生成AIに関するブログを今年12件書いた話 / 開発者向けブログ・イベント

この記事は GMOインターネットグループ Advent Calendar 2025 18日目の記事です。

こんにちは、GMOインターネットグループのT.I.です。グループ研究開発本部では、こちらのGMO Developersの技術ブログとは独立した技術ブログを運営しています。自分は今年の1月から12本の記事を書いてきました。今回のブログでは、これらを振り返ってみたいと思います。

はじめに

さて、昨年に引き続き今年もAdvent Calendarを担当させて頂きます。今年も日夜、生成AI技術の進展を追い続け、理解を深めるためのインプット・アウトプットを繰り返していると、いつの間にやら以下のような12本の記事となりました。

OpenAI o1 pro mode でデータ分析してみた〜「Deliberative Alignment」による推論能力と安全性の強化〜 (2025年1月17日)
DeepSeek R1 and V3 〜OpenAI o1級のオープンモデルの作り方〜 (2025年2月3日)
Mercury CoderとLLaDA: 拡散言語モデルによる高速文章生成 (2025年3月12日)
GPT-4oの中身(予想)とGlyph-ByT5〜文字の画像生成への挑戦〜 (2025年4月11日)
FramePack and FramePack-eichi 〜高速・省メモリなローカル動画生成AI〜 (2025年5月2日)
BAGEL: ByteDanceの画像生成・編集も可能なマルチモーダル統合オープン生成AI (2025年6月10日)
OpenAIのGPT Image 1 APIで入力画像に高い忠実度(high input fidelity)の画像生成を試してみた (2025年7月23日)
LangExtract: Gemini駆動でテキストからデータ抽出できるGoogleのPythonライブラリ (2025年8月12日)
Nano Banana: Gemini 2.5 Flash Image(とQwen-Image-Edit)で画像生成・編集を試してみた (2025年9月1日)
Gemini CLI extensionsでNano Bananaを使ってみた〜バイブコーディングな画像生成・編集〜 (2025年10月14日)
gpt-oss-safeguard: OpenAIのポリシーベースのテキスト分類専用の推論型オープンモデル (2025年11月5日)
Nano Banana Pro (Gemini 3 Pro Image)で画像生成・編集をやってみた (2025年11月25日)

今年を振り返ると、OpenAIのo1やDeepSeek-R1のような深く長く考えるモデルの登場に始まり、拡散言語モデルや高忠実度な画像生成、ローカルでの動画生成、マルチモーダル統合モデルなど、多岐にわたる技術進展がありました。以下に各記事の概要と後日談をまとめて振り返ってみたいと思います。終わってみるとOpenAIやGoogleなどの注目度の高いトピックを紹介していたので、今年一年の技術の発展の流れが良い感じにフォローできました。

今年の画像生成AI技術のハイライトと言える「Nano Banana Pro」で本記事のインフォグラフィックを作成するとこのような感じになります。

Notebook LMで今回の記事のまとめインフォグラフィックを作成した例。雰囲気としては良いのですが、**日付や時系列などが怪しい**です。Nano Banana Proであっても完璧ではなく、正確性が求められる場合は注意が必要です。

ブログの書き方などや工夫については昨年の記事にあるので割愛します。

生成AIに関するブログを今年11件書いた話

個別記事の振り返り

OpenAI o1 pro mode でデータ分析してみた〜「Deliberative Alignment」による推論能力と安全性の強化〜

2024年9月12日 OpenAI 「o1-preview」発表
2024年12月5日 ChatGPT 「Proプラン」と「o1」正式版リリース
2024年12月20日「Deliberative Alignment」技術公開と「o3, o3-mini」発表
2025年1月17日ブログ公開

OpenAIは2024年9月に「o1-preview」を発表しました。このo1モデルは従来のモデルとは異なり深く長い時間考えることで性能を高めるモデルであり、当時のGPT-4oから大きく性能が改善されました。

