#マルチモーダル

Xiaomiが「MiMo-V2.6」という新しいシリーズを公開した。元記事の本文はほとんど情報を含んでいないが、少なくとも同社がこの名前のもとで“frontier intelligence”と“all the modalities”を掲げ、しかも“built in public”だと打ち出していることは分かる。つまり、単なる製品紹介というより、AIモデルやその開発姿勢を前面に出した発表だと見るのが自然だ。中身が薄い告知ほど、逆に企業がどこへ向かおうとしているのかを読み解く価値がある。 元記事は「MiMo-V2.6 | Xiaomi」というページタイトルと、「Introducing the MiMo-V2.6 series: frontier intelligence, all the modalities, built in public.」という説明文を中心にした、かなり短い発表ページだ。本文として読めるテキストは実質的にそれだけで、詳細な仕様、性能比較、デモ、あるいはいつ何が公開されたのかといった説明は見当たらない。 それでも、ここから読み取れることはある。まず「MiMo-V2.6

Qwenのブログは、単なる新機能紹介というより、このモデル群がどこまで使えるのかを広く見せる宣言のように読める。元記事の本文自体は短いが、説明文では chatbot、image と video の理解、画像生成、文書処理、web search integration、tool utilization、artifacts までをひとまとめにしている。つまりQwenは、会話だけで終わるAIではなく、複数の入力や外部機能をまたいで動く実用的な基盤を目指している。今回これを取り上げるのは、生成AIの競争が「賢い文章を返すか」から「どこまで仕事を任せられるか」に移っているからだ。 元記事は、Qwenという名前のもとにある機能の幅をかなり強く押し出している。説明文では、chatbot としての対話機能だけでなく、image と video の理解、image generation、document processing、web search integration、tool utilization、artifacts まで対応する、としている。ここで言う document processing は