この新技術により、AIモデルは写真やスケッチといった画像を分析に用いることができ、画像を調整、ズームイン、回転させながら推論を行うことができます。

OpenAIは今回、「o3」と「o4-mini」の発表に関して、「私たちの推論モデルが初めて、すべてのツールを統合的に使用し、組み合わせることができる」と述べています。これには、ウェブ検索、Pythonプログラミング、画像分析、ファイル解釈、画像生成が含まれます。

これらのモデルは、ChatGPT Plus、Pro、およびTeamの有料ユーザー向けに提供され、従来のモデルであるo1、o3-mini、o3-mini-highは削除されました。OpenAIは、Proユーザー向けにさらに強力な「o3-pro」モデルを数週間内にリリースする予定です。

このような進展は、AI技術の進化を示しており、今後の応用が期待されます。OpenAIの技術は、ビジュアルデータを利用して、より深い洞察を提供することができるようになるでしょう。
画像を生成し、解析する能力によって、ビジネス、クリエイティブ業界、教育などの様々な分野での利用が考えられます。今後、｢o3｣と｢o4-mini｣がもたらす可能性には大きな注目が集まっています。

非課金ユーザーもこの新機能を試すことができるようになったが、Googleは「Gemini Advancedユーザーは拡張されたアクセス権と大幅に大きな文脈ウィンドウを持つ」と説明している。Gemini 2.5 Proは、GoogleのGemini 2.5「思考」モデルの一つであり、より正確な結果を提供するための推論能力が強化されているとされる。Googleのブログ投稿によれば、これは「情報を分析し、論理的な結論を導き出し、文脈やニュアンスを考慮して、情報に基づいた意思決定を行う能力」を指しているという。

この新モデルが示す意味は、AIの進化を一層加速させる可能性が高いということだ。特に、非課金ユーザーに対する開放は、ユーザーの反応やフィードバックを通じてさらなる改善に繋がると期待されている。Googleは、今後もAI技術の進化に拍車をかけ、ユーザーが異なるシナリオでAIを活用できるようにしていく考えだ。AIモデルのアップデートは、エンターテインメント、ビジネス、教育、さらには日常生活のあらゆる側面において、新しい価値を提供することが期待されている。

Gemini 2.5は、従来の2.0 Flash Thinkingに比べて、特に思考という概念が強層化されています。従来は「Thinking」というラベルを付けていましたが、新モデルではこのラベルを使わず、ユーザーはGeminiアプリ内で「思考の表示」を選ぶことで思考過程を見ることが可能です。AIにおける「推論」の能力は単なる分類や予測を超え、情報分析から論理的結論を引き出し、文脈とニュアンスを取り込みながら、有益な選択を行うことを意味します。

Gemini 2.5 Proは、「大幅に向上したベースモデル」による新たなパフォーマンスレベルを実現し、数学と科学のベンチマークにおいても高評価を得ています。特にLMArenaリーダーボードにおいて、「significant marginでトップに立つ」とされ、大量データセットの処理能力においても人気を博しています。

新モデルはまた、1百万トークンのコンテキストウィンドウを持ち、将来的には2百万トークンにスケーリングされる予定です。この拡張された能力により、テキスト、音声、画像、動画、そして全体のコードリポジトリからの情報を取り込みながら、複雑な問題を解決することが可能です。

現在、Gemini 2.5 Proは、Gemini AdvancedのユーザーとGoogle AI Studioで最初に展開されており、数週間以内にVertex AIに拡大される予定です。今後はこのモデルの価格も発表される見込みで、高速生産利用のための利用制限も設けられるかもしれません。新しい機能により、ユーザーはGoogleのアプリやファイルアップロードにもアクセスできるようになります。

結論として、Gemini 2.5 Proは、AIモデルの新たなスタンダードを確立し、より複雑な課題に対しても的確な回答を提供する能力を備えています。Googleの意図する思考型AIの未来に期待が高まります。

このGemini 2.0 Flashは、ソーシャルメディアで特に注目を浴びており、多くのユーザーがGetty Imagesなどの著名なストックメディアの透かしを消去する事例を報告しています。Gemini 2.0 Flashは、削除された透かしの部分を埋める機能も備えており、他のAIツールと同様の機能を持っているものの、その精度は非常に高いと評されています。

ただし、注意が必要です。Gemini 2.0 Flashは「実験的」なもので、現段階では商用利用には適しておらず、特定の半透明の透かしや大きな部分を カバーする透かしの削除には課題を抱えています。それでも、多くの著作権者はこの機能を懸念材料として捉え、著作権侵害のリスクが高まる可能性があります。

著作権法によれば、元の所有者の同意なしに透かしを削除することは違法と見なされるため、これに対してGoogleも迅速にコメントを出していません。特に、同業他社のAIモデルは透かしの削除を厳に禁じているため、業界内での倫理的な議論が急増することが予想されます。

DeepSeekは約600万ドルをこのAIモデルの訓練に費やしたと主張していますが、複数の報道によると、彼らはOpenAIやMicrosoftの著作権で保護されたコンテンツを利用してモデルを訓練した可能性が指摘されています。さらに、報告によると、同社は50,000のNVIDIA Hopper GPUを用いて最大16億ドルをハードウェアに費やしているとのことです。OpenAIは、DeepSeekが「蒸留」という手法を用いてR1モデルを訓練したと主張しています。

