youtube版(スライド付き) 関連リンク Introducing Shieldstral. Mistral AI Mistral AIからリリースされた「Shieldstral」は、テキストと画像の両方に対応する3Bパラメータのオープンウェイトなマルチモーダル安全評価（ガードレール）モデルです。Apache 2.0ライセンスで公開されており、16GBのNVIDIA製GPU1枚で効率的に動作しながら、最大7倍のサイズを持つ既存のオープンモデルと同等以上の性能を発揮します。最大の技術的特徴は、コンテンツモデレーションを「ポリシー適応型の質問応答タスク」として定式化した点です。従来のガードレールモデルは、固定された有害カテゴリの分類ルールをモデルの重みに直接焼き付けているため、異なるプロダクト要件やポリシーに合わせて再学習が必要でした。しかしShieldstralでは、推論時にプレーンテキスト（自然言語）でポリシーを質問（Query）として入力するだけで、再学習なしで任意のコンテキストに適応できます。入力は「指示（Instruct）」「質問（Query）」「対象ドキュメント（Document）」の3要素で構成され、テキスト、画像、その両方の組み合わせに対応します。推論時には、モデルの出力する「yes」「no」のロジットからsoftmax正規化によって連続的な安全性スコア（確率）を算出するため、単なる二値判定だけでなく信頼度に応じた閾値調整やランキングが可能です。学習面では、多様なアノテーション形式を持つ異種データを統一フォーマットへ変換し、厳格さを調整しながら統合しています。また、単なる記憶ではなくポリシーの境界を識別できるようにコントラストペアデータを用いたり、ビジョン・言語リランカーによる画像のフィルタリングや、LoRAとSLERPを用いたチェックポイントのマージを行うことで、汎用的な指示追従性とポリシー適応性を両立させています。エンジニアの視点からは、カスタムポリシーをコード側から柔軟に注入できる軽量な安全評価モデルとして、アプリケーションへの組み込みや実運用で非常に扱いやすい選択肢となります。引用元: https://mistral.ai/news/shieldstral/ Cloudflare OS: an open platform for agents, apps, and work Cloudflareが発表した「Cloudflare OS」は、組織内のメンバーやAIエージェント、アプリが社内データやシステムと安全に連携しながら協働するためのオープンソースのプラットフォームです。新人エンジニアが押さえておくべきポイントとして、主に「エージェントワークスペース」「セキュリティ・ガバナンスフレームワーク」「カスタムアプリ開発・共有基盤」「AI Gatewayによるコスト・モデル管理」の4つが挙げられます。 1つ目のエージェントワークスペースは、企業の文脈や専門知識、手順といったコンテキストやスキルを共有し、ブラウザ上で誰でも自然言語でエージェントと対話できる環境を提供します。単なるファイルの生成にとどまらず、ドキュメントやスプレッドシートの作成、さらにはデータ分析や定型ワークフローの自動実行が可能です。 2つ目のセキュリティとガバナンスでは、エージェントやアプリが社内システムにアクセスする際、直接APIキーを渡す危険性を排除しています。「Gatekeeper」と呼ばれるサービス固有のWorkerがAPIやOAuth、認可を仲介し、エージェントやアプリ側には認証情報を隠ぺいします。また、エージェントが機密データを閲覧した際、その「観測履歴（何を見たか）」を追跡し、そのデータに基づいたポリシー制御を行うことで、情報漏洩を防ぐ堅牢な仕組みを実現しています。 3つ目のアプリ開発基盤では、生成された「ファイル」自体がクライアントコードとサーバーコード（Dynamic WorkerやDurable Object FacetによるSQLiteデータベース）を持つフルスタックアプリとして動作します。RPCシステムである「Cap’n Web」を介して、人間だけでなくエージェントからも同じメソッドを呼び出すことができ、自分が作ったツールをそのままエージェントに再利用させることができます。作ったアプリは、リアルタイムで共同編集できる「アプリ本体の共有」と、状態や認証情報を除いたコードだけを共有して各自でカスタマイズできる「ブループリントの共有」が可能です。 4つ目に、Cloudflare AI Gatewayを活用することで、タスクの難易度に応じて利用するモデルを切り替え、コストやレートリミットを組織全体で一元管理できます。エンジニアの視点からは、Cloudflare WorkersやDurable Object、MCP（Model Context Protocol）といった技術をベースに、安全かつスケーラブルなAIエージェントの運用基盤がどのように構築されているかを学べる非常に実践的なプラットフォームとなっています。コアのOSSリポジトリとスターターリポジトリが公開されており、自社のアカウントへ容易にデプロイしてカスタマイズすることが可能です。引用元: https://blog.cloudflare.com/cloudflare-os/ Deploy local agents everywhere with LFM2.5-2.6B Liquid AIが開発した「LFM2.5-2.6B」は、ノートPCやスマートフォンなどのエッジデバイス上で動作させることを主眼に置いた、26億パラメータの軽量ローカルAIエージェントモデルです。約34兆トークンによる事前学習に加え、コンテキストウィンドウを128Kに拡張したミッドトレーニング、スーパーバイズドファインチューニング（SFT）、ドメイン特化型教師モデルからの多ドメインオンポリシー蒸留（MOPD）、実際のAIエージェント環境（ハーネス）を用いたエージェント強化学習（Agentic RL）という4段階のポストトレーニングを経て構築されています。このアプローチにより、モデルの最適化、推論、環境実行を分離し、ツール呼び出しやマルチステップのワークフローにおいて、自サイズの4倍近い大規模モデルに匹敵する性能を実現しています。ベンチマーク結果では、指示追従（Instruction Following）やツール使用（Tool Use）において同等クラスのモデルを大きく上回り、より大型のモデルとも渡り合える高いポテンシャルを示しています。推論速度の面でも非常に優れており、効率的なLFM2アーキテクチャの採用により、Apple M5 Max搭載機で220トークン/秒、AMD Ryzen CPUで113トークン/秒という高速なデコード速度を2.5GB未満のメモリ消費量で達成しています。GPU環境においてもH100を用いた高並列処理で高いスループットを発揮します。エコシステムとしては、llama.cpp、MLX、vLLM、SGLang、ONNXなど多様な推論バックエンドや、Hugging Faceのtransformers（バージョン5.0.0以降）を初日からサポートしており、開発者は容易に手元の環境へ組み込むことができます。データプライバシーを保持しつつ、クラウドの推論コストを気にせずにローカル環境やモバイル端末へAIエージェントを展開したい日本のエンジニアにとって、非常に実用的で強力な選択肢となるモデルです。引用元: https://huggingface.co/blog/LiquidAI/lfm2-5-2-6b お便り投稿フォーム（株式会社ずんだもんは架空の登場組織です）

Ask this episode

“What did the council decide on item 42?” — answered with the speaker and the moment.

Transcript

Related