2026年4月後半！最新LLMが発表されすぎたので一回全部ココで整理したいぞって話。

ちょっと多すぎるんじゃないかな？
一日一個では間に合わないんだ。

だから赤キャベツを刻みながら、この記事を書くんだ。

1. はじめに

4月後半に発表されたLLMは多い。
ClaudeOpus4.7にGPT5.5。ここらへんはもう、まとめる必要ないくらいに情報が有り余ってる。で、抜け落ちてるけど発表されたやつもあるんです。
それが下記の7つ。他にもあるけど、主要なところと気になってたやつ。

対象モデルの戦略的分類

1. MiMo-V2.5-Pro (Xiaomi): エージェント業務および長文読解に最適化された1兆パラメータ規模のMoEモデル。

2. DeepSeek-V4-Pro (deepseek-ai): 1.6兆パラメータを誇る最高峰の汎用推論モデル。高効率な長文コンテキスト処理と高度な推論モードを実装。

3. LLaDA2.0-Uni (inclusionAI): 拡散LLM（dLLM）を採用。理解と生成を単一モデルで完結させる革新的なマルチモーダルモデル。

4. Mistral-Medium-3.5-128B (mistralai): 128Bの密（Dense）モデル。推論・コーディング・多言語対応を統合したフラッグシップ。

5. Nemotron-3-Nano-Omni-30B-A3B (nvidia): Mamba2とTransformerのハイブリッドMoE。企業向けマルチモーダル（ビデオ/音声/画像/テキスト）タスクに特化。

6. Laguna-XS.2 (poolside): コーディング・エージェントに特化したMoE。ローカルマシンでの高精度な開発支援を志向。

7. talkie-1930-13b-it (talkie-lm): 1931年以前のテキストで学習。歴史的・文化的文脈の再現に特化した「ヴィンテージ」モデル。

これらのモデルは、その設計思想により
「汎用・超大規模推論」
「コーディング・エージェント」
「マルチモーダル（Omni）」
「特定ドメイン研究」
の4カテゴリーに分かれます。

2. 主要7モデル性能とアーキテクチャ解析

アーキテクチャと戦略的意義の詳細

MiMo-V2.5-Pro: エージェント・スピードの革新

• 仕様: 総パラメータ1.02T / アクティブ42B。

• 技術的核: 滑り窓アテンション（SWA）とグローバル・アテンション（GA）を6:1の比率で組み合わせ、KVキャッシュ容量を約7倍削減。さらに3層のMulti-Token Prediction（MTP）モジュールをネイティブ統合し、推論速度を従来の3倍に向上。

• ビジネスインパクト: リアルタイム性が求められる高度な自律型エージェントや、数千のツール呼び出しを伴うソフトウェア開発タスクにおいて、圧倒的な速度優位性を担保。

DeepSeek-V4-Pro: 知能の最大化と低FLOPsの両立

• 仕様: 総パラメータ1.6T / アクティブ49B。

• 技術的核: 圧縮疎アテンション（CSA）と高度圧縮アテンション（HCA）のハイブリッド。1Mコンテキスト環境における推論FLOPsをDeepSeek-V3.2比で27%まで削減。多様体制約付きハイパーコネクション（mHC）による信号伝達の安定化を達成。

• 戦略的デプロイ: MoE専門家パラメータにFP4精度、その他にFP8精度を適用する混合精度戦略（FP4 + FP8 Mixed）により、1.6T規模の知能を実用的なコストで提供。

LLaDA2.0-Uni: 生成と理解の統合

• 仕様: 16B MoE (アクティブ1B)。

• 技術的核: SigLIP-VQを用いた離散セマンティックトークナイザーと拡散デコーダーの採用。SPRINT技術によるKVキャッシュの再利用と適応的なアンマスキングで推論を加速。

• 運用上の制約: アクティブパラメータは1Bであるものの、推論時には全16Bのパラメータをメモリにロードする必要（約32GB〜47GB）があり、エッジデプロイ時にはこのメモリ要件がボトルネック。

Mistral-Medium-3.5-128B: 汎用密モデルの頂点

• 仕様: 128B 密モデル。256kコンテキスト。

• 技術的核: 推論努力（Reasoning Effort）をリクエスト単位で調整可能（'none' または 'high'）。EAGLEモデルによるローカル推論の高速化をサポート。

• 戦略的実装: APIコストと latency を、タスクの難易度に応じて動的に管理できる点が最大の強み。

Nemotron-3-Nano-Omni: 視覚と聴覚を統合

• 仕様: 31B / アクティブ3BのMoE（Mamba2-Transformerハイブリッド）。

• 技術的核: CRADIO v4-H ビジョンエンコーダーと Parakeet 音声エンコーダーを搭載。ビデオ（最大2分）、音声（最大1時間）を直接理解。

• 戦略的ユースケース: DoorDashでのドロップオフ検証（OCR）、メディアの動画検索、契約書PDFのMarkdown変換など、エンタープライズ特有の非構造化データ処理において高い実用性を示します。

Laguna-XS.2: ローカル開発のパワーハウス

• 仕様: 33B / アクティブ3BのMoE。131kコンテキスト。

• 技術的核: シグモイド・ゲーティングと層ごとのロータリー・スケールを採用。SWAとGAを3:1で構成。

• 展開性: 36GB RAMを搭載したMac等のローカル環境で動作。機密性の高いコードベースを扱うエンジニアにとって、プライバシーと性能を両立する戦略的選択肢。

talkie-1930-13b-it: 歴史的知見のデジタル復元

• 仕様: 13B 密モデル。260Bトークンの1931年以前のテキストで学習。

• 特異性: 現代の価値観にフィルタリングされる前のエチケットマニュアルや百科事典をインストラクションデータとして利用。歴史研究や文化的シミュレーションに独自の価値を提供。

