AIが「外部検索なし」でファクトを記憶・更新・忘却する時代が来ました。メモリをモデルに内蔵する新たなパラダイムが論文として公開されています。 タイトル: Metis: Memory Foundation Model 🔍 概要 現在のRAGなど外部メモリモジュールには、バックボーンとの分離・勾配伝播困難・推論レイテンシという3つの根本的限界があります。MetisはこれをTransformerブロック内に「ネイティブメモリ」として統合するアプローチで、Chain-of-ThoughtがLLMにネイティブに組み込まれたように、メモリも外部依存から解放しようとする研究です。 🛠 解決する課題と提案手法 2つのコアコンポーネントを導入します。ローカルメモリブロック（高密度メモリネットワークを推論ステップ間で指数移動平均更新）とハイパーメモリブロック（静的パラメータによるフォワードパスでのメモリ変換）です。4種のメモリ操作（Remember/Update/Forget/Reflect）を、バックグラウンドの勾配更新なしに順伝播計算だけで実行します。 📊 実験結果 コンテキストなし設定のMemOpsベンチマークで、Metis-27Bは24.76%を達成しました。 ・ベースライン Qwen3.5-27B（コンテキストなし）: 1.69% ・テスト時訓練 Temp-LoRA-27B: 9.70% ・パラメトリックメモリ δ-Mem: 4.38% 自社テストセットではReflect（マルチホップ推論）で93.44%、平均73.77%を達成。すべての比較手法を大幅に上回っています。 💡 実用的な意義 RAGの検索・ランキング・プリフィリングコストを回避しつつ、パラレル計算でメモリ操作を実行するため推論レイテンシを抑えられます。ポストトレーニングによるドメイン適応も可能で、コードとモデルチェックポイントはGitHub（MemTensor/Metis）とHuggingFaceで公開されています。 #LLM# #AIエージェント#

NVIDIAによるHugging Faceの買収額は「129億3,030万ドル」である。 なぜ、これほど端数が細かいのか。 答えは「🤗」である。 $12,930,300,000 ÷ 100,000 ＝ 129,303 129,303を16進数に変換すると「1F917」となる。Unicodeの「U+1F917」は、Hugging Faceを表す絵文字「🤗」である。 つまり、買収価格そのものにHugging Faceが埋め込まれている。 さらに「#129303」は深い緑色のカラーコードであり、NVIDIAを連想させるもう1つの仕掛けでもある。共同創業者のThomas# Wolfも、買収価格に両社への参照を隠したと明かしている。 約129億ドルの買収で、価格そのものを両社の署名にしてしまった。

OpenAIの評価用AIエージェントが自律的にHugging Faceのインフラへ侵入した事件の技術タイムラインを記したHFのポスト。かなり詳しく書かれている。 個人的には、想像よりやばい動きをしていると思った。翻訳ツールを使って読んでおいた方が良いと思う。 ちょいメモ。 ・侵入後はクラスターのシークレットを読み取り、社内VPNキーなどを窃取した ・さらに乗っ取ったノードを社内VPNに登録し、内部のソースコード管理へアクセスしている ・C2（Command and Control）には専用サーバーを使わず、ペーストビン等の公開サービスを悪用 ・通信が遮断されると自律的にDNSを書き換えるなど、極めてしぶとく活動する ・機械的なスピードで実行されたアクションは17,600回にも及ぶ ・HFの調査チームは、膨大な攻撃ログの解析にAIを使おうとした ・ただ、Claudeなどの商用モデルは安全ガードレールが働き、解析を拒否 ・結局、オープンモデルのGLM-5.2を自社ホストしてペイロードの解読に成功している ・AIエージェントによる攻撃は圧倒的な手数を誇 ・防御側の前提を根本から変えてくる

OpenAIのテストAIが「AI同士の掲示板」を勝手に構築して情報共有しHugging Faceへの攻撃を実行していたことが判明、掲示板を閉鎖されてもこっそり建てなおす - GIGAZINE

