EmbeddingGemma 2は、テキスト、コード、画像、動画、音声を共通の埋め込み空間へ写像する。Gemma 4などの生成モデルと組み合わせることで、端末内の検索結果を生成に渡すオンデバイスRAGを構成できる。一方、Mistral Large 4はAPIの公開プレビュー段階で、重みの公開は10月末までの予定だ。モデルを評価できる時期と、自分たちの基盤で動かせる時期を分けて確認したい。（出典1 / 出典2）
画像生成ではNano Banana 2.1、業務エージェントではOpenAIとIroncladの共同評価を取り上げる。Anthropicのサイバー用途のアクセス条件とAlloyDBの検索融合も含め、機能の説明だけでなく、利用資格、評価の条件、既存構成から移す処理を整理する。（出典3 / 出典4 / 出典5 / 出典6）
EmbeddingGemma 2、端末上の検索をマルチモーダル化
EmbeddingGemma 2は、従来版のテキスト中心の機能を拡張し、テキスト、コード、画像、動画、音声を共通の埋め込み空間へ写像する。モデルは740,000,000パラメータで、商用利用に寛容なApache 2.0ライセンスで公開された。（出典1）
検索では、テキストや画像からメディアを探せるほか、テキストや音声を使って動画内の場面を特定できる。Googleによると、Gemma 4などの生成モデルと組み合わせればオンデバイスのRAGを構成できる。Gemma 4とはテキストトークナイザーと音声エンコーダーを共有し、両モデルの合計メモリ量も抑えられるという。（出典1）
コンテキスト長は従来版の4倍となる8Kトークンへ拡張され、ローカル機器上で音声最大5.5分、画像29枚、動画58フレーム、またはそれらを混在させた入力を処理できる。Googleによると、多言語テキスト性能を維持しながら、MTEB Codeは68.76から78.68へ9.92ポイント改善した。（出典1）
オンデバイス展開ではMediaPipeとLiteRT、ブラウザーではtransformers.jsまたはWebGPUに対応する。対応する開発ツールとして、transformers、sentence-transformers、MLX、vLLM、llama.cpp、SGLang、Ollama、LMStudioも挙げられている。（出典1）
比較表: テキスト専用構成と全マルチモーダル構成
Google公表値では、量子化したモデルをGoogle Pixel 11 Proで実行した場合、選ぶ構成によってパラメータ構成と使用中のRAM容量が異なる。（出典1）
| 観点 | テキスト専用構成 | 全マルチモーダル構成 |
|---|---|---|
| パラメータ構成 | 最小270,000,000パラメータで動作する。（出典1） | 視覚用170,000,000、音声用300,000,000パラメータのエンコーダーを利用する。（出典1） |
| アクティブRAM | 量子化時は約191MB。（出典1） | 量子化時は約567MB。（出典1） |
EastBraverの見立て: GoogleのRAM値は、特定の端末と量子化条件での値だ。生成モデルと組み合わせる構成では、この値だけをアプリ全体の必要メモリ量とせず、検索索引や生成処理も含めて対象端末で測定したい。（出典1）
- 出典: Google DeepMind（公式情報、2026-10-07 01:00 JST）
Mistral Large 4、API公開プレビュー開始、月末に重み公開へ
Mistral Large 4は、総数1.05兆パラメータのネイティブマルチモーダルモデルである。1トークンあたりの有効パラメータは490億で、埋め込み層と出力層を含めると520億となる。現在はMistral StudioのAPIで公開プレビューを利用でき、重みは2026年10月末までに公開される予定だ。（出典1 / 出典2 / 出典3）
ML4は、欧州にあるMistralの自社データセンターで3,800基のNVIDIA Grace Blackwell GPUを使ってゼロから学習され、公開プレビューも同じ基盤から提供される。このGPU数は学習時の計算資源であり、自己配備の推論要件を示す値ではない。（出典3）
Mistralは、オープンウェイト化後のML4を自己配備でき、セキュリティ用途ではプライベートクラウドまたはオンプレミスで実行可能になるとしている。現時点のAPI提供と、重み公開後に予定される組織管理下での運用は、提供段階を分けて捉える必要がある。（出典3）
Mistral公表値では、実在するオープンソースソフトウェアの脆弱性を再現・修正するテストが82%、40問のCybenchが93%だった。開発系ではDeepSWE v1.1が61.7%、SWE-Atlas-QnAが59.4%、Terminal-Bench 4が28.3%、複合Coding Agent Indexが49.8%である。視覚的グラウンディングのDense 200では、ML4が42%、GPT-6-Astraが41%だった。（出典3）
比較表: 公開プレビュー時点と重み公開後の提供形態
現在はMistralの基盤上のAPIを試せる段階で、自己配備は月末の重み公開後に予定されている。（出典3）
| 観点 | 現在の公開プレビュー | 重み公開後の計画 |
|---|---|---|
