Synthesiaが「AI Roleplay Sessions」でライブコーチング領域へ

AI動画生成プラットフォームのSynthesiaが、企業向け対話型研修機能「AI Roleplay Sessions」をローンチしました。従来の動画制作にとどまらず、従業員がAIアバターと対話しながら実際の職場コミュニケーションを練習できる仕組みです。

フィードバック、スコアリング、分析機能が組み込まれており、企業は研修の効果を定量的に把握できるようになります。AIを活用した企業研修は、特にリモートワーク環境下で需要が高まっており、Synthesiaの動画制作ノウハウをインタラクティブな体験へ拡張する動きとして注目されます。

Poolside「Laguna XS.2 / M.1」がllama.cppに対応 — ローカルMoEの選択肢が広がる

PoolsideのLagunaシリーズに新モデルが追加され、コミュニティ主導でllama.cpp対応が進んでいます。

  • Laguna XS.2: 33B総パラメータ・3B有効パラメータのMoEモデル。ローカルマシンでの動作を前提とし、Sliding Window Attentionを40層中30層で採用することで高速推論と低KVキャッシュを実現
  • Laguna M.1: 225B総パラメータ・23B有効パラメータ。より大規模なエージェントコーディング向け

いずれも「agentic coding」と「長時間タスク」を目的に設計されており、Laguna S 2.1（118B-A8B）の中間に位置します。llama.cppでのサポートにより、ローカル環境でMoEアーキテクチャを試す選択肢がさらに広がりました。

また、Laguna S 2.1について、コミュニティでは推論時に<think>タグを強制的に有効化するチャットテンプレートの修正案が共有されており、エンジニアリングタスクでの性能を引き出す工夫が進んでいます。

SkewAdam — MoE学習のオプティマイザメモリを97.4%削減

Hugging Face Daily Papersで注目を集めている「SkewAdam」は、MoE（Mixture-of-Experts）学習における最大のボトルネックであるオプティマイザ状態のメモリを劇的に削減する手法を提案しています。

仕組みはシンプルで、dense backbone、experts、routerそれぞれの勾配統計に基づいて、異なる精度を階層的に割り当てるというもの（tiered state allocation）。結果として、オプティマイザ状態のメモリを50.6 GBから1.29 GBへ97.4%削減し、ピーク学習メモリ全体も81.4 GBから31.3 GBへ圧縮しました。

これにより、数十億パラメータ規模のMoE学習が標準的な40 GBメモリ予算で可能になり、検証パープレキシティを犠牲にすることなく、より深いアーキテクチャのスケーラブルな学習戦略が確立されたとしています。

単一DGX SparkでKimi 2.7（204GB）を動かす — VRAM・ディスクキャッシュ戦略

LocalLLaMAコミュニティで、1 TB総パラメータ・32B有効パラメータのKimi K2.7 Codeを単一のDGX Sparkで効率的に動かす手法が共有されました。

鍵となるのは、VRAMをディスクキャッシュの上位数層として使い、MoEのエキスパート重みをCUDA計算パスに保持する戦略です。具体的には以下の組み合わせを活用:

  • GGML_CUDA_ENABLE_UNIFIED_MEMORY: GPU/CPUで有効な統合アドレス空間を提供
  • GGML_OP_OFFLOAD_MIN_BATCH: 小さなバッチでもGPU計算を強制
  • 正規表現によるエキスパートのCPUオフロード設定（最終層はVRAMに保持）

この構成で、プロンプト処理340 pp/s、トークン生成9.6 tg/sを達成。3090×2環境でもトークン生成が向上することが確認されており、MoEの特性を活かしたメモリ階層の最適化アプローチとして参考になります。

CodebergがLLMデータ抽出を禁止する利用規約改定を提案

GitホスティングプラットフォームのCodebergで、LLMによるデータ抽出（LLM-extrusions）を禁止する利用規約の拡張がプルリクエストとして提出されました。

オープンソースコードの学習データとしての利用を巡っては、各プラットフォームで対応が分かれています。Codebergのコミュニティ主導の動きは、クリエイターの意図に反した大規模データ抽出に対する警戒感を反映しており、今後のオープンソースエコシステムにおける一つの方向性を示すものとして注目されます。

AIエージェント暴走時の「事後設計」 — 汚染されたメモリをどうロールバックするか

Qiitaで、AIエージェントの暴走対策における「事後設計（巻き戻し）」の重要性を指摘する記事が注目を集めています。

AIエージェントの安全対策は「事前防御（どう止めるか）」に偏りがちですが、エージェントが共有メモリに誤情報を書き込んだ場合、プロセスを停止してもすでにその情報を読んだ別エージェントの活動を止めることはできません。記事は、この「汚染の連鎖」をどう断ち切るかというアーキテクチャ設計の重要性を論じており、エージェントシステムの実運用に向けて実用的な視点を提供しています。