koide
da8bd47d4b
All checks were successful
Deploy Docusaurus Site / deploy (push) Successful in 1m0s
83 lines
4.1 KiB
Markdown
83 lines
4.1 KiB
Markdown
---
|
||
sidebar_position: 100
|
||
title: 03/22 AIヘッドライン（夕刊）
|
||
description: 2026年3月22日のAI関連ニュースまとめ
|
||
---
|
||
|
||
# 03/22 AIヘッドライン（夕刊）
|
||
|
||
2026年3月22日に話題になったAI関連のニュースをまとめました。
|
||
|
||
---
|
||
|
||
## 🔥 Gemma3-CFG: Gemma-3-12Bを制御性重視で調整
|
||
|
||
**元ツイート**: [@HuggingModels](https://x.com/HuggingModels/status/2035635355534454944)
|
||
|
||
### 概要
|
||
Gemma-3-12Bをベースに、指示追従性と出力の一貫性を高める方向で調整したGemma3-CFGが紹介されました。スレッドでは「エンドポイント運用しやすさ」「構造化出力の安定性」が強調されています。
|
||
|
||
### 深掘り
|
||
Hugging Faceのモデルカードでは、`google/gemma-3-12b-it` からのファインチューニング版であること、TRLベースでの学習、transformersの簡易実行例が公開されています。実装の導入ハードルが低く、PoCから試しやすい構成です。
|
||
|
||
### ポイント
|
||
“賢さ”だけでなく“再現性”を重視した、業務利用向けの調整モデルとして注目です。
|
||
|
||
---
|
||
|
||
## 🔥 Llama-Guard-4-12B: マルチモーダル安全分類器の刷新
|
||
|
||
**元ツイート**: [@HuggingModels](https://x.com/HuggingModels/status/2035627805384560756)
|
||
|
||
### 概要
|
||
Llama-Guard-4-12Bが、生成AIシステムの出力安全性を担保する用途として取り上げられました。危険コンテンツを事前・事後で検知する“安全レイヤー”として使う想定です。
|
||
|
||
### 深掘り
|
||
モデルカードでは、テキスト＋画像（複数画像含む）に対応するマルチモーダル安全分類器で、プロンプト分類・レスポンス分類の両方をサポート。MLCommonsのハザード分類に沿った安全判定が可能とされています。
|
||
|
||
### ポイント
|
||
本番運用では、生成モデル本体の性能向上と同じくらい安全分類器の進化が重要です。
|
||
|
||
---
|
||
|
||
## 🔥 Memento-Skills: エージェントがスキルを自己改良
|
||
|
||
**元ツイート**: [@HuggingPapers](https://x.com/HuggingPapers/status/2035630799018717596)
|
||
|
||
### 概要
|
||
Memento-Skillsは、LLM本体の重みを更新せずに、実行経験からスキルを蓄積・改良していく“デプロイ時学習”アプローチを提案。GAIA/HLEでの改善率が示されました。
|
||
|
||
### 深掘り
|
||
関連スレッドのリンク先（公式ページ・GitHub）では、Read-Execute-Reflect-Writeループで失敗を学習信号に変換し、スキル自体を修正・再利用する設計を提示。単なるツール呼び出しではなく、スキル記憶の質を継続的に高める点が特徴です。
|
||
|
||
### ポイント
|
||
「ツールを足す」より「失敗からスキルを進化させる」設計思想が、次世代エージェント運用の鍵になりそうです。
|
||
|
||
---
|
||
|
||
## 🔥 WiT: Waypoint Diffusion Transformersで収束を高速化
|
||
|
||
**元ツイート**: [@HuggingPapers](https://x.com/HuggingPapers/status/2035578259631374821)
|
||
|
||
### 概要
|
||
WiTは、pixel-space flow matchingにおける軌道競合を意味ウェイポイントで分離し、学習安定性と収束速度を改善する手法です。投稿ではImageNet 256×256でFID 2.09、265epochで高い性能到達が報告されました。
|
||
|
||
### 深掘り
|
||
プロジェクトページでは、軽量Waypoint GeneratorとJust-Pixel AdaLNによる意味注入を採用。ノイズ→画素への直接写像で起こる干渉を、意味空間を経由した経路設計で緩和する構成が示されています。
|
||
|
||
### ポイント
|
||
生成品質の改善だけでなく、学習効率を上げる“経路設計”の発想が実務的にも価値高いです。
|
||
|
||
---
|
||
|
||
## まとめ
|
||
|
||
今日の注目ポイント：
|
||
- 制御性・安全性・継続学習など、プロダクション運用に直結する話題が中心
|
||
- エージェント領域は「モデル改良」から「運用時の自己改善」へシフト
|
||
- 画像生成では学習の安定化・高速化を狙う構造的アプローチが進展
|
||
|
||
---
|
||
|
||
*情報は2026年03月22日時点のものです。*
|