AI動画、エージェント検索、世界モデル、形式検証の新展開

Google DeepMindは、動画生成モデル「Gemini Omni 1.2 Flash」をGemini APIとGemini for businessで一般提供すると発表しました。ネイティブで最長15秒の動画生成に対応し、複数ターンの対話で同じクリップを編集できるほか、参照画像・短い動画・音声キューへの追従性を強化したとしています。720p動画は毎秒0.07ドルで、Omni 1.1比で価格を30%引き下げたと説明しています。

AWSはAmazon Bedrock AgentCoreの「Web Answer」を一般提供しました。エージェントから自然言語の質問を1回のツール呼び出しで渡すと、ウェブ検索、情報確認、回答の合成、出典との対応付けを実行し、引用付きの回答を返す管理ツールです。質問ごとに新たな検索を実行し、AgentCore Gateway経由でMCPツール結果としてエージェントへ返します。

NVIDIAはCosmos 3 Nanoを基にしたオープンウェイトのチェックポイント4種を公開しました。自動運転向けには最大11視点のカメラ映像とLiDARを同期生成するTransfer-Auto、運転制御から継続的な観測を生成するSim-Autoを用意します。加えて、シミュレーターの空間制御からRGB映像を生成するSim-Transfer、ロボットまたはカメラの操作から次の映像を予測するSim-Bimanualを提供します。

Microsoft Researchは、コーディングエージェントが書くコードを仕様に照らして検証する「PDD Kit」を紹介しました。利用者の意図をVerusの形式仕様へ変換できる部分は数学的証明で検証し、証明が届かない部分はテストで扱う設計です。GitHub Nextの共同計画環境Chopin内で、Rust製フルスタックアプリ「Pet Store」のログイン処理を対象に試行したとしています。