そして、2024年12月にOpenAIは「12 Days of OpenAI」と題して、連日新技術発表を行いました。その初日(12月5日)にChatGPT Proプランと「o1」を正式リリースしました。ChatGPT Proプランは、$200/月の料金という強気な価格設定ですが、o1が更に深く長く考える「o1 pro mode」が利用可能です。また最終日の12月20日には、o1モデルの基礎技術である「Deliberative Alignment」の技術レポートを公開し、更に新モデル「o3」の開発中と発表しました(注：deliberative 「熟慮の」という意味)。

このブログでは、その技術要素に興味があったため「Deliberative Alignment」を一般的なLLMの学習プロセスである、事前学習、指示チューニング、選好チューニングを踏まえて解説しました。Deliberative Alignmentでは、プロンプトと推論過程、そして出力を組み合わせ学習データを作成し、教師あり学習と続いて強化学習を施すものです。その高い推論により「o1」や「o3」の高い推論能力と安全性が達成されます。

「Deliberative Alignment」の学習プロセス。最初に安全性基準(SPEC)を元にした学習データ(プロンプトと推論プロセス、出力)を生成し、教師あり学習を実施、最後にプロンプトを与えて出力結果のSPECへの適応度で強化学習します。（図は公式の解説サイトより引用)

後日談: OpenAIのその後のモデル展開

その後も、OpenAIは以下のように様々な新モデルをリリースし続けました。

「GPT-4.5」(2025年2月27日)
「o3 & o4-mini」(2025年4月16日)
「gpt-oss」(2025年8月5日)
「GPT-5」(2025年8月7日)
「gpt-oss-safeguard」(2025年10月29日)
「GPT-5.1」(2025年11月12日)
「GPT-5.2」(2025年12月11日)
「GPT Image 1.5」(2025年12月16日)

「gpt-oss」と「gpt-oss-safeguard」は、OpenAIの発表したオープンウェイトのモデルで、後者に関しては後のブログ記事で紹介します。

OpenAIは着実に新モデルをリリースしているかに見えますが、GPT-4.5は性能はともかく、高いAPIコストが話題となり(参考「【詳報】GPT-4.5の特徴は？　教師なし学習で性能向上、OpenAI史上最大サイズ、API利用は超高価」)、GPT-5では、旧モデルである「GPT-4o」との人格（？）の落差が激しく、「4o君を返してよ」という声が多く聞かれました(参考「わたしのChatGPT 4oを返して！　GPT-5登場で失われた旧AIの復活願う#keep4o運動を最新AIはこう分析する（CloseBox）」)。

その反省を踏まえて性格を矯正したGPT-5.1がリリースされましたが、追い討ちをかけるように11月18日にリリースされた「GoogleのGemini 3 Pro」の好調を受けて、緊急にGPT-5.2がリリースされると噂され(参考「OpenAI、次期モデル「GPT-5.2」を間もなく公開か」)、噂通りに12月11日にGPT-5.2が公開されました(参考「Introducing GPT 5.2」)。

更に、Nano Banana との対抗か、新しい画像生成AIである「GPT Image 1.5」もつい先日(12月16日)に登場しました。画像生成・編集機能が更に改善されたようです。

OpenAIのChatGPT、GoogleのGemini、そしてAnthropicのClaudeと所謂、AI御三家が激しい競争を繰り広げておますが、OpenAIのリードが徐々に縮まってきている印象です(これからどうなることやら)。

DeepSeek R1 and V3 〜OpenAI o1級のオープンモデルの作り方〜

2025年1月20日「DeepSeek R1」発表
2025年2月3日ブログ公開

DeepSeekが発表した「DeepSeek-R1」は、あのOpenAIのo1モデルを超える性能を持つだけではなく、学習のコストが非常に低く、更にオープンウェイトと当時大きな話題となりました。結果として、2025年1月末にNvidiaの株価が急落するなど社会的にも大きなインパクトを与えました。DeepSeekはR1の技術レポートを公開したので興味がありブログで解説しました。

