画像と文章を読みAIエージェント向けに重みを公開したモデル「Inkling 2 Small」を解説

「重みが無償で公開された大きなモデルなら、自社のサーバーで動かせば情報が外に出ず安心なのではないか」「いや、そんな大きな機材は用意できないから、どこかの事業者の窓口から使うしかない」——生成AIの社内活用を任された情報システム部門と、契約を確かめる法務部門の打ち合わせで、よく行き来する声です。2026年11月、米国の Thinking Machines Lab が、画像と文章を読み取り、AIエージェントによる道具の操作を強く意識した大規模なモデル Inkling 2 Small の重みを、Hugging Face で公開しました。ただし、問われているのは、このモデルが強いかどうかではありません。本当は、どこで動かし、データがどこを通り、誰がどの規約に責任を持つかを、使う前に決められるかです。この記事では、Inkling 2 Small がどのようなモデルか、公開情報から確かめられる事実、当ラインの安全性の精査結果、そして企業が備えるべきことを、守りの立場から整理します。
カメ先生重みが公開されたモデルは、手元で動かせば何でも自由で安全だと思われがちなんだけど、本当は、動かす場所を選んだ瞬間に、守る責任の持ち主が決まるということなんだ。
カメ子自社で動かせば自社の責任、事業者の窓口を使えば事業者との契約の問題になる、ということですか。
カメ先生そう。しかもこのモデルは道具を操作するエージェント向けだから、モデルの外側で、何を操作させてよいかを決める仕組みも要る。モデルの性能表には、その答えは書いていないんだよ。
カメ子性能の数字より先に、動かす場所と、任せる範囲を決める必要があるんですね。
- Inkling 2 Small は Thinking Machines Lab が2026年11月に重みを公開した、画像と文章を読んで文章を出すモデル。総パラメータ5940億・1語ごとに使うのは170億の構成で、重みは Apache-2.0 で公開されている
- 公式の公開場所で、重みは安全性の高い保存形式のみ、独自のプログラムの同梱もないため、当ラインでは「紹介可」と判定した。ただし安全の保証ではない
- 企業の論点は、自社で動かすか外部の事業者を使うかの判断、データの行き先、利用規約への対応、エージェントに持たせる権限。性能値は提供元の自己申告として読み、AIに判断させず人が確認する範囲を先に決める
あなたのWebサイトは、AIによる攻撃に耐えられますか?
AIを活用してWebサイト・Webサービスの脆弱性を診断し、発見した問題と推奨する修正方法をご報告します。
Inkling 2 Smallとは何か。2026年11月時点で確かめられる事実
Inkling 2 Small は、米国のAI企業 Thinking Machines Lab が開発した、文章と画像を読み取り、文章を出力する汎用のモデルです。提供元の発表は2026年11月5日付で、当初は提供元のサービス(Tinker)の中だけで、重みを公開しない形で提供されました。発表には「重みは翌週に Apache-2.0 で公開する予定」と書かれており、11月12日の追記で、Hugging Face(AIモデルの公開・共有サイト)から重みを取得できるようになったこと、複数の推論事業者や道具から使えるようになったことが告げられています。
当ラインの精査で確認した Hugging Face 上の記録では、公開場所の作成日は2026年11月4日、最終更新日は11月12日です。確認時点で「いいね」は90前後、直近のダウンロード数は12でした。利用の前に申請や同意を求める制限(ゲート)は付いていません。モデルカード(モデルの説明書きにあたるページ)によると、想定する利用者は、エージェントや道具を使う仕組み、プログラミングの支援、対話型の窓口、社内文書の検索と組み合わせた回答(検索拡張生成)などを作る開発者です。主な言語は英語で、ほかの言語にも一般的に対応すると説明されています。
本記事では、Inkling 2 Small を「モデル」と呼びます。重みのライセンスはオープンソースの定義を満たす種類の Apache-2.0 ですが、主題は学習済みの重みであり、ソフトウェアそのものではないためです。日本語での詳しい解説は、確認した範囲ではまだ少ないとみられます。なお、本記事に出てくる性能や仕様の数字は、とくに断りがない限り提供元による説明で、当ラインでは検証していません。
