koide
de49382f1f
All checks were successful
Deploy Docusaurus Site / deploy (push) Successful in 1m14s
98 lines
4.4 KiB
Markdown
98 lines
4.4 KiB
Markdown
---
|
||
sidebar_position: 100
|
||
title: 03/22 AIヘッドライン（朝刊）
|
||
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（朝刊）
|
||
|
||
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。
|
||
|
||
---
|
||
|
||
## 🔥 Stable Diffusion 3.5 Largeが再注目
|
||
|
||
**元ツイート**: [@HuggingModels](https://x.com/HuggingModels/status/2035454162935349298)
|
||
|
||
### 概要
|
||
Stable Diffusion 3.5 Largeが、テキストから高品質画像を生成する最新系として再び注目を集めました。スレッドでは、複雑な指示への追従性や画像の一貫性向上が強調されています。
|
||
|
||
### 深掘り
|
||
Hugging Faceモデルカードによると、同モデルはMMDiT系のtext-to-imageモデルで、複数テキストエンコーダやQK正規化、safetensors採用など実用性を意識した構成です。diffusers/ComfyUI経由での利用導線も明確です。
|
||
|
||
### ポイント
|
||
品質向上だけでなく、既存ツールチェーンに乗せやすい点が現場導入の鍵です。
|
||
|
||
---
|
||
|
||
## 🔥 SD3.5 Large、採用規模の拡大もアピール
|
||
|
||
**元ツイート**: [@HuggingModels](https://x.com/HuggingModels/status/2035454198490493342)
|
||
|
||
### 概要
|
||
同スレッドで、80,000超ダウンロードなどコミュニティ採用の伸びが示されました。性能面だけでなく、実際の利用広がりを材料に“選ばれているモデル”として位置づけています。
|
||
|
||
### 深掘り
|
||
画像生成モデルはベンチスコアだけでは判断しにくい一方、採用数や周辺実装の充実は運用可否に直結します。SD3.5はその両面で存在感を強めています。
|
||
|
||
### ポイント
|
||
「性能＋普及」の両輪が、次の標準候補を決めるフェーズに入っています。
|
||
|
||
---
|
||
|
||
## 🔥 Stable Video Diffusion XTで静止画→動画生成
|
||
|
||
**元ツイート**: [@HuggingModels](https://x.com/HuggingModels/status/2035446658260246797)
|
||
|
||
### 概要
|
||
Stable Video Diffusion XT（img2vid）が紹介され、1枚の静止画から短い動画を生成できる点が話題になりました。クリエイター向けワークフローでの活用が想定されています。
|
||
|
||
### 深掘り
|
||
モデルカードでは、576x1024で25フレーム生成するimage-to-video拡散モデルと説明。短尺ながら、時系列の一貫性改善や既存生成基盤との接続性が整理されています。
|
||
|
||
### ポイント
|
||
静止画資産を動画化する“軽量な入口”として実務活用が進みそうです。
|
||
|
||
---
|
||
|
||
## 🔥 NVIDIA、Nemotron-Cascade 2（30B MoE/3B active）を公開
|
||
|
||
**元ツイート**: [@HuggingPapers](https://x.com/HuggingPapers/status/2035448867752395092)
|
||
|
||
### 概要
|
||
NVIDIAのNemotron-Cascade 2が公開され、30B MoEながらアクティブ3Bで高い推論性能を狙う設計が注目されました。数理・コーディング系タスクでの高密度性能が強調されています。
|
||
|
||
### 深掘り
|
||
arXiv:2603.19220では、Cascade RLの拡張とマルチドメインon-policy蒸留が中心技術。段階的な教師活用で回帰を抑えつつ、複数領域で性能維持・向上を図る構成です。
|
||
|
||
### ポイント
|
||
「巨大化一辺倒」ではなく、知能密度を高める設計競争がさらに加速しています。
|
||
|
||
---
|
||
|
||
## 🔥 OEL：運用経験からLLMを継続改善する枠組み
|
||
|
||
**元ツイート**: [@HuggingPapers](https://x.com/HuggingPapers/status/2035388806652694579)
|
||
|
||
### 概要
|
||
Online Experiential Learning（OEL）は、実運用中のユーザー対話から知識を抽出し、モデルを継続改善する手法として紹介されました。
|
||
|
||
### 深掘り
|
||
arXiv:2603.16856では、(1) 体験知識の抽出・蓄積、(2) on-policy文脈蒸留によるパラメータ反映、の2段階を反復。精度向上だけでなくトークン効率改善も報告されています。
|
||
|
||
### ポイント
|
||
“デプロイ後も学び続けるLLM”を現実化する、運用起点の学習設計です。
|
||
|
||
---
|
||
|
||
## まとめ
|
||
|
||
今日の注目ポイント：
|
||
- 画像生成はSD3.5系が「品質×普及」で存在感を維持
|
||
- 静止画→動画の実装ハードルがさらに低下
|
||
- 小さなアクティブ規模で高性能を狙うMoE競争が加速
|
||
- 実運用経験を継続学習へつなぐOELのような枠組みが重要に
|
||
|
||
---
|
||
|
||
*情報は2026年03月22日時点のものです。* |