DeepSeek-R1は6710億パラメーターの巨大な推論型の言語モデルであり、「DeepSeek-V3-Base」を特殊な手法でファインチューニングしたものです。同時期に発表された「DeepSeek-R1-Zero」は、数学やコーディングなどの問題を解く強化学習のみで学習されたモデルですが、DeepSeek-R1-Zeroは、それだけでもo1レベルの性能を達成しています。他にもDeepSeek-R1から知識蒸留した小型モデルも多数公開されました。R1の学習のフローはo1モデルと類似し、推論過程のデータをもとに多段階の教師あり学習と強化学習で性能を向上させています。

DeepSeek-V3, DeepSeek-R1-Zero, DeepSeek-R1などの大まかな関係図(論文の記述を元に作成)

後日談: DeepSeek-R1の論文、Natureに掲載

公開されていたDeepSeek-R1の技術レポートは、なんとあの三大科学誌の１つ「Nature」の論文として9月17日に出版されました。

DeepSeek R1の論文が掲載されたNatureの表紙。「SELF-HELP Reinforcement learning teaches AI model to improve itself」と題されており、DeepSeek-R1の成果がハイライトされたものとなっています。

掲載された論文は「DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning」というタイトルです。オープンアクセスになっているので、どなたでも読むことができます。

なんとあの「Nature」の論文として出版されました。タイトルは「DeepSeek-R1は強化学習を通じてLLMに推論を動機付けさせる」みたいな感じでしょうか。

Mercury CoderとLLaDA: 拡散言語モデルによる高速文章生成

2025年2月14日 Ant Group「LLaDA 8B」発表
2025年2月26日 Inception Labs「Mercury Coder」発表
2025年3月12日ブログ公開

一般的な言語モデルは自己回帰型で、文章の次の単語(Token)を一つずつ予測し文章を生成します。一方で「拡散言語モデル」という全く別の手法の研究も進められています。拡散言語モデルには、いくつか方式がありますが、Masked Diffusion Modelでは、ランダムにマスクされた単語を予測し文章を生成します。並列に複数の単語を同時生成でき、一文字づつの自己回帰型よりも高速な文章生成が可能です。

拡散言語モデルの利点は、自己回帰型の言語モデルにある「逆転の呪い」が軽減される点です。これは逆方向の推論が難しいという問題であり、例えば「トム・クルーズの母親はメアリー・リー・ファイファー」という関係を学習すれば「トム・クルーズの母親は？」には回答できますが、逆に「メアリー・リー・ファイファーの息子は？」には正しく回答できない問題です(The Reversal Curse: LLMs trained on “A is B” fail to learn “B is A”)。

Masked Diffusion Model の動作イメージ(LLaDAのレポジトリより引用)

Inception Labsが発表した「Mercury Coder」は、コード生成に特化した拡散言語モデルで、Webサービスとしてリリースされた初めてのもので興味を持ち紹介しました。また、同時期に発表されていたオープンな拡散言語モデルであるAnt Groupが発表していた「LLaDA」もローカルで実行してみました。

Mercury Coderではコードを作成して実行できます。「テトリス」を作ろうとしたのですが、うまくプレイできるものにはならず、性能に関してはまだまだ改善の余地がある印象でした。

Mercury Coderでテトリスを作成してみた例。とりあえず動作したのですが、どうも挙動が不安定でゲームオーバーとなりました。

後日談: 拡散言語モデルのその後の展開

その後も続々と拡散言語モデルが発表されております。Googleが技術デモとして「Gemini Diffusion」を発表、マルチモーダルへの拡張、Apple「DiffuCoder」、ByteDance「Seed Diffusion」など発表しております。ブログで紹介していたLLaDAも1000億パラメータのLLaDA2.0 Flashと、160億パラメータのLLaDA2.0 miniが、12月12日に発表されました。今後どうなることでしょうか。

