MiniMax-M2: 中国発の新モデルシリーズが登場

中国のAI企業MiniMaxが、新しいモデルシリーズ「MiniMax-M2」を発表した。タイトルにある「Mini Activations Unleashing Max Real-World Intelligence」が示す通り、少ない活性化パラメータで実世界のタスクにおいて高い性能を発揮することを目指している。詳細なベンチマーク結果は論文の公開待ちだが、Mシリーズとしての位置づけは、これまでのMiniMaxのモデルラインナップをさらに発展させるものとみられる。

MiniMaxは以前から長文脈処理に強みを持つモデルを提供しており、中国製LLMの一角として注目を集めている。M2シリーズがどのようなアーキテクチャを採用しているか、今後の詳細報告を待ちたい。

Soap2Soap: 動画をPixarやアニメ風にスタイル変換

「Soap2Soap」は、マルチエージェント協調により、実写動画をPixar、Disney、LEGO、アニメ、クレイアニメなど様々なスタイルに変換する技術だ。単なるフィルタ適用ではなく、キャラクター、環境、映画的構図を各ショット間で一貫して保持することが特徴。

Video-to-Video生成において、長尺の映像作品でもキャラクターの一貫性を保つことは大きな課題だった。Soap2Soapは複数のエージェントが役割を分担することでこの問題に対処しており、映像制作のワークフローを根本から変える可能性を秘めている。

RT-Lynx: 拡散モデルを高速化する「活性化スパース性」の活用（ICML 2026）

ICML 2026で発表予定のRT-Lynxは、拡散モデル（Diffusion Transformer）の高速化において興味深いアプローチを提案している。従来、モデルの高速化には「重みのスパース化」がよく使われてきたが、RT-Lynxは代わりに「活性化のスパース化」に着目した。

著者らの発見はシンプルだが重要だ。DiT（Diffusion Transformer）の活性化は本質的にスパースであり、2:4半構造化スパース性に対して重みよりもはるかに耐性が高い。RT-Lynxはこの特性を活かし、オンライン活性化スパース化とノルムベースの補正、軽量なLoRAブランチを組み合わせることで、品質を保ちながらエンドツーエンドで約1.2倍、線形レイヤーでは最大1.55倍の高速化を達成した。

Qwen-Image、FLUX.1-dev、Z-Imageで検証されており、実用的なインパクトが期待できる。

AKBE: エージェント型RLのツール利用を18%削減

「AKBE（Agentic Knowledge Boundary Enhancement）」は、LLMエージェントのツール利用効率を改善する手法だ。従来のエージェント型強化学習では、不要な場面でもツールを呼び出してしまう無駄があった。

AKBEは、訓練中に「ツールあり」「ツールなし」の2つのパスを同時に実行し、モデル自身の知識境界を動的に探る。これにより、各質問に対して「ツールが必要か」「最低何回のツール呼び出しが必要か」を判断できるようになる。7つのQAベンチマークでの実験では、精度を平均+1.85向上させつつ、ツール呼び出しを18%削減。ツールの生産性は25%向上したという。

エージェントの実運用において、API呼び出しコストとレイテンシの削減は大きな課題であり、このアプローチは実用的な意味を持つ。

OpenAI、80年間未解決の数学難問に挑む

AIが純粋数学の難問に本格的に取り組み始めている。1946年に数学者ネルソンが提起した「単位距離問題」—平面上のすべての点を、距離が1の2点が同じ色にならないよう塗り分けるには最低何色必要か—は、80年間解かれなかった予想だ。

OpenAIの取り組みにより、この問題に新たな光が当てられたという。AIが数学的推論の分野でどこまで通用するかは、現在の研究コミュニティで最も注目されているテーマの一つ。単なる計算の高速化ではなく、創発的な推論能力の検証という意味で、今後の展開から目が離せない。

Trajel: マルチエージェントのハルシネーションを軌跡レベルで監査

LLMを自律型エージェントとして運用する際、最終出力だけを評価していては中間ステップで発生したハルシネーションを見逃す。Trajelは、マルチエージェントの産業ワークフローにおける軌跡レベルのハルシェネーション監査フレームワークを提案する。

5種類のハルシェーション分類（事実的、参照的、論理的、手続き的、スコープベース）を導入し、専門家によるアノテーション付きデータセットを構築。VLMをファインチューニングしてChain-of-Thought推論による検出を行う。重要な発見として、ハルシネーション軌跡の約半数が複数タイプを同時に含んでいること、既存のベンチマークでは最も一般的な失敗モードを見逃していることが分かった。

エージェントの安全性を担保する上で、軌跡レベルの監査は不可欠であり、実運用に向けた重要な一歩と言える。