LLM News
モデル・基盤AI駆動開発技術・実装エージェントビジネス・活用
📅 今日のまとめ♡☆

LLM News

LLM・VibeCoding・AI駆動開発に関する最新記事をキュレーションしてお届けします。

𝕏RSS

ナビゲーション

  • トップ
  • タグ一覧
  • 検索
  • About
  • プライバシーポリシー

人気タグ

#LLM#Claude#VibeCoding#AI駆動開発#RAG#エージェント#プロンプトエンジニアリング#GPT-4

© 2026 LLM News

← トップへ

HuggingFace

12件の記事

📰
HuggingFace2月3日· 2分で読める中級🔥 注目

The Future of the Global Open-Source AI Ecosystem: From DeepSeek to AI+

DeepSeekの登場から1年、中国のオープンソースAI生態系がどう変わったかを分析した重要レポートです。QwenやDeepSeekなど中国企業がHuggingFaceで急速に影響力を拡大し、特にQwenは11万3千を超える派生モデル数でLlamaを圧倒しています。オープン戦略が中国AI企業の主流となり、国境を越えた協業が加速している現状から、グローバルなAI開発パワーバランスの劇的な転換が見えます。

#モデル#オープンソース#DeepSeek
記事を読む →
📰
HuggingFace10月29日· 1分で読める中級🔥 注目

On the Shifting Global Compute Landscape

米国の輸出規制により、中国の独自AI チップ開発が急速に加速しています。HuaweiやCambriconのチップがDeepSeekなどのオープンモデル推論を支える一方で、チップ不足がMLA、GRPOなど計算効率化の革新を生み出しました。NVIDIAの独占状態が崩れ、グローバルなAIエコシステムが多極化する転機を迎えています。

#AI業界動向#チップ開発#地政学
記事を読む →
📰
HuggingFace8月5日· 2分で読める中級🔥 注目

Welcome GPT OSS, the new open-source model family from OpenAI!

OpenAIが初のオープンソースモデル「GPT OSS」をApache 2.0ライセンスで公開しました。117Bと21Bの2サイズがあり、どちらも混合専門家(MoE)ベースで4bit量子化により高速推論を実現。大モデルはH100 1枚、小モデルは16GBメモリで動作するため、企業のオンプレミス環境から個人デバイスまで幅広い展開が可能です。推論最適化・ファインチューニング・ツール利用の実装ガイドも充実しており、実践的な活用を想定した設計になっています。

#モデル・基盤#オープンソース#MoE
記事を読む →
🕵️
HuggingFace5月12日· 2分で読める中級🔥 注目

Vision Language Models (Better, faster, stronger)

Vision Language Models(VLM)の過去1年の急速な進化を徹底解説する記事です。モデルは小型化しながら高性能化し、推論・動画理解・マルチモーダルRAGなど新しい機能が続々登場しています。Any-to-any model、推論特化型、軽量高性能モデル、Mixture-of-Expertsアーキテクチャなど、2025年の最新トレンドと注目モデルを詳しく紹介しており、VLM開発の最前線を理解できます。

#Vision Language Models#マルチモーダルAI#VLM
記事を読む →
🧠
HuggingFace4月29日· 1分で読める中級🔥 注目

Introducing AutoRound: Intel’s Advanced Quantization for LLMs and VLMs

Intelが開発した量子化ツール「AutoRound」は、LLMやVLMを効率的にデプロイする革新的なソリューションです。INT2での精度がベースラインの2.1倍高く、72Bモデルの量子化がA100で37分で完了。ほぼすべての主要モデルに対応し、低ビット精度での圧倒的な精度維持が実現できます。

#量子化#LLM#VLM
記事を読む →
🔌
HuggingFace4月25日· 2分で読める中級🔥 注目

Tiny Agents: an MCP-powered agent in 50 lines of code

MCPを使えば、わずか50行のコードでAIエージェントが実装できます。MCPはLLMにツール群を接続する標準API。著者が実装したTiny Agentsは、MCPクライアント上の単純なループでエージェント機能を実現。ファイルシステムやPlaywrightサーバーなど複数のツールを組み合わせて自律的にタスクをこなす実装が、TypeScriptで公開されています。