主要な拡散言語モデルの発表例

「Gemini Diffusion」 (2025年5月20日)
「MMaDA Multimodal Large Diffusion Language Mode」 (2025年5月21日)
「FUDOKI」(2025年5月26日)
「Muddit」 (2025年5月29日)
「DiffuCoder」 (2025年6月25日)
「Seed Diffusion」(2025年7月31日)
「LLaDA2.0」(2025年12月12日)

拡散言語モデルのタイムライン(GitHub Awesome-DLMs より転載)

GPT-4oの中身(予想)とGlyph-ByT5〜文字の画像生成への挑戦〜

2025年3月25日 OpenAI「4o image generation」発表
2025年3月26日「BizGen(Glyph-ByT5-v3)」発表
2025年4月11日ブログ公開

今年は画像生成モデルの性能が大きく改善した年でした。これまでのモデルは少ない文字数のアルファベットならば生成可能でしたが、日本語の文字表現が非常に苦手でした。OpenAIの「GPT-4o image generation」は、日本語も含めた文字表現がこれまでにないほど改善されました。この記事では、公開情報等から4o image generationのモデル構造について考察、Stable Diffusion などの従来のモデルの文字表現について振り返りました。

また、オープンモデルで多言語の文字生成のために研究されていた「BizGen(Glyph-ByT5)」も紹介し、実際に試しました。このモデルは文字を表現のためのByT5エンコーダーとSDXLベースのモデルを組み合わせたもので、インフォグラフィックのような複雑な構造が生成可能です。ただし、個別の要素の座標の指定が必要で利用は難しいです。文字のクオリティは、一応は読めますが、失敗例も多く、実用にはまだまだ不足している印象でした。

Glyph-ByT5で日本語の文字を生成した例。何だか不安定な気持ちになる字形ですが、一応は読めます。

後日談: 複雑な文字表現(中国語)が可能な画像生成オープンモデルの発展(Qwen-Image, HunyuanImage 3.0, Z-Image)

Alibaba「Qwen-Image」(2025年8月4日)
Tencent「HunyuanImage 3.0」(2025年9月28日)
Alibaba「Z-Image」(2025年11月27日)

Alibabaの「Qwen-Image」は、ローカルで実行可能なオープンモデルで、文字表現も大きく改善されています。構造は200億パラメータの Multimodal Diffusion Transformer (MMDiT)を採用、flow matching を利用しています。これはStable Diffusion 3 と同等手法です。プロンプトのエンコーディングには Qwen2.5 VLを採用しております。

Tenscentの「HunyuanImage 3.0」は、Mixture of Experts (MoE)を採用した、Diffusion Transformerベースの画像生成モデルです。オープンウェイトでありますが、800億パラメータもの巨大モデルで、実行には4 x 80GB以上(推奨は4x80GB)のVRAMが必要です。流石に一般家庭にあるPCでは無理ですね、

HunyuanImage 3.0による文字表現の例。(図はHunyuanImage 3.0のGitHubより転載)

11月27日には、AlibabaのTongyi-MAIチームが、「Z-Image」を発表しました。これはScalable Single-Stream Diffusion Transformer (S3-DiT)という構造を持ち、テキストエンコーダーにはQwen3-4Bを使用、パラメータ数はQwen-Imageの200億に対して、Z-Imageは60億という小型モデルです。Z-Image-Base, Turbo, Editの３種類が開発されており、「Z-Image-Turbo」という高速版が先立って公開されました。Z-Image-Turboでは、画像生成の高速・高品質化のためにDecoupled-DMD(Distribution Matching Distillation)とDMDR(Distribution Matching Distillation meets Reinforcement Learning)という手法で追加学習され、16GのVRAMで動作します。１枚あたり数秒で高い文字表現力の画像が生成できます(参考：RTX 4090 の場合、1024×1024の解像度で約4秒)。

