InklingはThinking Machinesが発表した1兆パラメータを持つマルチモーダルAIモデルです。画像、音声、テキストを同時に処理可能で、1Mのコンテキストウィンドウをサポートしています。トレーニングには45兆トークンを使用し、推論速度を向上させるためのMTPレイヤーを搭載。様々なデモとアプリケーションが期待されており、特にマルチモーダル推論アプリの開発に適しています。

新しいベンチマーク「Real World VoiceEQ」は、音声AIの人間らしさを評価するために開発されました。音声システムがトーンや感情、話者のアイデンティティを認識・応答できるかを評価し、40以上の音声モデルを対象に60以上の指標で測定します。従来のベンチマークでは実際の性能が過大評価されることが多く、特に音声モデルは話す能力が進化した一方で、聞く力が不足していることが指摘されています。

NVIDIA Cosmos 3を用いたポストトレーニングに関する記事です。AIエージェントを利用することで、データ整形やトレーニングスクリプトの設定を短縮し、モデルの精度を向上させる方法を解説しています。具体的には、Low-Rank Adaptation (LoRA)を用いることで、54.41%の精度から87.14%に向上させ、さらにTAO AutoMLによるハイパーパラメータ最適化で93.35%を達成しました。

NVIDIAのNemotron Model Reasoning Challengeでは、5,000人以上の参加者が推論精度向上のための手法を競いました。主な教訓は次の5つです。1. 思考過程データを検証可能に、2. トークン予算に適合させる、3. 記憶と解決を分離する、4. ツールを使い良いデータを生成する、5. 推論のトレードオフを測定する。これにより、より実践的な推論システムの構築が促進されました。