AI日報｜Qwen3.7-Plusがインターフェースを操作？Berniniの新しい動画生成アーキテクチャ、Mellum2オープンソース化、Cursorの料金プラン変更

AIフォーカス日報：Qwen3.7-Plusがグローバルインターフェースを制御、ByteDanceのBerniniが動画編集ロジックを刷新

AI分野では、毎日驚くべき進歩が見られます。正直なところ、これらの技術リリースのペースについていくのはかなり大変です。今日は、強力なマルチモーダルエージェント、オープンソースの動画生成モデルから、開発者に密接に関連するツールの料金プラン調整やコミュニティの動向まで、最近最も影響力のあった技術アップデートをいくつかまとめました。

これらの新技術の主要なハイライトと、それらが将来のソフトウェアエンジニアリングやコンテンツ作成のワークフローにどのように影響するかを詳しく解説していきます。

AlibabaがQwen3.7-Plusを発表：インターフェースを理解し操作する万能エージェント

業界が待ち望んでいたマルチモーダルの重大なアップグレードがついに到来しました。Qwen公式ブログ記事の詳細な紹介によると、新しくリリースされたQwen3.7-Plusは、視覚的な理解と言語的な推論を完璧に融合させています。このモデルは、非常に強力な「ハイブリッドエージェント（Hybrid Agent）」能力を備えています。

ご存知ですか？これまでのモデルの多くは「写真を見て説明する」ことしかできませんでしたが、現在のQwen3.7-Plusは画面を直接読み取り、グラフィカルユーザーインターフェース（GUI）を操作し、さらにはコマンドラインインターフェース（CLI）環境でエンドツーエンドの複雑なタスクを完了することができます。例えば、参考となるデザイン図や動画を入力すると、モデルは実行可能なSVGやWebフロントエンドコードを直接出力できます。

ソフトウェア開発の自動化におけるマイルストーン

この技術の実際のアプリケーションにおけるパフォーマンスは驚異的です。Qwen3.7-Plusに基づいて構築されたエージェントシステムは、かつて11時間以上の連続安定稼働の記録を樹立しました。このプロセスの中で、システムは英単語学習アプリの完全な開発サイクルを自律的に完了させました。最初の要件定義ドキュメントの生成、コードの記述から、テストケースの作成、インターフェースの自動テストに至るまで、合計で1万行以上のコードが生成されました。

プロフェッショナルなデスクトップアプリケーションのシナリオにおいても、モデルはワンクリックでの自律的な複製を実現できます。かつて、リアルタイムの市場データを取得するための実際のAPI接続を含む、macOSネイティブの株価アプリの高精度な複製を完全に自律的に完了させました。開発者は現在、これを主流の開発フレームワークにシームレスに統合でき、Claude Code、OpenClaw、Qwen Codeなどで安定してサポートされています。

この技術を実際に体験したいユーザーは、現在、Alibaba Cloud Model Studio APIを通じて直接サービスを呼び出すことができます。システムは、前回のターンの思考内容を保持する高度な機能もサポートしており、長期稼働するエージェントの構築に非常に適しています。

ByteDanceがBerniniをオープンソース化：セマンティックプランニングによる動画生成と編集の再構築

動画生成の技術ロジックは興味深い変化を遂げています。ByteDanceの研究チームは、新しいBerniniプロジェクトを発表しました。これは、大型マルチモーダル言語モデル（MLLM）と拡散モデル（DiT）を統合したユニークなアーキテクチャです。

従来の動画モデルは通常、理解と生成を混合して処理していましたが、これは計算リソースの浪費や詳細の欠落を招くことがよくありました。Berniniは非常に賢い分業戦略を採用しています。MLLMが高レベルの「セマンティックプランニング（Semantic Planning）」を担当し、ターゲットのViT埋め込みベクトル特徴を予測します。次に、DiTレンダラーが引き継ぎ、これらのセマンティック特徴を非常にリアルなピクセル画面に変換する役割を果たします。

