先順位を付けます。別の仮想環境で再現、修正、テストを行った後、開発者の確認用にプルリクエスト（コード変更の審査依頼）を作成し、修正後に攻撃経路が遮断されたかも確認します。大規模なコードベースを並行して調べるエージェント型MapReduce構造を採用しました。企業はMythosに個別アクセスせず、Devinを通じてセキュリティ検査を実施できます。