なぜ今、米国発の大規模な公開重みモデルが企業の議題になるのか
これまで、重みを公開した大規模なモデルの多くは、中国の企業や研究機関によるものでした。報道の中には、Inkling 2 Small を米国発の新しい選択肢として扱うものもあります。提供元が米国の企業であることは、調達や社内審査で「どの国の企業のモデルか」を気にする企業にとって、検討の入口を広げる材料になるかもしれません。ただし、提供元の国籍は、安全性やデータの扱いを保証するものではありません。どこで動かし、誰がデータを扱うかは、別に確かめる必要があります。
もう一つの理由は、このモデルが最初からエージェント向けを掲げていることです。提供元の発表は、長時間にわたるプログラミングやエージェントの作業、画像の理解、知識労働、利用者による調整(追加学習)を、このモデルの得意分野として挙げています。エージェントとは、AIが自分で道具を選び、ファイルの読み書きや外部のサービスの呼び出しを続けて行う仕組みのことです。文章を返すだけのAIより、間違えたときの影響が社内の業務やシステムに直接及びやすいのが特徴です。
さらに、重みが公開されたことで、使い方の選択肢が一気に増えました。提供元のサービス、複数の推論事業者の窓口、自社の機材での運用、さらに自社のデータでの追加学習まで、同じモデルを別々の経路で使えるようになります。選択肢が増えるほど、社内のあちこちで別々の経路から使われ始め、誰がどこで何を使っているか把握できなくなるおそれも高まります。今のうちに社内の扱いを決めておく価値があるのは、このためです。
仕組みの概要:5940億のうち170億だけを使う構成と、画像の読み取り
モデルカードによると、Inkling 2 Small は48層の構成で、専門家混合(MoE)と呼ばれる方式を採っています。内部に384個の「専門家」と呼ばれる部品を持ち、1語を処理するたびに、そのうち8個だけを選んで使う仕組みです。このため、総パラメータ(モデルの中の調整された数値の総数)は5940億と非常に大きい一方、1語ごとに実際に計算に使うのは170億にとどまります。全体を常に使う方式に比べ、同じ規模でも処理の負担を抑えやすいとされる方式です。
画像は、画像専用の読み取り部品で数値に変換したうえで、文章と同じ場所に投影し、まとめて処理すると説明されています。入力は文章と画像、出力は文章のみで、音声には対応していません。扱える文章の長さ(文脈の長さ)は最大100万トークン(文章を区切った単位)とされています。ただし、提供元のサービスの学習用の料金表では、このモデルの扱える長さが約6.5万トークンと約26万トークンの2種類で掲載されており、使う経路によって、実際に扱える長さが異なる可能性があります。長い文書を読ませる用途を考えている場合は、経路ごとに確かめる必要があります。
学習用のデータについては、公開されたインターネット上の情報、第三者から取得したもの、社内で作ったもの、人工的に作ったものを含むとされ、重複の除去や低品質なデータの除外、安全上の目的での選別を行ったと書かれています。どのデータがどれだけ使われたかの詳細は、モデルカードの範囲では示されていません。提供元は学習データの説明の資料へのリンクを載せていますが、学習データの中身を利用者が確かめる手段は限られる点は、ほかの多くのモデルと同じです。
エージェントと道具の利用を前提にした設計と、その限界
提供元の発表によると、Inkling 2 Small は、長い時間をかけて進めるプログラミングやエージェントの作業、そして MCP(AIが外部の道具やデータにつながるための共通の取り決め)を通じた道具の呼び出しを、強化学習(試行と評価を繰り返して学ばせる方法)で鍛えたとされています。モデルカードの評価表にも、道具の呼び出しやブラウザでの調べもの、表計算や会計、法務といった業務の作業を模した評価が多く並んでいます。
一方で、提供元自身が弱点も書いています。発表には、このモデルが作業に最適な道具をいつも選べるわけではないこと、とくに多数の手順書(スキル)を抱えた開発環境でその傾向があることが記されています。また、モデルの価値観や振る舞いを確かめる評価では、重みを公開していない最新のモデルに及ばないとも書かれています。提供元が弱点を明記していることは、使う側が統制を外側で用意すべきだという合図と受け止めるのが妥当です。