Z-Image-Turboによる文字表現の例。英語と中国語が表現可能で、僅か数秒でこのような画像が作れます

Z-Image-Turboによる日本語の文字表現。内容は不安定な部分もありますが、大分読めるレベルです

FramePack and FramePack-eichi 〜高速・省メモリなローカル動画生成AI〜

2025年4月17日「FramePack」発表
2025年4月21日「FramePack-eichi」発表
2025年5月2日ブログ公開

OpenAIのSoraやGoogleのVeoなど、動画生成AIに関しても近年関心と発展が著しい分野です。しかし、ローカルでの動画生成となると、非常に高い計算リソースと長い生成時間から手軽に試せるものがありませんでした。Illyasviel氏が開発した「FramePack」は、省メモリで高速で、長時間動画が生成可能なモデルとして注目されました。

FramePackでは、過去の入力画像を順次圧縮しメモリを効率化、更に、最後のフレームを先に生成し、時間方向を逆に生成し生成動画の品質を向上させるなど、いくつかの工夫がなされています。

「FramePack-eichi」はFramePackの現地改修仕様です。eichiでは、最初と最後のフレームの画像の間を補完し、より意図した通りの動画が制作可能です。名前の由来は公式GitHubのREADMEによると以下の通りです。

Endframe Image CHain Interface (EICHI)
Endframe: エンドフレーム機能の強化と最適化
Image: キーフレーム画像処理の改善と視覚的フィードバック
CHain: 複数のキーフレーム間の連携と関係性の強化
Interface: 直感的なユーザー体験とUI/UXの向上
「eichi」は日本語の「叡智」（深い知恵、英知）を連想させる言葉でもあり、AI技術の進化と人間の創造性を組み合わせるという本プロジェクトの哲学を象徴しています。つまり叡智な差分画像から動画を作成することに特化した現地改修仕様です。

実に、熱い熱量を感じさせてくれます。

ブログでは、FramePackとFramePack-eichiを使って動画を生成し遊んでみました。ローカルのRTX 4090環境で、１フレームあたり約2.5秒、全体で５秒の動画の生成には数分かかりますが、手軽に試せる点が良いですね。

FramePackで動画を作ってみた

後日談: FramePack-F1とFramePack-P1、そしてFramePack-eichiの消失？

また、Illyasviel氏は、5月3日には、未来方向へのフレーム生成をする「FramePack-F1」を公開、6月26には、改良版である「FramePack-P1」も発表しています。ただ、P1の詳細は未公開です。

FramePack-eichiの開発も継続され、FramePack-F1の技術を取り入れた「お壱」などのも追加されました。更に海外からの協力により多言語対応も進みました。何とも熱い展開ではないでしょうか？READMEにも以下のように書かれています。

「eichi」は日本語の「叡智」（深い知恵、英知）を連想させる言葉でもあり、AI技術の進化と人間の創造性を組み合わせるという本プロジェクトの哲学を象徴しています。つまり叡智な差分画像から動画を作成することに特化した現地ワールドワイド改修仕様です。叡智が海を越えた！

と、大いに盛り上がっていたのですが、終わりは突然やってきました。

現在では、フォークされたレポジトリからしか当時の熱狂を知ることができません。寂しいものですね。

2025年9月末にFramePack-eichはリポジトリごと削除されてしまいました(参照「Framepack eichiの消失？について」)。

BAGEL: ByteDanceの画像生成・編集も可能なマルチモーダル統合オープン生成AI

2025年5月20日 ByteDance 「BAGEL」発表
2025年6月10日ブログ公開

「BAGEL」はByteDanceが公開したマルチモーダル統合型の生成AIです。画像やテキストという複数のモダリティを統合して処理、LLMの知識を利用した画像生成や編集が可能です。BAGELは更に、Thinkingモードが搭載され、長考により高度な推論や生成が可能です。

BAGELのモデル構造。意味理解のためのTransformerブロック(Und. Expert)とテキスト・画像生成のためのブロック(Gen. Expert)からなります(図はBAGELの論文より引用)

ブログでは、公開されたBAGELモデルを使って、実際に画像生成や編集を試してみました。BAGELは量子化なしの場合、32GB以上のVRAMが必要ですが、量子化すると12GB以上のVRAMで動作可能です。