蒸留とは、既存のモデルの出力を利用して新しいモデルを訓練するプロセスであり、これによりAIモデルの開発や訓練にかかる高額なコストを削減することができるのです。新たな研究では、AI検出企業CopyleaksがDeepSeekのAI生成コンテンツがOpenAIのChatGPTと74.2％の類似性を持つことを示しました。

Claude 3.7 Sonnetは市場初の「ハイブリッド推論モデル」と銘打たれており、ユーザーは応答の迅速さと、オープンAIのモデルに類似した詳細な思考過程を選択できる。モデルをAPIで使用する際は、最大128,000トークンの出力制限内で、思考に使用するトークン数を指定することが可能だ。

新モデルの提供はすべてのClaudeサブスクリプションプランで利用可能だが、拡張思考モードは無料プランを除く全プランで利用できる。API料金は変更されておらず、入力トークンは100万トークンあたり3ドル、出力トークンは100万トークンあたり15ドル。思考トークンは、モデルが考慮するコンテキストの一部として出力料金に含まれている。

3.5 Sonnetからの改善点として、3.7 Sonnetは不要な拒否を45%削減したとされ、ユーザーの要求に対してより協力的な姿勢を見せている。新しいモデルは、特にコーディングタスクにおいて卓越した性能を示しており、SWE-bench Verifiedでは最高スコアを獲得、TAU-benchでも高いパフォーマンスを記録している。

更に、Claude 3.7 Sonnetは、すべてのClaudeプランにおいてGitHubとの統合を拡張しており、開発者はコードリポジトリをClaudeに直接接続し、バグ修正や機能開発を行えるようになっている。過去6か月において、3.5 Sonnetを使用してプロトタイピングを行った経験では、充実した支持が得られたが、使用制限に直面することが多かったため、3.7 Sonnetへの移行は期待される。

Anthropicは、コードベースを検索し、ファイルを読み書きし、テストを実行し、GitHubリポジトリへとコミット・プッシュすることができる自律型コーディングアシスタント「Claude Code」をも発表した。現在、「限定研究プレビュー」として利用されているが、ユーザーからのフィードバックに基づいて時間とともに改善する予定である。3.7 SonnetはClaudeのウェブサイトやアプリを通じて提供され、Amazon BedrockやGoogle CloudのVertex AIでも利用可能だ。こうした進歩は、デベロッパーに対するAnthropicのアプローチを強化し、新しいAIツールの可能性を広げるものである。

続いて、GPT-5はOpenAIの現在のAIモデルラインナップからの要素を組み合わせたシステムとなる予定です。Altman氏は、「ChatGPTと私たちのAPIの両方で、GPT-5を多くの技術を統合したシステムとしてリリースします」と語り、従来のML、SRモデル、およびウェブ検索やリサーチなどの特化されたモデルを含む構成になるとしています。

また、Altman氏は、ChatGPTの無料ユーザーが「標準の知性設定でのGPT-5に無制限にアクセスできる」一方で、ChatGPT Plusの購読者は「より高い知性レベルでGPT-5を実行できる」と述べています。さらに、Proの購読者は「さらに高いレベルの知性でGPT-5を実行できる」としています。これらの統合されたAIモデルは、Advanced Voice ModeやCanvas、Search、Deep ResearchなどのOpenAIの拡張機能を活用出来るようになるとしています。

過去には、Altman氏は「GPT-5」と呼んだ場合の恣意的な性質についてコメントしており、同社が昨年投入したAIモデルのいくつかにはその名前が付けられてもおかしくないという理由を挙げています。104年3月、Altman氏はLex Friedmanとのインタビューで、その年に大規模なAIモデルを投入する準備があると述べており、それはGPT-4oや「o1」と呼ばれるものである可能性が高いと考えられます。しかし、最終的な名称はまだ未定でした。彼は当時、GPT-5に類似したモデルについて、「それを呼ぶかどうか、期待されるものと比較して少し劣るかどうか、または少し良いかどうかを話す前に、他の重要なリリースがあると考えています」と述べました。

これからのOpenAIは新モデルへのブランディングにより、さまざまな機能を一つの統一されたインターフェースに集約することを目指していると見られます。Altman氏は、「私たちは、私たちの計画したロードマップをより良く共有し、製品の提供を簡素化する必要があることを理解しています」と述べています。現在、ChatGPTにプロアカウントでログインすると、GPT-4o、GPT-4o with search、GPT-4o with deep research、o1、o3-miniなど、最低でも10のAIモデルから選択可能です。

Altman氏は、AIモデルを「従来型LLM」と「シミュレーション推論」モデルに分け、ユーザーが選択する負担を軽減することを目指しています。誰もが複雑なオプションを理解するのは現実的ではないと認識しているのです。競合他社、DeepSeek、Anthropic、Meta、Googleなどは、OpenAIの後を追って各自のAIモデルを迅速に発展させています。今後のGPT-4.5とGPT-5の確定したリリース日についての情報更新を期待しましょう。