2026年10月23日：この1週間のLLM・VLM動向――高速化、実務エージェント、視覚から行動へ

2026年10月23日：この1週間のLLM・VLM動向――高速化、実務エージェント、視覚から行動へ

調査対象は2026年10月17日〜23日。日本時間10月23日の執筆時点で確認できた公開情報を扱うため、23日分を含む完全な週間集計ではない。発表日は原則として各社の資料に記載された日付に従う。

この1週間の発表を並べると、LLM・VLMの競争は、回答の賢さに加えて「待たずに使えるか」「実際の仕事を最後まで進められるか」「画面や現実世界を見て次の行動につなげられるか」を強く意識する方向にある。本稿では、一次資料で確認できた事例からこの流れを読み解く。市場全体の利用率やSNS上の人気を測定した記事ではなく、公開発表から見える技術・製品の方向性の整理である。

LLMは主に言語を扱う大規模モデル、VLMは画像と言語を組み合わせて理解するモデルを指す。ただし実際の製品では、推論・コーディング・画像理解・ツール操作が一つにまとめられ、この区分だけでは特徴を説明しにくくなっている。

今週の主な出来事

発表日 出来事 読み取れる方向性
10月17日 DeepSeek-V4.1-Flash-1017とSearch & Fetch APIの公開 モデル、検索、実行環境を組み合わせた開発支援
10月19日 MiniMax M3.1 Flashの正式展開 エージェント・コーディング・コンピューター操作とコスト削減
10月19日 InceptionがMercury 3を発表 拡散型LLMによる低遅延な対話・反復作業
10月21日 NVIDIAがAlpamayo 2 Edgeなどを発表 視覚的な状況理解を車両の判断・動作につなげる設計

出典：DeepSeek公式発表、MiniMax公式発表、Inception公式発表、NVIDIA公式発表。

1. LLMの高速化は、長い作業を成立させるための条件になっている

10月19日に発表されたMercury 3で、Inceptionは拡散型の言語モデルを前面に出した。一般的な自己回帰型がトークンを順番に生成するのに対し、拡散型は複数箇所を反復的に改善する生成方式をとる。同社は毎秒1,068トークンの速度と100万トークンのコンテキストを公表した。ただし、この速度は同社の測定値であり、任意の入力や利用環境で再現する保証ではない。Inception公式発表

ここからの解釈として、高速化の価値は「文章が速く流れること」だけではない。検索し、画面を確認し、操作し、その結果を再確認するエージェントは、モデルを何度も呼び出す。1回ごとの待ち時間が小さくなれば、同じ時間内に確認や修正を増やせる。音声対話でも、自然な応答の間を保ちやすい。

一方、出力速度とタスク全体の所要時間は別の指標だ。検索、外部API、ブラウザー操作が遅ければ、モデルだけを速くしても効果は限定的になる。今後の比較では、毎秒のトークン数と併せて、最初の応答までの時間、作業完了までの時間、成功率を見る必要がある。

2. 「Flash」の競争軸が、安い会話から実務の完遂へ広がっている

同じ10月19日のMiniMax M3.1 Flashは、エージェント業務、コーディング、Computer Useを重点分野として打ち出した。同社は従来比でオンライン推論が約3倍速く、エージェント用途の利用コストが70%低下したと説明する。発表時点ではAPIなどで利用可能で、重みの公開は後日予定としている。「利用できる」と「モデルをダウンロードして自分で運用できる」は区別して読む必要がある。MiniMax公式発表

この発表から見えるのは、低コスト帯のモデルにも、ツールを連続して使い、ファイル間の整合性を保ち、成果物を仕上げる能力が求められていることだ。単発の質問への正答率だけでは、実務での使いやすさは判断しにくい。

たとえば記事作成なら、文章を生成するだけでなく、資料を調べ、出典を確認し、Markdownを保存し、CMSへ投稿し、公開結果を確認するまでが一つの仕事になる。安価なモデルでも、この連続作業を少ないやり直しで終えられれば、実用上の価値は大きい。逆にトークン単価が安くても、失敗を重ねれば総費用は増える。