複数の視覚的特徴の混同を解決する技術的工夫

動画編集を処理する際、モデルは元の動画、参照画像、およびターゲット出力の特徴をどのように区別するかという難題に直面することがよくあります。これを克服するために、研究チームは「セグメント認識3D回転位置エンコーディング（SA-3D RoPE）」を導入しました。この技術は、異なる視覚素材に独立したインデックスラベルを付与することで、レンダラーが画面を合成する際に参照画像の背景を最終的に生成される動画に誤って貼り付けてしまうのを防ぎます。

実際のパフォーマンス評価において、Berniniは圧倒的な実力を示しました。動画から動画への編集（V2V）であれ、参照画像ガイドによる編集（RV2V）であれ、その画面の一貫性と指示への忠実度は、Kling O3やWan2.7を含む現在市場に出回っている主要製品を凌駕しています。

さらに素晴らしいことに、開発チームはこの技術を完全に公開しました。興味のある研究者は研究論文 Bernini: Latent Semantic Planning for Video Diffusionを読み、ByteDance/Berniniモデルダウンロードから完全な推論コードとモデルの重みを直接取得できます。

JetBrainsがMellum2を発表：コードワークフロー専用の軽量エキスパート

タスクを完了するために、必ずしも最も巨大でリソースを消費するスーパーモデルを動かす必要はありません。有名な開発者ツール企業であるJetBrainsは、自社開発のMellum2モデルを正式にオープンソース化しました。関連する技術的詳細は、JetBrains公式ブログの紹介で公開されています。

Mellum2は、Mixture-of-Experts (MoE) アーキテクチャを採用した12Bパラメータのモデルです。そのユニークなアーキテクチャ設計により、各トークンで実際に起動されるパラメータはわずか2.5Bです。これにより、高いパフォーマンスを維持しながら、極めて低いレイテンシと超高いスループットを実現しています。

純粋なテキストとコードタスクへの特化

前述のマルチモーダルモデルとは異なり、Mellum2は画像や動画の処理を意図的に避けています。自然言語とコードのデータを用いたトレーニングに完全に集中しています。この「偏り」こそが、ソフトウェアエンジニアリング環境において最大限の効果を発揮させる要因となっています。

入力されたプロンプトを分析して呼び出すツールを決定したり、低レイテンシの検索拡張生成（RAG）パイプラインを構築したり、複雑な開発作業をサブエージェント（Sub-agents）に分割して実行させたりする場合でも、Mellum2は究極の効率性を示します。

このモデルはApache 2.0ライセンスを採用しており、コードのプライバシーを保護するために企業がローカル環境にデプロイするのに非常に適しています。開発者はHugging Faceのリリースノートで詳細を確認し、Hugging Faceの専用コレクションから関連リソースを入手できます。

Cursor Teamsプランのアップグレード：ヘビー開発者への福音

開発ツールの課金方式は、常にチームの運営コストに影響を与えます。最新のCursor公式発表によると、2026年6月から、Teamsプランは重要な構造的最適化を迎えました。

チーム管理者は、支出をより正確にコントロールできるようになります。標準シート（月額40ドル）の利用枠が大幅に引き上げられました。さらに重要なことに、システムは配分を2つの独立したプールに明確に分割しました。1つはCursor独自のComposerおよびAuto機能専用で、もう1つはサードパーティのAPIモデルの消費用です。

極端な利用量に対する新しい解決策

開発チームを詳しく観察すると、通常、少数の「ヘビーユーザー」がAI利用枠の大部分を消費していることがわかります。このような突発的なオンデマンドコストを防ぐために、Cursorは全く新しいPremiumシートを導入しました。

標準シートの約3倍のコスト（年払いプランで月額120ドル）を支払うだけで、標準シートの5倍の含まれる利用量を得ることができます。これは、チームが異なるタイプのシートを自由に組み合わせることができ、1円たりとも無駄にしないことを意味します。管理画面では、利用上限までの進捗もリアルタイムで表示され、スマートアラートを設定して、月末に驚くような請求額が発生するのを効果的に回避できます。