このインシデントはヤバいなー。賢すぎる。 ・OpenAIとHugging Faceは前例のないセキュリティインシデントに対処している ・この事件は、OpenAIが自社モデルのサイバー攻撃能力をテストしている最中に発生 ・AIの限界性能を測定するため、このテストではモデルの安全装置が意図的に無効化されていた ・で、AIは隔離された環境で動作していた ・しかし、AIはテストの課題を解決することに固執し、隔離環境から抜け出してインターネットに接続する方法を自ら発見 ・AIはパッケージ管理用の中継ソフトウェアに潜む未知の脆弱性を特定 ・その脆弱性を悪用して外部ネットワークへのアクセスを確立したAIは、Hugging Faceのサーバーにテストの解答が存在すると推測 ・その後、AIは盗んだ認証情報や複数の攻撃手法を組み合わせ、Hugging Faceのインフラに不正侵入して情報を探し出した ・両社のセキュリティチームは速やかにこの異常な活動を検知して通信を遮断 ・現在OpenAIは開発スピードを落としてでもインフラの管理体制を厳しくしているところ ・発見された脆弱性についてはベンダーに報告を済ませている

# Weaviateの機能と実践的な使い方 🚀 埋め込みAPIの呼び出しコードをアプリから消したいと思ったことはありませんか。Weaviateのモデルプロバイダ統合を使えば、ベクトル化も生成もリランクも、コレクション設定に書くだけで自動的に動きます。 📌 タイトルと機能のURL タイトル: Model provider integrations URL: 📝 概要 Weaviateは、OpenAI・Cohere・Google・AWS・Azure OpenAI・Mistral・Anthropic・Hugging Face・Ollama など20以上のモデルプロバイダと統合しています。これらを「投入時の自動埋め込み」「クエリ文の自動埋め込み」「RAGの生成」「検索結果のリランク」に組み込めます。アプリ側で埋め込みAPIを呼んでベクトルを渡すコードが不要になるのが最大の利点です。 🔧 機能の説明 統合は大きく次の3つの役割に分かれます。 ・Vectorizer（埋め込み）: テキストやマルチモーダルのベクトル化を担当します。 ・Generative（生成）: RAGパイプライン向けのテキスト生成を担当します。 ・Reranker（リランク）: 検索結果の並べ替えを担当します（Cohere、Jina AI、NVIDIA、Voyage AI などが提供）。 提供形態も2種類あります。API型プロバイダ（OpenAI、Google、Cohere、AWS Bedrock など）は外部APIを呼び出し、ローカルホスト型（Ollama、Hugging Face Transformers、Model2vec）は自分のインフラ上で動かします。API型モジュールは v1.33 以降は既定で有効です。 🛠 実践的な使い方 ・コレクション作成時に `Configure.Vectors`（旧 `Configure.Vectorizer`）で埋め込みプロバイダを指定すると、投入時もクエリ時も自動でベクトル化されます。 ・生成は `Configure.Generative` でプロバイダを指定し、検索結果に対してRAGを実行します。 ・リランカーは `Configure.Reranker` で指定します。 ・自動ベクトル化の対象は `text` / `text[]` 型のプロパティで、プロパティ名をアルファベット順に並べて連結し、必要に応じてコレクション名を先頭に付けてからモデルに送ります（プロパティ単位で対象外にも設定可能）。 🎯 ユースケース ・社内文書検索: 投入時に本文を自動でベクトル化し、検索時はクエリ文を同じモデルで自動ベクトル化して整合させます。 ・モデルの差し替え: ベンダーやモデルを変えたいとき、コレクション設定の変更だけで対応できます。 ・閉域要件: Ollama などローカルホスト型を使えば、データを外部に出さずに埋め込み生成まで完結します。 ・RAGチャット: 検索と生成を同一の設定内で組み合わせ、外部のオーケストレーションを最小化できます。 ⚠️ 注意点 ・API型プロバイダはAPIキーが必須で、利用に応じた課金が発生します。 ・レート制限は各プロバイダのポリシーに従います。大量投入時は注意が必要です。 ・v1.27 より前のバージョンでは、連結した文字列が小文字化されてからモデルに送られます。 ・v1.33 より前ではAPI型モジュールを使うため `ENABLE_API_BASED_MODULES` を有効化する必要があります。 #Weaviate# #Embeddings#

