AI Trackerモデルのニュースを、
開発者向けに。
各 AI プロバイダーのモデルに関する最新ニュース。リリース、価格改定、提供終了を、あなたへの影響とともに要約します。
PokeBot、ロボットアームに自然言語で指示できるAPI「RoboAPI」を発表
PokeBotは10月29日、同社が「world-action model」と呼ぶPoke-Auroraを搭載したRoboAPIを発表した。同社によると、対応ロボットはタスクごとの学習なしで、シンプルなAPIを通じて自然言語の指示を受け取れる。Pika、DesignArenaで「オープンウェイトのテキスト動画生成モデルとして首位」と称する高速動画モデル「H3 Flex」を発表
PikaはH3 Flexを発表し、DesignArenaのテキスト動画生成ランキングでオープンウェイトモデルとして初登場ながら1位になったとしています（Pikaの主張）。プロフェッショナルな反復制作向けに設計されたモデルとして、書き出し可能な音声ステム、最大4Kの解像度、リアルタイムを上回る生成速度を挙げ、15秒の動画クリップとサウンドトラックを最短7秒で生成できると説明しています。OpenAI、5つの中核的価値観を軸にModel Specを更新
OpenAIは、モデルにどのように振る舞ってほしいかを示す公開文書「Model Spec」を更新しました。今回の改訂では、指針を5つの価値観――人間の意図への忠実さ、害の最小化、誠実さと透明性、人間の主体性、そして配慮――を軸に再編しています。以下はすべて、OpenAIによる説明です。OpenAI releases GPT-6.1 Terra, a cheaper computer-use model at half the price of GPT-5.6 Terra
OpenAI released GPT-6.1 Terra on October 26, 2026, describing it as a fast, capable computer-use model: it understands what is on screen, takes action across apps and writes naturally. It is rolling out to all Plus, Pro, Enterprise and Edu users in ChatGPT Work and Codex, and developers can use it in the API as gpt-6.1-terra. OpenAI says usage allowances in ChatGPT Work and Codex go further with it than with GPT-5.6.Phonic 1、Artificial AnalysisのSpeech to Speech Indexで初登場1位
Artificial Analysis（ベンチマークサイトによる独自測定）によると、Phonicの音声対音声モデルPhonic 1 (High)は、Speech to Speech Indexで22モデル中1位の87.1を記録し、Grok Voice 3.0（86.9）を僅差で上回りました。このモデルはPhonic API経由で1分あたり$0.07で利用できます。Fish AudioがDrama 3をリリース、Artificial Analysisのランキングでオープンウェイト音声モデル第1位に
Fish AudioはDrama 3をリリースし、重みをHugging Faceで公開しました。ベンチマークサイトのArtificial Analysisは、自社の測定結果として、同モデルが2つの音声アリーナでオープンウェイトモデル第1位、Pronunciation Robustnessベンチマークでは全モデル中第1位だとしています。Mistral、1兆パラメーターのモデル「Mistral Large 4」のウェイトを公開 プレビュー時の約半額で提供
Mistralは、改良版「Mistral Large 4」（「Le Chonk」）のウェイトを公開した。今月初めにパブリックプレビューが始まった、同社のフラッグシップでネイティブなマルチモーダルモデルで、パラメーター数は1兆。ウェイトはHugging FaceでMistral-Large-4-1T-A52Bとして公開されており、NVFP4版もある。Mistralは、欧州で訓練され、コーディング向けのオープンウェイトモデルとして最高だとしている。あるコメント投稿者は、ライセンスはOSI承認ではなく、修正版MITライセンスだと指摘している。Qwen 4は未発表だが、Qwen Codeにはすでにqwen4のモデルIDが記載
Xのあるアカウントによると、10月28日にリリースされたQwen Code v0.26.3には、IDがqwen4で始まるすべてのモデルについて、デフォルトでコンテキスト長を100万トークンとして扱う変更（公式リポジトリQwenLM/qwen-codeのプルリクエスト#15762）が含まれているという。同アカウントによると、テストにはqwen4-max、qwen4-plus、qwen4-coder-plus、日付付きのqwen4-max-2026-10-01、qwen4.5-maxが記載されている。同アカウントの投稿にはプルリクエストへのリンクとスクリーンショットが掲載されている。Artificial Analysisが、ロボットアームを操作するモデルのベンチマーク「AA-Robotics v0.1」を公開
Artificial Analysisは、モデルにロボットアームを操作させ、モデル視点でタスクを見られる「AA-Robotics v0.1」を公開しました。同じロボットに「hello world」と書かせた例では、Artificial Analysisによると、Claude Opus 5.5は点を打って書き、アームを3,270回動かして34分かかった一方、GPT-6 Astraは連続したストロークで書き、514回の動きで13分でした。DeepSeek V4.1 Flashを事後学習したモデル「Particle-1」がVercel AI Gatewayで利用可能に