Codexのクォータリセットがコミュニティで話題に：毎週から毎月へ？

最後に、開発者コミュニティで強い反発を招いているニュースを見てみましょう。最近Redditプラットフォームで、「Weekly reset became monthly reset?」というタイトルのRedditスレッドが大きな反響を呼んでいます。

日常の開発に無料アカウントやGoプランを利用している多くのユーザーが、以前は7日ごとにリセットされていたクォータが、予告なく30日に延長されていることに突然気づきました。週末に個人のプロジェクトを書く習慣がある学生やアマチュア愛好家にとって、これは間違いなく大きな打撃です。

これは確かに衝撃的です。スレッド内はさまざまな推測や不満で溢れており、システム障害ではないかと疑う人もいれば、公式による意図的な戦略的調整だと考える人が大半です。このような突然の制限に直面し、多くの開発者が代替案を探しており、ワークフローをより安価なDeepSeek APIに全面的に移行する準備を始めている人もいます。この事件は、単一のクラウドサービスプロバイダーに過度に依存することの潜在的なリスクを改めて浮き彫りにしました。

Q&A

Q1：Alibabaが発表した新しいQwen3.7-Plusモデルは、以前のビジュアルモデルと何が違うのですか？ A：Qwen3.7-Plusは、マルチモーダルインタラクティブハイブリッドエージェントです。画像を見ることができるだけでなく、画面を直接読み取り、グラフィカルユーザーインターフェース（GUI）を操作し、コマンドラインインターフェース（CLI）環境でタスクを実行することができます。さらに、画像、動画、またはUIのスクリーンショットを実行可能なSVGやWebフロントエンドコードに直接変換できるなど、強力なビジュアルコード生成機能を備えています。

Q2：ByteDanceのBerniniモデルは、動画編集でよく見られる特徴の混同問題をどのように解決していますか？ A：Berniniは、**セグメント認識3D回転位置エンコーディング（Segment-Aware 3D RoPE）**技術を採用しています。この技術は、異なる視覚素材に区別マークを付けることができるため、画面をレンダリングする際に、異なる視覚セグメント（参照画像や元の動画など）からの特徴を効果的に識別し、合成時の混乱を避けることができます。

Q3：JetBrainsがオープンソース化したMellum2モデルが、ソフトウェア開発のワークフローに特に適しているのはなぜですか？ A：Mellum2は、12BパラメータのMixture-of-Experts (MoE) モデルです。「集中」という哲学を掲げ、複雑な画像や動画の処理を避け、テキストとコードのタスクに特化しています。これにより、極めて低いレイテンシと高い効率性を備えており、サブエージェント（Sub-agents）の割り当て、ローカルでのプライベートデプロイ、および高速なAIワークフローの構築に非常に適しています。

Q4：Cursorは、Teamsプランにおける「ヘビーユーザー」に対してどのような新しい課金ソリューションを提案しましたか？ A：Cursorは、全く新しいPremiumシートを導入しました。企業はこれらの高利用量開発者に対して約3倍のコスト（月払い120ドル、年払い月額96ドル）を支払うことで、標準シートの5倍の含まれる利用量を得ることができます。同時に、管理画面ではリアルタイムの利用状況ダッシュボードが提供され、スマートアラートを設定して、費用が上限を超える前にSlackやメールで管理者に通知することができます。

Q5：開発者コミュニティが最近のCodexクォータリセットに対して抱いている主な不満は何ですか？開発者はどのような代替案を提案していますか？ A：無料アカウントやGoプランのユーザーは、Codexのクォータリセット周期が予告なく、本来の毎週（7日）から毎月（30日）にリセットされるように延長されたことに気づきました。この突然の制限に対し、一部の開発者は代替案としてワークフローをより安価なDeepSeek APIに全面的に移行する準備を進めていると述べています。