📒NVIDIAが取りにきたのは、シェアではなく規格だった | メモリの設計図と、300万のモデルが積まれた場所 $NVDA 2026年8月26日、水曜日。米国市場の引け後に、NVIDIA（NVDA）が2027年度第2四半期の決算を出した。 数字は良かった。 売上962億ドル、前年同期比106%増。前年比の伸び率が加速したのは、これで4四半期連続になる。データセンターが890億ドルで、全社売上の92.5%を占めた。Non-GAAP EPSは2.22ドルで、市場予想の2.09ドルを上回っている。 しかし、市場が最初にみたのは、そこではない。 粗利率だった。第2四半期の実績75.0%が、第3四半期に74.0%へ落ち、第4四半期には71〜72%まで沈む。CFOのColette Kressは理由を明言した。メモリの価格だ、と。 そして、この会社がこれまで一度もやらなかったことを、一つだけ行った。1年先のガイダンスの公表だ。2028年度の売上は、前年比で約70%増える見通しだと置いた。 良い決算とガイダンスにコストの警告が付いた、という読み方をすれば、それで話は終わりだ。 ところが、同じ日にNVIDIAに関して、意外な発表と報道があった。 一つはNVHBMという技術発表だ。 HBMのメモリコントローラを、演算チップのダイからメモリ側のベースダイへ移す設計になっている。そして注目すべきは、NVIDIAがこれを自社で製造すると言っていないことだ。標準実装を自分で策定し、複数のメモリメーカーがそれに従って供給する形にする、というものだ。 もう一つは買収報道だった。 The Informationが、NVIDIAがHugging Faceを129億ドルで買収することに合意したと伝えた。Hugging FaceはオープンソースのAIモデルが世界中から集まる場所で、300万を超えるモデルが置かれている。年間経常収益は1億ドルほど。利用者の97%は一円も払っていない。 ここで違和感が残る。 決算の数字だけを追っていると、この会社はコストに押されているように見える。粗利率を3ポイント以上削られ、部品の値上げを全額は転嫁できていない。売り手として世界最強クラスの価格決定力を持つ会社が、メモリメーカーの言い値を飲んでいるように写る。 だが、同じ日に出た二つの発表は、コストに押されている会社の動きではない。 メモリの設計仕様を自分で決めて、他社に作らせる。オープンモデルが集まる場所を買う。どちらも、目先の粗利率には一円も効かない。効いてくるのは数年先だ。 粗利率を削られている当の四半期に、なぜ数年先の標準を取りに行くのか。 この1日に出たものを並べ直して、感じたことが一つある。 NVIDIAが取りに行っているのは、もうチップのシェアではない。AIインフラの各層で、みんなが従う形、つまり「規格」そのものだ。 メモリだけの話ではない。相互接続にはNVLink Fusionがあり、他社のカスタムチップを自社のラックへ迎え入れている。モデルの流通にはHugging Faceがある。資本の流れにも、6つの金融機関と組んだ5,000億ドル超の枠を用意した。 自分で全部を作るのではなく、通り道を持つ。同じ形態が何度も出てくることに気が付く。 本記事の前半では、Q2 FY2027の決算を分解する。数字の並びには、この会社が何を先に買ったかがそのまま出ている。後半では、同じ1日に出た発表を層ごとに並べ直す。演算、相互接続、メモリ、モデル、そして資本。5つの層で何が起きたのかを追うと、NVIDIAがどこに立とうとしているのかが見えてくる。今後の投資判断の参考となれば幸いだ。 なお、決算発表とQ&Aの全文日本語訳についてはXのサブスクメンバー向けに公開している。良ければ、合わせて参照してもらえたらと思う。 では、早速決算の中身を見ていく。 （続きは以下のnote記事にて！）