世界モデルに「心」を──Mental World Modelingフレームワーク

SoraやGenieに代表される現在の世界モデルは、物理法則のシミュレーションに特化しており、登場人物が何を考え、何を望んでいるかという「心の状態」を扱っていません。新しい研究で発表された「Mental World Modeling」フレームワークは、この盲点を埋めるべく、信念（beliefs）や意図（intentions）といった心理変数を世界モデルに組み込むアプローチです。

興味深いのは、心理変数を追加したことで、能力の劣る言語モデルでも、心理モデリングを持たないより強力なモデルの予測を上回ったという結果です。人が行動を決める場面では、物理的な状況だけでなく「相手は何を信じているか」が本質的に効いてくることを示唆しています。

一方で、最大のボトルネックは物理状態と心理状態が互いに影響し合いながら変化する様子をどう予測するかという点だと指摘されています。動画生成のような表現応用だけでなく、ロボティクスやエージェント設計への波及が期待される研究として注目に値します。

カメラもスピーカーも持たない──RayNeoの新しいAIグラス

AIグラス市場ではカメラ搭載が主流となるなか、RayNeoは逆行する選択を示しました。同社が発表した新しいヘッドセットは、カメラもスピーカーも備えず、テキストオーバーレイ表示に機能を絞っています。

レンズ上に情報を重ねて見せるという最小構成は、カメラをめぐるプライバシー懸念とは無縁のプロダクトになり得ます。ただし価格や対応機能、発売時期といった詳細は現時点では限られており、実用性の評価はこれからです。「全部入り」を目指すのか、単機能に絞るのか──AIグラスの方向性が分かれ始めていることの表れとして興味深い製品です。

VRAMに収まらないモデルを100tok/sで──FreeTokenとドラフトモデル

ローカルLLMコミュニティでは、限られたVRAMで大型モデルを動かす試みが常に話題になります。今回注目を集めているのが、FlashMLが論文とともにGitHubで公開した「FreeToken」です。RedditのLocalLLaMAコミュニティには早速実測報告が上がっています。

RTX 5080（16GB）＋DDR6 64GB＋Ryzen 9 9950X3Dという環境で、VRAMに収まらないQWEN3.6-35B-A3BのNVFP4量子版（約20GB）を100tok/s前後で生成できたという報告です。約1,000トークンのプロンプトでは約110tok/sに達したとも述べられています。VRAM不足を新しい手法で補えるのか、どこまで汎用するかは今後の検証待ちですが、16GB級のGPUで35Bクラスを常用できる可能性を示す数字です。

同じくLocalLLaMAでは、AntLingがLing-3.0-flash用の「dspark」ドラフトモデルをリリースした話題も上がっていました。ドラフトモデルによる推測デコーディングで生成を高速化する構えですが、Hugging FaceにはまだGGUFが無いとの指摘があり、ローカル勢が実際に試すのはもう少し先になりそうです。

AI動画生成の本当のコストは「不確実性」──Timeline Studioの再編集ワークフロー

Qiitaでは、AI動画生成の制作コストに切り込んだ実践記事が公開されました。著者は、デモを見ると非常に簡単に見えるAI動画生成も、実制作では料金やクレジット以外に「結果の不確実性」という大きなコストがかかると指摘します。5秒のカットを1本得るだけでも、顔の一貫性や動きの破綻との戦いがあるといいます。

そのうえで、Timeline Studioを使って15秒の動画を再編集で組み上げるワークフローが紹介されています。気に入らない結果が出るたびに生成し直すのではなく、得られた素材を再編集で活かす──生成コストを「不確実性込み」で捉えた設計は、実制作に携わる人ほど納得感のある考え方と言えそうです。

MCPで動画編集がエージェントの手に──2026年のMCP最新事情

同じくQiitaでは、MCP（Model Context Protocol）周辺の2026年時点の動向を整理した記事も公開されています。著者によれば、半年前まで「AI動画編集」といえば、Webアプリを開いてリンクを貼り付け、画面上で操作するスタイルが一般的でした。

それがMCPの普及により、AIエージェント自身が動画をクリップできる時代に入りつつあるといいます。複雑なUI操作を伴う動画編集という作業を、プロトコル経由でエージェントに開放する変化は、他のクリエイティブツールにも波及しそうな潮流です。