「マルチモーダル」のコラム

EmbeddingGemma 2の必要スペックは、テキストのみで実測191MB（推定重み約0.54GB）、全モダリティでBF16約1.5GB。GPU不要。メモリ表・使い方・RAG組み込みを解説【2026年10月】

Qwen3.8-Omni-Flashは2026年9月18日にAlibabaが発表したomni-modalモデルである。総コンテキストは100万トークン、入力料金は100万トークンあたり0.15ドルから、重みは非公開でローカル実行はできない。出力はテキストのみで、音声・動画生成には外部ツールとの連携が必要になる。

2026年8月21日公開のDeepSeek-V4-Flash-Vision-Expは、8月31日にMITライセンスでHugging Faceにオープンウェイト公開された。API単価は変わらず、チェックポイントはFP4/FP8混在で168GB規模。ローカル実行の要件と、APIを使い続けるべきケースを整理した。

Qwen3.7 Flashは2026年7月27日にOpenRouterへ掲載されたアリババのクローズド型ビジョン言語モデルである。入力$0.03/100万トークンから、コンテキスト長は最大100万トークン。料金の階段制・重み非公開・動画非対応という制約と使い方を整理して解説する。2026年8月更新。

2026年4月16日にAnthropicがリリースしたClaude Opus 4.7は、SWE-bench Verified 87.6%・Vision精度98.5%・新しいxhigh Effort Controlを搭載。Opus 4.6と同価格でコーディングエージェント・マルチモーダル能力を大幅強化した最新フラグシップの全機能を解説します。

2026年3月リリースのMistral Small 4は、推論・マルチモーダル・エージェントコーディングを1モデルに統合した119B MoE。Apache 2.0ライセンスで商用利用可能、日本語を含む11言語対応。スペック・導入手順・比較を完全解説。

Qwen3.5-9Bのアーリーフュージョン・マルチモーダルアーキテクチャを活用し、画像認識・動画解析AIを社内環境で無料運用する方法を解説。OCR、製品検査、監視映像分析、会議要約など業種別ユースケースとクラウドAPI比較、セットアップ手順まで網羅します。