MOSS-Transcribe-Diarize 0.9B — 50+言語対応のエンドツーエンド音声文字起こしモデル

Hugging Faceのトレンドモデルとして上位にランクインした「MOSS-Transcribe-Diarize 0.9B」は、長時間の多話者音声をワンパスで文字起こしするエンドツーエンドモデルです。OpenMOSS-Teamによって開発され、2026年7月9日にリリースされました。

最大の特徴は、従来別々に行っていたASR（音声認識）とダイアライゼーション（話者分離）を統合している点です。会議、ポッドキャスト、インタビュー、講義といった長時間の録音に対して、タイムスタンプ付きで話者ラベル（[S01]、[S02]など）を付与した構造化されたトランスクリプトを一度に出力します。50以上の言語に対応しています。

モデルアーキテクチャはQwen3-0.6B系のテキストバックボーンとWhisper-Mediumエンコーダを組み合わせており、0.9Bというコンパクトなサイズに収まっています。ベンチマークでは、AISHELL-4やAlimeetingなどの多話者データセットでDoubaoやGemini 3 Pro、GPT-4oを上回る精度を記録しています。

実用面でも工夫があり、ローカルでのPython推論だけでなく、vLLMやSGLang Omniを通じたOpenAI互換APIとしてのサーブ、さらには字幕作成用Webアプリ（mtd-subtitle-web）も提供されています。Apache License 2.0で公開されており、商利用も可能です。

構造化メモリでAIエージェントがSlay the Spire 2を攻略

The Decoderが報じた「AgenticSTS」プロジェクトは、AIエージェントが直面するコンテキスト長の問題に新しいアプローチを提示しています。

多くのAIエージェントは、行動履歴をチャットログとして蓄積するため、長時間のタスクではプロンプトが膨張し続けます。AgenticSTSは、このチャットログを5つの独立したメモリレイヤーに置き換えました。結果として、プロンプトサイズを約5,000トークンに抑えつつ、カードゲーム「Slay the Spire 2」で10戦中6勝を達成。比較した既存のエージェントは1勝もできませんでした。

この成果は、エージェントの記憶設計がタスクパフォーマンスに直結することを示しており、ゲームに限らず長期的なタスク実行が求められる実務アプリケーションにも影響を与える可能性があります。

XiaomiがMiMo-V2.5-DFlashウェイトをひっそり公開

RedditのLocalLLaMAコミュニティで、XiaomiがMiMo-V2.5-DFlashのウェイトをHugging Faceに公開していることが発見されました。MiMo-V2.5は300B以上のパラメータを持つ大規模モデルで、2x24GB GPU + VRAMオフロード構成で8-10トークン/秒で動作すると報告されています。

DFlash技術の適用により、推論速度の向上が期待できます。また、別途MTP（Multi-Token Prediction）ヘッドのモデルも公開されており、コミュニティではllama.cppでの実装が待たれています。

Voodoo Quant — Unsloth Dynamic 2.0を95%改善する新量子化手法

同じくLocalLLaMAコミュニティで発表された「Voodoo Quant」は、Unsloth Dynamic 2.0と同じ方向性（重要なテンソルに高い精度を割り当てる）ながら、テンソル単位ではなく全テンソルを個別に最適化する点が異なります。

Qwen3.5 0.8Bおよび2Bでのテストで、KLダイバージェンス（分布の差異）をUnsloth Dynamic 2.0と比較して95%改善。特に興味深いのは、Unsloth Dynamicがllama.cppでは良好なもののPyTorchグラフでは性能が落ちるのに対し、Voodoo Quantは両方の環境でバランス良く機能することです。

2ビット精度が「スイートスポット」であると報告されており、将来的にQwen3.6 27BやDeepSeek V4 Flashなどの実用的なモデルに適用された場合の成果が期待されています。