3. ベンチマーク結果に基づく性能比較分析

モデルの性能は単一の指標ではなく、知識、数学、コーディング、および長文コンテキスト保持の多角的視点から評価されるべき。

1. 一般知識・推論 (MMLU, BBH)

DeepSeek-V4-Pro BaseはMMLU 90.1を記録し、MiMo-V2.5-Pro Base（89.4）を僅かに上回ります。一方、特定の推論タスク（BBH）ではKimi-K2 Baseが88.7とMiMo（88.4）やDeepSeek（87.5）を上回るケースが見られ、汎用知能における激しい上位争いが鮮明に。

2. コーディング・エージェント能力 (SWE-bench)

Mistral Medium 3.5はSWE-bench Verifiedで77.6%という卓越したスコアを達成。一方、Laguna-XS.2は、総パラメータ33Bかつアクティブ3Bという極めて軽量な設計ながら、同ベンチマークで68.2%を記録。さらに多言語対応（62.4%）、Pro（44.5%）と、特化型モデルとしての実力を示しています。

3. 数学的推論 (GSM8K, MATH)

この領域ではMiMo-V2.5-Proの優位性が顕著。GSM8K 99.6、MATH 86.2という数値は、DeepSeek-V4-Pro Base（GSM8K 92.6、MATH 64.5）を圧倒しており、数理モデル構築や厳密な計算を伴うエージェント業務において、MiMoが決定的な選択肢となることを示唆。

4. 長文コンテキスト処理と保持能力

1Mトークン環境において、DeepSeek-V4-Pro-MaxはMRCR（情報保持能力）で83.5を記録し、Gemini-3.1-Pro（76.3）を大きく引き離しています。MiMo-V2.5-ProもGraphWalksにおいて1Mトークン時のスコアを劇的に改善（BFS 0.37 / Parents 0.62）しており、過去モデルで露呈した1M環境での崩壊を克服。

戦略的インプリメンテーション：精度 vs コスト

DeepSeek-V4-Proは、1.6Tの総知識量を持ちながら、アクティブ49BとFP4/FP8混合精度の採用により、最高峰の推論性能をコスト効率よく提供。

対照的に、Laguna-XS.2はアクティブ3Bの極小リソースで、特定領域において大規模モデルに匹敵する「エージェントの鋭さ」を実現しており、目的が明確なタスク（コーディング支援など）では、小規模特化型モデルがROI（投資対効果）において優位に立つ可能性があります。

4. 結論：技術的知見の総括とモデル選定のガイドライン

分析した7モデルは、今後のAI戦略の核心が「汎用知能の巨大化」と「エッジ・ドメイン特化の深化」の二極化にある。開発者は以下のガイドラインに基づき、プロジェクトの制約条件に応じた技術選定を行うべき。

最終選定マトリクス

ニーズ（ユースケース）　推奨モデル　主要な制約・考慮事項

最高峰の汎用推論・知識　DeepSeek-V4-Pro　運用にはFP4/FP8対応のインフラが必要
高度な数学的推論・長文解析　MiMo-V2.5-Pro　KVキャッシュ7倍削減の恩恵を受けるSWA設定
ローカル・セキュアな開発支援　Laguna-XS.2　最小36GB RAM（Mac等）で動作。Apache 2.0
マルチモーダル・業務自動化　Nemotron-3-Nano-Omni　Englishのみ対応。vLLM 0.20.0以降を推奨
コストと精度の動的制御　Mistral Medium 3.5　密モデルのため、MoEより推論FLOPsが高くなる可能性
理解と生成の統合・研究　LLaDA2.0-Uni　推論時に16B全ロード必須（〜47GB VRAM）
歴史・文化コンテキスト再現　talkie-1930-13b-it　現代の事実に関する知識は限定的

技術選定における戦略的決定

精度、コスト、展開性のトレードオフにおいて、1つ確実なのは「単一のモデルがすべてを解決する時代は終わった」ということ。

• 大規模汎用推論を求める場合: DeepSeek-V4-Proの「Think Max」モードの活用を検討。

• ビデオや音声を含む企業内資産の活用を求める場合: Nemotron-3-Nano-Omniをベースに、OCRやドキュメント知能のパイプラインを構築。

• 開発効率の最大化を求める場合: Laguna-XS.2をローカルにデプロイし、プライバシー保護しつつ自律型コーディング環境を構築することを推奨。

感想

うーん、課金で使えるGPT5.5が強すぎる。
更にClaudeは2倍に値上げしたようなもの、許せない

そんな中で中国勢の性能アップは凄く魅力的。
ローカルで上手くお金を節約したいところだけど、結局開発だけを考えるならばクラウドLLMを契約して使うのが一番早いし、投資対効果も高い。

こっちは5円安い赤キャベツ95円の為に、一駅分歩いて足が痛いのに。
世の中はサブスクを使うように動き続けている。

3ヶ月半分のマリネ（発酵待てないから塩＋粒マスタード＋酢）をぎゅうぎゅうにタッパに詰め込んで、私は今日も悲鳴をあげるミニPCで遊ぶんだ。

急募：節約料理！
noteでキーワード節約で読み漁っています。
本当はローカル関係の記事のほうが読みたい。