百度がUnlimited OCR 2をオープンソース化

百度は、OCR向けの視覚言語モデル「Unlimited OCR 2」をオープンソースとして公開した。パラメータ数は3.34億で、ライセンスはMIT。長文書を扱っても計算量とメモリ使用量が急増しないよう、SR-SWAと呼ぶスパース注意の手法を採用している。aitimes.comが報じた。

百度によると、数百ページに及ぶ文書を対象とするベンチマーク「MarathonDoc」で77.1を記録し、比較対象のKimi K3の33.7を上回った。

同日に相次いだモデル公開

アントグループのInclusionAIは、オープンソースモデル「Ling-3.1-flash-1019」をMITライセンスで公開した。総パラメータは5600億で、MoEにより1トークンあたり250億を有効化し、最大100万トークンのコンテキストに対応する。AutomationBench-AAのスコアは62%から68%に、AA-Briefcase Eloは約1400から1524に、Artificial Analysis Intelligence Indexは41から44にそれぞれ向上した。

vLLM Semantic Routerプロジェクトは、約261億パラメータのマルチモーダル意思決定モデル「d3-ultra」をApache 2.0ライセンスで公開した。テキスト・画像・動画を入力し、選択肢からの1つ選定、はい・いいえの回答、確率の出力を行うほか、画像内の物体特定や動画内での追跡も可能。1枚の画像について1〜255の質問に答える時間は0.3〜2.16秒だとチームは説明している。

米医療AIスタートアップのConcurrenceは、電子健康記録と、AIエージェントが患者と対話して得た情報を組み合わせ、患者ごとのデジタルツインを構築する「Health World Model」を発表した。Databricksと協力し、医療機関ごとのデータに基づくシステムを構築する。

Nace AIは、フォルダ、ファイル、ページ、表のどこに答えがありそうかを意思決定モデルで判断する検索ソリューション「Drex for Search」を投入した。BrowseComp Plusベンチマークでは、1問あたり平均12.6回の検索呼び出しで92.05%の精度を記録し、同ベンチマークで2位。自社の529問の業務文書テストでは、既存のコーディングエージェントにDrexを組み込むことで作業ステップを62%、入力トークンを56%削減し、処理速度は2.3倍になった。

Cognitionは、ソフトウェアの脆弱性を検出・修正する「Devin Security 2.0」を発表した。AnthropicのClaude Mythosを含む最先端モデルを使い、ソースコードを解析、悪用可能性と影響度で脆弱性を優先順位付けし、別の仮想環境で再現とパッチ作成、テスト、プルリクエストの作成までをAgentic MapReduce構造で行う。