| 提供経路 | Mistral StudioのAPIから利用する。（出典3） | 重みは月末に公開される予定。（出典3） |
| 実行環境 | Mistralの学習基盤と同じインフラから提供される。（出典3） | 自己配備に対応し、プライベートクラウドまたはオンプレミスで実行可能になる予定。（出典3） |
EastBraverの見立て: 導入判断では、現在評価できるAPIの公開プレビューと、月末の重み公開後に予定される自己配備を別段階として扱うのが妥当だ。（出典3）
- 出典: Mistral AI（公式情報、2026-10-06 21:00 JST）
Anthropic、Cyber Verification Programを3層制に拡大
AnthropicはProject Glasswingと従来のCyber Verification Program（CVP）を統合し、適格なセキュリティ専門家に高度なサイバー機能とブロック判定を緩和した利用環境を提供する3層制へ拡大した。各層では検証要件とセキュリティ統制が異なる。（出典1）
Defense Accessは、防御対象を所有または維持する組織のチーム、重要インフラ運営者、小規模セキュリティ企業、オープンソース保守者、脆弱性報告実績のある個人研究者などが対象となる。認められる用途は、インシデント対応、マルウェア解析、脆弱性の分析・検証などの防御目的の作業である。（出典1）
Red Team Accessは、Defense Accessの用途に、許可を得たシステムへの侵入テストとレッドチーム活動を加える。現在は組織のみが申請でき、物理的被害や大規模障害を招き得る行為にはリアルタイムのブロックが残る。Specialized Accessは、人命や市場に影響し得る安全システムをテストする権限を持つ、限定された検証済み組織向けで、サイバー関連のブロックが最も少ない。（出典1）
申請者は全員が検証され、希望する層に必要なセキュリティ統制の証拠提出を求められる。参加組織には不正利用監視のため原則としてデータ保持が必要だが、EFS提供までは、Claude Fable 5.1またはClaude Mythos 5.1をゼロデータ保持で利用できる組織に限り、CVPでもゼロデータ保持を継続できる。CVPはClaude Platform、Google CloudのVertex AI、Microsoft Foundryで利用でき、Amazon BedrockではEnterprise Frontier Safeguardsの適格顧客に限定される。（出典1）
EastBraverの見立て: 層の選択は、作業目的、対象システムへの権限、組織としての検証可能性で決まる。攻撃的テストほど申請主体と統制が厳しくなり、Red Team Accessでも高リスク行為のブロックは解除されない。（出典1）
- 出典: Anthropic（公式情報、2026-10-06公開）
AlloyDB AI、RRFによる検索結果の融合を単一SQLに集約
AlloyDB AIのai.hybrid_search()は、従来は複雑なSQLやアプリケーション側のコードが担っていたベクトル検索と全文検索の結果融合を、単一のクエリプランに集約する。RRFによる融合に必要な順位計算と結合をデータベース側へ移せる。これは、用途別の追加リランカーまで不要になるという意味ではない。（出典1）
各検索コンポーネントで順位を算出し、共通の文書IDを使ったFULL OUTER JOINで結果をまとめ、逆順位融合（RRF）による統一スコアを計算する。検索条件はJSONで記述し、その配列をai.hybrid_search()へ渡す。（出典1）
外部検索FDWを使う構成では、既存のElasticsearch、OpenSearch、Solrを維持したまま、AlloyDB上の標準PostgreSQL SQLから外部検索、結合、結果融合を実行できる。（出典1）
全文検索索引は、語の位置情報を保持してランキングやフレーズ検索を高速化するRUMと、キーワードのスコア精度を重視するBM25から選べる。RUMには索引構築の遅延とディスク使用量増加のトレードオフがあり、BM25索引はプレビューである。（出典1）
導入手順は公式記事の「Getting started」から案内されている。テキスト索引とベクトル索引を準備し、外部検索ではFDWと外部テーブルを構成する。RUMとハイブリッド検索関数を組み合わせる公式Codelabもある。（出典1）
比較表: 検索結果を融合する場所の違い
従来は検索後の正規化、結合、再ランキングを複雑なSQLやアプリケーション側で処理していたが、ai.hybrid_search()は順位ベースの融合を単一のクエリプランで実行する。（出典1）
| 観点 | 従来の構成 | ai.hybrid_search() |
|---|---|---|
| 融合処理 | 複雑なSQLまたはアプリケーション側の独自コードで実行する。（出典1） | 単一のクエリプラン内で実行する。（出典1） |
| スコアの扱い | 異なる検索スコアを共通尺度へ正規化する。（出典1） | 各結果の順位を使う逆順位融合（RRF）により、スコア正規化を不要にする。（出典1） |
| 外部検索との連携 | 別システムの結果をアプリケーションメモリで結合し、再ランキングする。（出典1） | 外部検索FDWを介し、標準PostgreSQL SQLから検索、結合、結果融合を実行する。（出典1） |