BAGELによる画像編集の例。半分食べてカフェのテーブルに移動と指示したところ、Thinkingモードの方がより意図した画像が生成されました。

後日談: HyperBagelの発表

ByteDanceは、9月23日に「Hyper-Bagel」を発表しました。生成が大幅に高速化されているそうですが、技術仕様のみでモデルは未公開となっております。

OpenAIのGPT Image 1 APIで入力画像に高い忠実度(high input fidelity)の画像生成を試してみた

2025年4月23日 OpenAI 「gpt-image-1 API」発表
2025年7月17日 OpenAI 「high fidelity mode」の提供開始
2025年7月23日ブログ公開

OpenAIは、文字表現などが強化された画像生成機能を「gpt-image-1」としてAPI提供を4月下旬に開始しました。これを更に入力画像への忠実度を高める「high fidelity mode」を7月中旬に追加しました。このAPIの利用には免許証などの身分証とWebカメラで顔認証による本人確認が追加で必要となります。

ブログではhigh fidelity modeによる画像生成・編集を試して、Black Forest LabsのFLUX.1 KontextやGemini(当時はImagen 4)と比較しました。入力したアイテムや人物などの特徴をどの程度忠実に再現できるかを比較したところ、GPT Image 1のhigh fidelity modeは非常に高い忠実度で再現できました。

オリジナルの画像(左上)を夏の風景に修正した例。GPT Image 1 (右上)は非常に高い忠実度で再現できているが、FLUX. 1 Kontext (左下)は、背景を差し替えて服の色が変わっただけ、Gemini (右下)は人物の再現性が低い。

後日談: Nano BananaとFLUX.2の発表

当時、Gemini (Imagen 4)は、OpenAIのGPT Image 1と比較して忠実度が低い印象でしたが、その後のアップデート(Nano Banana/Nano Banana Pro)で大きく改善されました。また、Black Forest Labsも、2025年11月26日には、「FLUX.2」を発表してモデルの改良を進めています。

LangExtract: Gemini駆動でテキストからデータ抽出できるGoogleのPythonライブラリ

2025年7月30日 Google 「LangExtract」発表
2025年8月12日ブログ公開

「LangExtract」は、Googleが公開したLLMを利用した非構造化データから情報抽出するPythonライブラリです。データ分析業務では常に綺麗な構造化データがあると限らず、その場合、非構造化データからの情報抽出が必要です(面倒で辛い作業です)。LangExtractは、その種のタスクを簡単に実行できるように設計されています。

LangExtractでは、プロンプトでタスク定義、抽出したいデータの構造を例示してます。結果は構造化された形式とテキストの何処から抽出されたのかが可視化されます。ブログでは、ニュース記事からの経済指標の数値などの情報抽出や長い売上レポートからの、月次の売上数字の抽出などを試してみました。

Nano Banana: Gemini 2.5 Flash Image(とQwen-Image-Edit)で画像生成・編集を試してみた

2025年8月19日 Alibaba 「Qwen-Image-Edit」発表
2025年8月26日 Google 「Nano Banana」発表
2025年9月1日ブログ公開

さて、OpenAIのGPT Image 1 APIの高い忠実度の実験の際、Geminiの性能は今ひとつという印象を持ちました。しかし、Googleの新たに発表した「Gemini 2.5 Flash Image(通称Nano Banana)」で性能は大きく改善されました。また、同時期に、Qwen-Imageを画像編集用に改良した「Qwen-Image-Edit」も発表されています。この記事ではこれらの画像生成・編集モデルを実際に試してみました。

新しいNano Bananaでは、人物の再現性が高いだけではなく、手元のアイテムや服装などがGPT Image 1より工夫が凝らされた画像が生成されました。一方で、Qwen-Image-Editは人物や手前のアイテムはそのままに背景のみの編集となっています。