モデルカードの「偏り・リスク・限界」の節は、もっともらしい誤り(ハルシネーション)、指示に正確に従えないことがあること、長い対話で性能が落ちること、学習時点以降の出来事を知らないことを挙げています。エージェントでは、こうした誤りが文章の中にとどまらず、ファイルの書き換えや外部への送信といった操作として現れうる点に注意が必要です。
ベンチマークは提供元の自己申告として読む
モデルカードには、他社の公開重みモデルや重み非公開のモデルと並べた、非常に多くの評価(ベンチマーク)の結果が載っています。プログラミング、調べもの、画像の読み取り、金融や法務の業務、長い文書の理解、安全性の評価など、幅広い項目です。たとえば、外部の評価機関の総合指標で30.6、MCP を通じた道具の利用を測る評価で85.4といった数字が示されています。
ただし、これらの数字は提供元が自ら公表したもので、当ラインでは検証していません。モデルカードは、一部の評価で使った測り方の道具の名前を示していますが、すべての評価の条件までは書いていません。また、同じ評価でも、道具を使わせるかどうかや、長い記録を要約しながら進めるかどうかで、数字が大きく変わる項目があることも、表の中で示されています。比べる相手のモデルの数字が、どの条件で測られたかも、表だけでは分かりません。
企業が数字を使うときは、自社の業務に近い作業で、自社のデータを使って試した結果で判断することが基本です。モデルカードも、利用者に対し、自社の用途・言語・利用者層に合わせて性能や安全性、公平さを自ら評価するよう勧めています。表の数字は、検討の候補に入れるかどうかの目安にとどめ、採用の根拠にはしないのが安全です。とくに日本語の業務で使う場合、主な言語が英語とされている点を踏まえ、日本語での精度は自社で確かめる必要があります。
自社で動かすか、外部の推論事業者を使うかを比べる
モデルカードは、このモデルを使う経路として、提供元のサービス、複数の推論事業者(NVIDIA、Fireworks、Together、Baseten、Nebius、Modal、Cloudflare)、自社の機材での運用(SGLang、vLLM、TokenSpeed、Unsloth などの実行環境)を挙げています。自社で動かす場合の機材の目安は、推奨の NVFP4 形式で合計500ギガバイト以上の画像処理装置(GPU)の記憶領域、たとえば B300 を2基か H200 を4基とされています。別の MXFP8 形式では800ギガバイト以上が必要です。
| 比べる観点 | 自社の機材で動かす | 外部の推論事業者や提供元のサービスを使う |
|---|---|---|
| データの行き先 | 自社の管理下にとどめやすい | 事業者の環境を通る。保存の有無や期間は事業者ごとの契約で確かめる |
| 初期の負担 | 大きい。高価な機材と運用の人員が要る | 小さい。使った分の料金で始められる |
| 安全対策の責任 | 入力と出力の監視、利用の制限、更新の管理をすべて自社で担う | 事業者の対策に一部頼れるが、何をしてくれるかは事業者ごとに異なる |
| 版の固定 | 確かめた重みを固定しやすい | 事業者側でモデルの版や設定が変わる可能性がある |
| 利用規約 | 提供元の規約が及ぶとされる。自社で順守を管理する | 提供元の規約に加え、事業者の規約も重なる |
| 向いている場面 | 機密性の高いデータを大量に扱い、運用の体制がある場合 | まず試したい場合、利用量が読めない場合、機材の体制がない場合 |
表のとおり、どちらにも長所と負担があります。自社で動かせばデータを外に出さずに済む反面、安全対策のすべてを自社で背負うことになります。外部の事業者を使えば始めやすい反面、データが社外を通り、契約の確認が欠かせません。いずれの場合も、使う経路を社内で一本化するか、少なくとも台帳で把握し、部署ごとに別々の事業者と契約が増えていく状態を避けることが大切です。
安全性の評価:紹介可とした根拠
当ラインは、モデルをダウンロードも実行もせず、Hugging Face の公開情報、モデルカード、ファイル一覧、提供元の発表と規約を読んで判定しました。判定は「紹介可」です。根拠は次のとおりです。