EastBraverの見立て: 既存の外部検索基盤を残す構成では、全面移行ではなく、結果融合をAlloyDBのSQLへ集約できる点が今回の価値となる。一方、索引選択では検索遅延、ランキング精度、構築時間、容量の優先順位を分けて判断する必要がある。（出典1）
- 出典: Google Cloud（公式情報、2026-10-06公開）
Nano Banana 2.1、画像生成と複数画像の編集を更新
GoogleはNano Banana 2.1のモデルカードを公開した。Gemini 3.6 Flashを基盤とする画像生成・編集モデルで、Gemini APIではgemini-nano-banana-2.1が安定版として案内されている。（出典1 / 出典2）
Googleは、画質、指示への追従、複数ターンにわたるキャラクターの一貫性、画像内の文字表現を改善したと説明している。API仕様では、最大14枚の参照画像の統合と、1K・2K・4Kの出力をサポートする。推論の深さはminimal、medium、highから選べ、既定はmediumとなる。（出典2）
EastBraverの見立て: 既存の画像生成処理を更新するなら、文字の可読性、参照画像の保持、同じ人物を続けて編集した場合の一貫性を、自分たちの素材で比較したい。Googleが改善を示した項目と、モデルカードに残る制約の両方を評価条件にする。（出典1）
- 出典: Google DeepMind（公式情報、2026-10-06公開）
OpenAIとIronclad、契約業務でエージェントを評価
OpenAIはIroncladとの共同研究を公表した。契約書、承認ルール、再利用する法務条項の設定など、専門ソフトウェア上の複数段階の作業を学習・評価の課題へ落とし込んだ。評価は11課題を対象とし、各課題を複雑さに応じて8〜50の基準で採点している。（出典1）
比較表: 契約業務11課題での研究評価
OpenAI公表値で、各モデルには評価スコアが最も高かった推論設定を使用している。平均スコアは採点基準への適合度を表し、業務全体の完了率とは異なる。（出典1）
| 観点 | GPT-5.6 Sol | GPT-6 Astra |
|---|---|---|
| 推論設定 | High | Max |
| 平均評価スコア | 41.6% | 55.0% |
| 1試行あたりの推定平均時間 | 37.0分 | 19.2分 |
学習用の模擬課題には、個人情報を除くフィルターを適用したSEC EDGARの公開契約書を利用した。OpenAIは、自社顧客のデータ、自社の内部契約書、Ironclad顧客の非公開データや契約書を学習・評価に使用していないと説明している。（出典1）
EastBraverの見立て: エージェント評価では、操作できたかだけでなく、完成した承認フローが金額条件や例外を守るかを測る必要がある。自社で使う場合も、課題、採点基準、実行環境をそろえたうえで、人の確認を残す範囲を決めたい。（出典1）
- 出典: OpenAI（公式情報、2026-10-06公開）
ほかの確認済みの更新
モデル提供、基盤運用、研究・ガバナンスに関する更新を短くまとめる。
- Google Cloud、AI推論ネットワークの2構成を解説：GKE専用ではInference Gatewayがモデル指定とHTTPRouteを使って推論プールへ振り分ける。異種バックエンド向けでは、Cloud Runのコールアウトが本文のモデル名をヘッダーへ移し、内部Application Load BalancerのURLマップが転送先を選ぶ。まず配信先をGKE内に閉じるか、複数の環境へ広げるかを決めたい。（出典1）
- AWS、AI影響評価を既存のリスク管理へ組み込む手順を解説：ISO/IEC 42005:2025に沿い、範囲設定、分析・報告、継続的なレビューを整理した。Responsible AI Lensなどの支援資料を案内するが、規格や法令への適合を保証するものではない。システムや運用環境の変更を、再評価の契機として扱う点が実務上の確認事項となる。（出典1）
- NVIDIA AICR v1.0、GPUクラスター構成の公開インターフェースを安定化：CLI、REST API、Go SDK、生成物の配置とスキーマに互換性ルールを設けた。配備には既存のツールを使い、AICRが稼働中の構成をレシピと照合して検証する。導入時は対象レシピの状態と公開された検証証拠を確認する。（出典1）
- GLM 5.3、対象となるエンタープライズ顧客向けにBedrockで提供開始：Z.aiのGLM 5.3がAmazon Bedrockで提供開始された。対象となるエンタープライズ顧客は、推論基盤を管理せずにフルマネージドAPIとして利用できる。（出典1）
- PDFM、公衆衛生5課題で地域の埋め込み表現を評価：Google Researchは、Population Dynamics Foundation Modelによる地域の埋め込み表現を使った5事例を報告した。研究パートナーによる評価で、地域や疫学タスクは事例ごとに異なる。例えば心血管疾患の現在の死亡数を推定する課題では、国勢調査に基づく入力との差は統計的に有意ではなく、一律の精度向上と読むべきではない。（出典1）
