#AI

動画生成AI 2026年1月のアップデートまとめとi2vの現在地

2026年1月に発表された主要な動画生成AIのアップデートを整理し、i2v（画像→動画）で実際に使えるレベルなのか、ローカルで動くモデルも含めて考察した。

Geminiが指示してないのに勝手に画像生成する問題

Geminiに画像について質問しているだけなのに、勝手に画像生成が始まる問題の報告と対処法。

Kimi K2.5: 1兆パラメータMoEのネイティブマルチモーダルエージェントモデル

Moonshot AIがリリースしたKimi K2.5の技術的特徴を紹介。1TパラメータMoEアーキテクチャ、MoonViTビジョンエンコーダー、Agent Swarm（PARL）、ベンチマーク結果など。

AIコーディングCLIのHooks機能比較 — Gemini CLI・Claude Code・Codex CLI

Gemini CLI、Claude Code、Codex CLIの3つのAIコーディングCLIツールが提供するHooks（フック）機能を比較調査した。設計思想の違いが面白い。

PaddleOCR-VL-1.5 — 0.9Bパラメータで文書解析SOTAを更新

Baiduが公開したPaddleOCR-VL-1.5は、わずか0.9Bのパラメータで文書解析ベンチマークOmniDocBench v1.5において94.5%の精度を達成。GPT-4oやQwen2.5-VL-72Bを上回るSOTA性能を記録した。

Claude Code Best PracticesとAgent SDKの公式ガイドまとめ

AnthropicがClaude Codeの使い方とAgent SDKによるエージェント構築について公式ガイドを公開した。2つのドキュメントの要点を解説。

AI E2Eテストツール比較 - 信頼性と速度で選ぶ10選

Shortest、Playwright MCP、Stagehand、Skyvern、QA Wolfなど、AIを活用したE2Eテスト/ブラウザ自動化ツール10種を用途別に比較。信頼性・速度・コストの観点でディープダイブ。

VLMベースOCRの台頭 - DeepSeek-OCRとハイブリッド活用の可能性

従来のOCRとVLM（Vision Language Model）ベースOCRの違いを解説。DeepSeek-OCRの紹介と、両者を組み合わせたハイブリッド手法の可能性を考察する。

「ChatGPTは27%嘘をつく」の元ネタを調べた

SNSで話題になった「Johns Hopkins大学の研究でChatGPTが27%嘘をつくと判明」という情報の出典を調査した結果、複数の研究が混同されていることがわかった。

Shortest - 自然言語でE2Eテストを書くAIツール

Anthropic Claude APIとPlaywrightを組み合わせた自然言語E2Eテストフレームワーク「Shortest」を、Playwrightユーザー視点で解説。Playwright MCPとの比較、注意点、使い分けをまとめた。

Claude Code + Codex 自動開発フレームワークを汎用化して公開した

実践編・改善編で作ったスクリプトを汎用フレームワーク化してGitHubで公開。使い方と設計思想の解説。

AIと喋れる環境を作る（3）ついに喋れた編

Web Speech API + Gemini + VOICEVOXでAIキャラと音声会話できる環境が完成。実装のポイントと使用感をまとめた