Vercelによると、Particle-1（particle/particle-1）が、複数のモデルプロバイダーを統合するエンドポイントであるAI Gatewayで利用可能になりました。Vercelは、同モデルはDeepSeek V4.1 Flashをベースに事後学習されており、より少ないトークンでエンジニアリングのタスクを完了できると説明しています。また、デバッグやコード変更の計画、複数ステップの問題の分解に適しているとしています。Artificial AnalysisがAA-PersonalityBenchを公開：GPT-6とGrokのモデルが最も率直
Artificial Analysisは、モデルの性格特性を測るベンチマークAA-PersonalityBenchを公開しました。結果ページ、方法論ページ、自分で性格ランキングを作成できるツールも用意されています。スコアは同サイト独自のものです。
ElevenLabs、強制アライメントモデル「Cue」を発表
ElevenLabsの研究チームが、文字起こしをタイムスタンプに変換する工程を担う強制アライメントモデル「Cue」を発表しました。字幕、吹き替え、クリック可能な文字起こしなどに使われます。音声のタイムライン上に、すべての文字を配置します。Rime、音声エージェント向け音声間モデル「Prism」を発表
Rimeは、AI音声エージェント向けの音声間モデル「Prism」を発表しました。以下の数値はRime自身の主張であり、独立した測定によるものではありません。Artificial Analysis、画像から動画を生成するモデルのベンチマーク「AA-Video-I2V v2.1」を公開
Artificial Analysisは、画像から動画を生成するモデルのベンチマーク「AA-Video-I2V v2.1」と「AA-Video-I2V-Silent v2.1」を公開しました。各プロンプトは、1080pの開始画像とそれに合わせて作成されたプロンプトを組み合わせ、ユースケース、能力、ビジュアルスタイルのタグが付けられています。モデルは最大1080pで評価され、10のユースケースと10の能力にわたって順位付けされます。総合ランキングでは、それらを均等にサンプリングします。結果はArtificial Analysis独自のものです。
各タスクに応じてモデルを振り分け、連携させるGitHub Copilot Fusionが一般提供開始
GitHubはCopilot Fusionの一般提供を開始したと発表した。モデルを選ぶ代わりに、ユーザーはモデル選択メニューでCopilot Fusionを選び、労力レベル（Standard、High、Max）を指定する。どのモデルを使い、どう連携させるかはCopilotが判断する。以前のProject HydraFusionプレビューのマルチモデルオーケストレーションと、Copilotのモデル自動選択を組み合わせたものだ。ワークフローには、単一モデル、カスケード（効率的なモデルが下書きを作成し、品質チェックの結果に応じて別のモデルに引き継ぐ）と、批評（1つ目のモデルが下書きを作成し、別のモデルがレビューして、最初のモデルが修正する）がある。
OpenBMB、1Bの文書解析モデルMiniCPM-OCRをリリース。OCR結果を評価する2Bモデルも公開
OpenBMBは10月28日、XでMiniCPM-OCRを披露。iPhoneとiPad上でローカル実行する様子を紹介した。オープンウェイトで公開され、llama.cpp、vLLM、SGLang、Ollamaで実行できる。ファインチューニング用コードもオープンソースで、OpenBMBはデモとAPIも提供している。AssemblyAI、初のテキスト読み上げモデル「AssemblyAI-TTS-1」を発表
AssemblyAIは、音声エージェント向けに開発した初のテキスト読み上げモデル、AssemblyAI-TTS-1を発表しました。AssemblyAIによると、90 msでストリーミングし、100万文字あたり$15で提供されます。また、精度、自然さ、コストを総合すると、大規模運用できる最高のTTSモデルだとしています。OpenRouterによると、モデルは同サービスで利用可能で、米国またはEUから4,000以上の音声を提供しています。
NVIDIAがオープンウェイトのNemotron 3.5 Transcribeをリリース。Artificial Analysisのオープンウェイト音声認識モデルランキングで同率1位
NVIDIAのNemotron 3.5 Transcribeは、プロンプトで制御できる新しいオープンウェイトの音声認識モデル。約40億のアクティブパラメータを持つ300億パラメータのMixture of Experts（MoE）モデルです。NVIDIAによると、1つのチェックポイントで40言語の文字起こし、話者の識別、翻訳、コンテキストを踏まえたプロンプト処理、音声理解に対応し、ウェイト、データ、レシピは公開されています。Hugging Faceで利用でき、ライブデモも公開されています。Mistral、Responses APIをパブリックプレビューで公開し、DeepSeek V4.1 FlashとGLM 5.3 Flashを提供
Mistralは10月28日、Mistral上でエージェントを構築するためのResponses APIがパブリックプレビューになったと発表しました。Mistralによると、各レスポンスではモデルの回答、推論、ツール呼び出しが個別の項目として返されるため、Chat Completionsを使う場合よりも、アプリで各ステップを簡単に処理できます。Large 4を含め、Mistralがホストするすべてのチャットモデルで利用できます。ドキュメントはMistral Studioのドキュメントサイトにあります。