後日談: Qwen-Image-Edit-2509とNano Banana Proの発表

Nano Bananaについては、すぐに紹介するようにGemini 3 Proに組み込まれた「Nano Banana Pro」が登場し、更に、画像生成・編集の自由度や表現性、品質が向上しました。また、Qwen-Image-Editを複数の画像入力などに対応した「Qwen-Image-Edit-2509」が9月23日に公開されました。

Gemini CLI extensionsでNano Bananaを使ってみた〜バイブコーディングな画像生成・編集〜

2025年6月25日 Google 「Gemini CLI」発表
2025年10月8日 Google 「Gemini CLI extensions」発表
2025年10月14日ブログ公開

さて、昨今、AIエージェントの開発が盛んになっています。Googleも「Gemini CLI」というオープンソースのAIエージェントフレームワークを6月に発表しました。その追加機能として、10月に「Gemini CLI extensions」が発表されました。これはMCPサーバーとカスタムコマンドとそのコンテキストファイルなどの技術要素からなるもので、AtlassianやFigmaなどの複数のパートナー企業がextensionsを公開しております。

このブログでは、Gemini CLIを利用したデータ分析環境の構築とEDAのデモ、また、Nano Banana extensionを利用した画像生成・編集のデモを紹介しました。

$ gemini
███ █████████ ██████████ ██████ ██████ █████ ██████ █████ █████
░░░███ ███░░░░░███░░███░░░░░█░░██████ ██████ ░░███ ░░██████ ░░███ ░░███
░░░███ ███ ░░░ ░███ █ ░ ░███░█████░███ ░███ ░███░███ ░███ ░███
░░░███ ░███ ░██████ ░███░░███ ░███ ░███ ░███░░███░███ ░███
███░ ░███ █████ ░███░░█ ░███ ░░░ ░███ ░███ ░███ ░░██████ ░███
███░ ░░███ ░░███ ░███ ░ █ ░███ ░███ ░███ ░███ ░░█████ ░███
███░ ░░█████████ ██████████ █████ █████ █████ █████ ░░█████ █████
░░░ ░░░░░░░░░ ░░░░░░░░░░ ░░░░░ ░░░░░ ░░░░░ ░░░░░ ░░░░░ ░░░░░
Tips for getting started:
Ask questions, edit files, or run commands.
Be specific for the best results.
/help for more information.
Using: 2 open files (ctrl+g to view) | 1 GEMINI.md file | 1 MCP server (ctrl+t to view)

＞ いいかんじのコアラのアイコンを作成してください
✓ generate_icon (nanobanana MCP Server) {"style":"modern","prompt":"A cute and friendly koala","background":"transparent","sizes":[16,32…
Successfully generated 6 image variation(s)
Generated files:
/Users/TI/Documents/gemini-cli-eda-demo/nanobanana-output/a_cute_and_friendly_koala_modern.png
/Users/TI/Documents/gemini-cli-eda-demo/nanobanana-output/a_cute_and_friendly_koala_modern_1.png
/Users/TI/Documents/gemini-cli-eda-demo/nanobanana-output/a_cute_and_friendly_koala_modern_2.png
/Users/TI/Documents/gemini-cli-eda-demo/nanobanana-output/a_cute_and_friendly_koala_modern_3.png
/Users/TI/Documents/gemini-cli-eda-demo/nanobanana-output/a_cute_and_friendly_koala_modern_4.png
/Users/TI/Documents/gemini-cli-eda-demo/nanobanana-output/a_cute_and_friendly_koala_modern_5.png
✦ コアラのアイコンを6種類作成しました。ファイルは nanobanana-output ディレクトリに保存されています。

このようにGemini CLIで自然に対話しながらNano Bananaで画像を生成してくれます

また、定義されているカスタムコマンドの/generateや/editコマンドなどをを使ってより詳細に画像生成・編集の指示も可能です。

gpt-oss-safeguard: OpenAIのポリシーベースのテキスト分類専用の推論型オープンモデル

2025年8月5日 OpenAI 「gpt-oss」発表
2025年10月29日 OpenAI「gpt-oss-safeguard」発表
2025年11月5日ブログ公開