#MCP#エージェント#AI駆動開発
記事を読む →
⚡
HuggingFace4月14日· 2分で読める中級🔥 注目

Hugging Face to sell open-source robots thanks to Pollen Robotics acquisition 🤖

Hugging Faceがロボット企業Pollen Roboticsを買収し、オープンソースロボットの販売を開始します。昨年立ち上げたLeRobotライブラリは12ヶ月でGitHubスター12,000を超え、コミュニティが急速に成長。Reachy 2などの人型ロボットを70,000ドルから販売予定で、AIと物理世界を接続するロボティクスの民主化を加速させます。

#ロボティクス#オープンソース#LeRobot
記事を読む →
🧠
HuggingFace4月5日· 2分で読める中級🔥 注目

Welcome Llama 4 Maverick & Scout on Hugging Face

MetaがLlama 4 MaverickとScoutをHugging Faceで公開しました。MoEアーキテクチャで17Bアクティブパラメータを持つ両モデルは、テキスト・画像対応で40兆トークンで学習済み。Transformers v4.51.0とText Generation Inferenceで即座に利用可能で、Scout はGPU1枚で動作可能です。

#LLM#Llama#MoE
記事を読む →
📰
HuggingFace3月18日· 2分で読める中級🔥 注目

NVIDIA's GTC 2025 Announcement for Physical AI Developers: New Open Models and Datasets

NVIDIAがGTC 2025で物理AIの開発を加速させる3つのオープンソースを発表しました。7Bパラメータの世界基盤モデル「Cosmos Transfer」は、セグメンテーション・深度マップなど複数の制御信号で高忠実度の仮想シーンを生成。ロボティクスと自動運転向けの商用グレード「Physical AI Dataset」、汎用ヒューマノイド推論モデル「NVIDIA Isaac GR00T N1」も公開され、開発者が大規模で制御可能な合成データ生成を実現できます。

#モデル・基盤#物理AI#NVIDIA
記事を読む →
📰
HuggingFace3月11日· 2分で読める上級🔥 注目

Open R1: Update #3

DeepSeek-R1の推論手法をオープンソース化するOpen R1プロジェクトの最新成果です。競技プログラミングに特化した約10万サンプルのCodeForces-CoTsデータセットと、IOI(国際情報オリンピック)ベンチマークを公開しました。これらで訓練したOlympicCoder-32Bモデルは、Claude 3.7 Sonnetなどの閉鎖型frontier モデルを上回り、100倍以上大きなモデルも凌駕しています。実装可能な高品質データセットとベンチマークが揃い、コード推論の民主化が進みます。

#モデル・基盤#推論最適化#オープンソース
記事を読む →
📰
HuggingFace1月28日· 1分で読める中級🔥 注目

Open-R1: a fully open reproduction of DeepSeek-R1

DeepSeek-R1の成功を受け、Hugging Faceが完全なオープンソース再現プロジェクト「Open-R1」を立ち上げました。強力な基盤モデルに純粋な強化学習を適用するだけで推論能力が飛躍的に向上する仕組みを、データ収集・ハイパーパラメータ・スケーリング則まで透明性を持って検証・共有する取り組みです。

#モデル・基盤#強化学習#推論最適化
記事を読む →
📰
HuggingFace12月18日· 2分で読める中級🔥 注目

Bamba: Inference-Efficient Hybrid Mamba2 Model

IBMと名門大学が共同開発した「Bamba-9B」は、Mamba2アーキテクチャで推論時のKV-キャッシュボトルネックを根本解決します。標準的なTransformerと比べ2.5倍のスループット改善と2倍のレイテンシー削減を実現。完全オープンデータで訓練され、transformers・vLLM・llama.cppなど主流フレームワークで即座に利用可能です。訓練・チューニングレシピも公開され、実践的な推論効率化の未来が見えてきました。

#モデル・基盤#Mamba2#推論最適化
記事を読む →