3. モデルと一緒に「検索と実行の足場」が売られる

DeepSeekは10月17日、V4.1 Flashの1017版とSearch & Fetch APIを発表した。公式資料では、モデルの改善だけでなく、DeepSeek Harnessなどの実行環境との組み合わせや、検索結果・Web本文を取得する手段を案内している。モデルの重みへのリンクも公開されている。DeepSeek公式発表

ここでいう実行環境、あるいはハーネスは、モデルに渡すツール、作業状態、実行結果、再試行などを管理する仕組みだ。モデルが優秀でも、必要な資料に到達できず、コマンドの結果を受け取れなければ、作業は止まる。

今週の事例を合わせて考えると、競争単位がモデル単体から、モデル・検索・ツール・評価を組み合わせたシステムへ広がっていると読める。ただし、ハーネスを変えれば結果も変わるため、ベンチマークの数字をモデル固有の能力だけで説明するのは慎重でありたい。

4. VLMは「何が写っているか」から「次に何をするか」へ

VLM側では、10月21日のNVIDIAの自動運転向け発表が、この流れを具体的に示す。同社はAlpamayo 2 Edgeを20億パラメーターの推論モデルとして紹介し、車載環境で10Hzの状況理解と動作計画を行う設計を説明した。同時に、走行データの整理、合成データ、シミュレーション、安全性評価の仕組みも発表している。これらは製品設計・提供計画の説明であり、あらゆる道路条件で安全に走れることの証明ではない。NVIDIA公式発表

画像を見て文章を返すVLMと、車両やロボットの行動に接続するVLA（Vision-Language-Action）は同じものではない。しかし、視覚理解を作業の入力として扱う点で連続している。パソコンの画面を見て操作するComputer Useも、見る・判断する・操作する・結果を見るという反復が必要になる。

補助資料としてNVIDIAのNemotron 3.5 Super VLモデルカードを見ると、テキスト・画像・動画を入力し、文書理解、推論、コード、ツール利用をまとめて扱う設計が確認できる。これは今回の期間内の新規発表としては数えず、VLMの役割が広がっていることを理解する背景資料として参照する。NVIDIA公式モデルカード

文書を読む場合も、文字起こしだけでは足りない。グラフの軸、表の対応、ページ上の配置を理解し、その結果を検索や編集につなげる必要がある。この観点では、VLMの評価対象も、画像への一問一答から、視覚情報を含む一連の仕事へ広がっていくと考えられる。

この流れをどう受け止めるか

今回確認した発表からの筆者の見立ては、次の三つだ。

  1. 能力と効率を一緒に競う。 高速・低コストであることが、繰り返しモデルを呼ぶエージェントの実用性を左右する。
  2. 成果物までを評価する。 回答文だけでなく、検索、操作、検証を含めて仕事を完了できるかが重視される。
  3. 視覚を行動の入力にする。 画面、文書、動画、走行環境を読み取り、その理解を次の作業につなげる用途が目立つ。

ただし、複数社の発表だけで「業界全体が移行した」「あるモデルが最良」とは結論できない。公開資料の性能値は主にメーカー測定で、入力条件、推論予算、ツール構成、ハードウェアが異なる。モデルを比較するなら、自分の業務に近い同一タスクで、正確性、完了率、時間、総費用を並べる方が判断しやすい。

今週の変化を一言で表すなら、AIの賢さを、待ち時間と費用を抑えながら現実の仕事へ届ける競争が目立った週だった。LLMとVLMを別々のランキングとして追うだけでなく、「何を見て、どのツールを使い、何を完成させたか」という流れで見ると、発表同士のつながりが分かりやすい。

参照した一次資料

本稿は公開情報をもとにAIが作成した解説記事です。モデルの実機比較や独立したベンチマーク検証は実施していません。