OpenAIは、8月に「gpt-oss」というオープンウェイトモデルを公開しました。これはgpt-oss-120bとgpt-oss-20bの２つのモデルからなり、後者の小型モデルであれば16GBのVRAMで動作します。性能は、前者はOpenAIのo4-mini、後者はo3-miniと同等の性能を持つとされています。Apache 2.0ライセンスでウェイトが公開されており、ファインチューニングも可能です。「gpt-oss-safeguard」は、gpt-ossモデルをベースとしてOpenAIのポリシーベースのテキスト分類タスクに特化した推論型オープンモデルです。

gps-oss-safeguardでは、システムプロンプトとしてポリシーを与えてコンテンツの内容をChain-of-Thoughtで考察し判断してくれます。(図は公式ブログより引用)

このブログでは、LM Studioを利用してgpt-oss-safeguardの利用方法とECサイトへの問い合わせを分類する例などを紹介しました。

gpt-oss-safeguard で顧客問い合わせの分類タスクを実行してみた例。システムプロンプトで緊急対応が必要なケースと通常対応可能なケースの指定などを行い、判断理由とともに回答するように指示を与えています。

Nano Banana Pro (Gemini 3 Pro Image)で画像生成・編集をやってみた

2025年11月20日 Google 「Nano Banana Pro」発表
2025年11月25日ブログ公開

さて、すでに紹介したNano Bananaの時点で画像生成・編集機能の高さは圧倒的に感じておりましたが、更にGoogleではGemini 3 Proに組み込まれた「Nano Banana Pro」を発表しました。Gemini 3 Proの推論能力を活かして、より熟考し画像を生成・編集します。元のNano Bananaよりも更に表現力豊かな画像が生成可能です。

Nano Banana (Gemini 2.5 Flash Image)とNano Banana Pro (Gemini 3 Pro Image)の比較。Nano Banana Proでは人物はそのままで配置や全体の風景などがより表現豊かに修正されました。

ブログでは、Nano Banana ProをPythonからGemini APIやGoogle AI Studioを利用し、画像を編集する例を紹介しました。Nano Banana Pro では、4Kまでの高解像度の画像や最大14枚までの画像入力が可能です。入力画像のうちで人物なら５名まで、アイテムなら６個まで一貫性を保って生成できます。

このように５名の人物の画像をもとに、服装を適切なものに修正してオフィスでの会議の様子を生成した例。

また、Google検索と連動させリアルタイム情報を反映した画像生成も可能です。

Google検索と連動しリアルタイムの天気情報を反映したインフォグラフィックの作成も可能で日本語の文字も上手に描写可能です。

後日談：ブログのアクセス数が、とてつもない量となりました

Nano Banana Pro の画像生成能力の高さから様々な界隈で話題となっている上に、ブログ公開が Nano Banana Proの登場直後ということもあり、この記事のアクセス数がこれまでに見たことがないレベルで増えました(具体的な件数は秘密ですが)。恐るべしはNano Banana Proですね。

12月12日時点までのブログの記事別アクセス数。Nano Banana Proの記事が最も期間が短いもののGoogle Discoverからの流入もありトップです。２番目のLangExtractは「はてな」からのアクセスで伸びました。

まとめ

なんだかんだと、今年一年も所謂生成AIに振り回された感がありますね。画像生成に関しては、予想以上の発展を遂げました。文字表現の強化やLLMとの統合されたマルチモーダル化による生成画像の品質の向上、そして、GPT Image 1やNano Banana(Pro)のような一貫性の高い画像生成・編集モデルの登場など、非常に興味深い一年でした。

ブログの著者欄

T.I.

GMOインターネットグループ株式会社

GMOインターネットグループ・グループ研究開発本部・AI研究開発室。シニアデータサイエンティスト兼アーキテクト。金融やネット広告、生命科学といった幅広いデータ解析業務に関わる。

ブログ記事一覧へ

採用情報

KEYWORD

CATEGORY