Kimiの重みは公開されているが、ハードウェアは別問題
Moonshot AI AIは今週、Kimi K3.1 Proモデルの重みを公開し、最先端クラスの3兆パラメータのモデルを一般に利用可能にしました。重みが公開されているものの、Kimi K3.1 Proをローカルで実行するには、ハードウェア面で大きな課題があります。このモデルは96個の大きなシャードに分割されており、合計で約1.6テラバイトとなります。また、素の推論には少なくとも1.2テラバイトのVRAMが必要です。
動画によると、Kimi K3.1 Proのベンチマーク性能は最上位クラスのモデルに位置づけられます。Agents Last Examで1位、GDP Val(OpenAIの実世界の知識業務に関する社内ベンチマーク)で2位、OS Worldで3位を獲得したと報じられています。また、Terminal BenchとBenchCADでも高い結果を記録しました。
こうした順位は、特定のベンチマークの設計やバージョンに左右されます。ほとんどのユーザーにとって、Kimi K3.1 Proを利用する当面の手段は推論プロバイダーになります。オープンソースコミュニティによる今後の量子化の取り組みによってローカルでの利用が広がり、より特殊性の低いハードウェアでもこのモデルを実行できるようになる可能性があります。
コンピューター操作は小型化し、より特化していく
コンピューターを直接操作するよう設計されたオープンウェイトのモデルも登場しています。たとえばNorthCUAファミリーのモデルは、コンピューターとのやり取りと自動化に重点を置いています。フラッグシップのProバージョンは、Mixture-of-Experts(MoE)アーキテクチャで、総パラメータ数が3,970億、アクティブパラメータ数が170億です。
より小型のバリアントには、350億パラメータのNorthCUA Miniと、90億パラメータのNorthCUA Nanoがあります。これらの小型モデルは、OS World VerifiedやWebArena Verifiedなどのベンチマークで競争力のある性能を示しており、Nanoモデルのスコアはそれぞれ78.9%と78.8%で、Proモデルの88.0%と88.2%と比較されます。これらのスコアは優れていますが、ベンチマークの性能が実環境での信頼性の高いコンピューター操作を保証するわけではありません。
NorthCUAのモデルは、独自のハーネス内で動作し、画面の状態を観察し、情報を処理し、行動を実行する、というループを継続的に繰り返します。この方式は、Sarvam 105Bをベースとした判断モデルSarvam Prismとは対照的です。
PrismはJevのようなモデルに着想を得ており、コンテキストと、回答の選択肢が固定された質問を処理します。1回のパスで各回答の確率を返すため、自由形式のテキスト生成ではなく、構造化された意思決定に適しています。この設計は選択型の結果に重点を置いており、行動指向のコンピューター操作エージェントとは異なります。
研究室のノートブックから画像まで、小型モデルが居場所を見つける
広範な汎用知能ではなく、特定のタスク向けに設計された特化型モデルも登場しています。MITは、コードや計算ノートブックを生成できる科学モデルHydrogen 1.0を公開しました。Perplexity Embed V2 Contextは、テキスト、画像、視覚的なドキュメントなど多様なデータ型にわたる検索の改善を目指しています。
Pruna AIのPH3 Imageは、効率的な画像生成・編集ソリューションです。MiniMax H3から派生したこのモデルは、画像の生成または編集を8ステップで行うとされており、50ステップから大幅に削減されています。これにより、前モデルよりも処理時間が短く、重みファイルも小さくなります。
コミュニティの取り組みは、コンパクトなモデルの有用性を示しています。わずか40億パラメータのQwen 3.5のコーディング向けファインチューニングモデルが、予想外の3Dシーン生成能力を示しました。これは、範囲が狭く明確に定義されたタスクに適用すれば、小型のモデルでも非常に高い効果を発揮し得ることを示唆しています。
こうした特化型のリリースは、Moonshot AIai/Kimi-K3.1-Pro - Hugging Faceで入手できるMoonshot AI AIのKimi K3.1 Proなどのモデルとともに、拡大しつつある傾向を示しています。開発者はオープンウェイトへのアクセスを活用して、特化型のAIツールを作り出しています。これにより、最大級でリソースを大量に消費するモデルにとどまらないイノベーションが可能になります。
この記事が気に入ったら、毎朝同じようなものをメールで受け取れます。
1日1通 · 2クリックで解除 · サードパーティのトラッキングなし
Pika H3 Flexが示すクリエイター向けの具体像
Pika H3 Flexは、新しいテキストから動画を生成するモデルで、迅速なクリエイティブ制作をうたっています。同プラットフォームは、音声付きの15秒の動画クリップを最短7秒で生成でき、解像度は最大4K、音声ステムのエクスポートにも対応すると主張しています。これらの速度と価格に関する数値は、Pikaのプロモーション動画での主張として示されたものです。
Pika H3 Flexは、単純なプロンプトからクリップを生成するだけでなく、より反復的なワークフローを可能にします。ユーザーは複数の画像や音声のリファレンスを指定して出力を誘導でき、生成したクリップに対して的を絞った編集を行えます。この機能群は、クリエイティブの反復を加速し、最終的な動画に対するユーザーの制御を高めることを目的としています。
今週のリリースには、音声、テキスト、画像の入力を組み合わせてタスクを実行するモデルApriel Voice 27Bと、もう1つの高速なテキストモデルClover も含まれていました。Moonshot AI AIのKimi K3.1 Pro、NorthCUAのコンピューター操作エージェント、MITの科学モデルHydrogen 1.0に至るまで、こうした特化型モデルの急増は市場の変化を浮き彫りにしています。デモやベンチマークスコアは最初の手がかりにはなりますが、実環境での信頼性と実用的な応用は、これらの新しいオープンウェイトモデルにとって依然として別の試験です。
よくある質問
Kimi K3.1 Proとは何ですか?
Moonshot AIが開発した3兆パラメータのモデルで、重みが一般公開されています。ハードウェア要件が非常に高いため、ほとんどのユーザーにとってはホスト型の推論の方が現実的です。
Kimi K3.1 Proは家庭用コンピューターで動作しますか?
動画では、量子化されていないモデルには約1.2テラバイトのVRAMが必要と推定されており、一般的なコンシューマー向けハードウェアをはるかに超えています。より小さな量子化版であれば、利用しやすくなる可能性があります。
NorthCUAは何をするものですか?
NorthCUAは、観察、思考、行動のループを繰り返すことでコンピューターを操作するよう設計された、オープンウェイトのモデルファミリーです。
このまとめの中で、クリエイター向けのリリースはどれですか?
このまとめでは、画像生成・編集向けのPH3 Imageと、テキストから動画を生成し反復的な編集ができるPika H3 Flexが取り上げられています。