- 公開元は提供元の Thinking Machines Lab の公式の公開場所で、提供元の発表に Hugging Face での公開が明記されている
- 重みのライセンスは Apache-2.0 で、利用条件が明確
- 重みのファイルはすべて safetensors 形式(読み込んでもプログラムが動かない保存形式)で、pickle 形式(読み込み時にプログラムを実行できる形式)のファイルは含まれない
- モデルと一緒に動かす独自のプログラムは同梱されていない
- モデルカードに、公開前の安全性の評価、限界、利用者への推奨が書かれている
ファイル一覧は、24個に分けた重み、追加の予測用の重み、設定、文字の区切り方(トークナイザー)、対話の書式の定義で構成されていました。対話の書式の定義は、入力の並べ方を決める型の記述で、一般的な構成の一部です。なお、Hugging Face の画面の横に自動で表示されるパラメータ数は、モデルカード本文の5940億と異なる数値を示していました。重みの圧縮形式の数え方による違いとみられますが、これは当ラインの推測で、提供元の説明は確認できていません。
そして、問題が見つからなかったことは、安全の保証ではありません。精査は公開情報を読んだ範囲のもので、重みの中身そのものや、実行環境のプログラムまでは確かめていません。公開場所のアカウントの乗っ取りや、名前の似た偽の公開場所への誘導といった可能性もゼロではないため、導入する企業は、配布元と版を自社の責任で確かめる必要があります。
利用規約(Acceptable Use)と Apache-2.0 の関係で確かめること
モデルカードの冒頭には、提供元の「モデルの利用規約(Acceptable Use)」へのリンクがあります。この規約は2026年7月15日に更新されたもので、提供元が公開する重みや関連資料、さらにそれを改変したものにも及ぶと書かれています。重みにアクセスしたり、取得したり、使ったりすることで規約に同意したものとみなす、とも書かれています。禁止の項目は、違法な行為、輸出管理や制裁への違反、子どもの安全、暴力、差別、性的な内容、プライバシーの侵害、第三者の権利の侵害、なりすましや偽情報など、13の分類に及びます。
企業にとって見逃せないのは、利用者の側の義務です。規約は、自社の製品やサービスを通じて他者にモデルを使わせる場合、その利用者の順守にも責任を持つよう求めています。また、知られている重要な限界やリスクを利用者に伝えること、法律で求められる場合などにはAIと対話していることを知らせること、医療・法務・金融などの専門的な助言の分野で、適切な人の監督なしに重要な判断を自動化しないことも書かれています。規約はいつでも変更でき、変更後に使い続けると同意したものとみなす、という条項もあります。
一方で、規約のページには Apache-2.0 との関係についての記述が見当たりませんでした。Apache-2.0 は本来、利用の目的を制限しないライセンスです。ライセンスと利用規約がどう組み合わさるかは、法的な解釈が分かれうる点で、当ラインでは判断できません。商用のサービスに組み込む場合は、法務部門と規約の全文を確かめ、禁止の項目と利用者への説明の義務を、自社の利用規程や顧客向けの規約に反映できるかを検討してください。
データの行き先と、事業者との契約で確かめること
外部の推論事業者や提供元のサービスを使う場合、入力した文章や画像、モデルが返した出力は、事業者の環境を通ります。当ラインが確認した提供元のサービスのモデルと料金の表には、利用者のデータの保存や学習への利用についての記述は見当たりませんでした。モデルカードに並ぶ推論事業者についても、データの扱いは事業者ごとの規約や契約で決まります。同じモデルでも、どの窓口から使うかで、データの行き先と扱いが変わるということです。
契約の前に確かめたいのは、入力と出力が保存されるか、保存される場合の期間と場所(国や地域)、事業者がモデルの改善に使うかどうか、障害や事故の際の連絡の取り決め、そして第三者への再委託の有無です。画像を入力できるモデルでは、画面の写しや書類の画像に、個人情報や機密が写り込みやすい点にも注意が必要です。文章なら気づける機密も、画像の中では見落とされがちです。
エージェントとして使う場合は、さらに論点が増えます。エージェントは作業の途中で、社内のファイルやデータベースの中身を読み、それをモデルへの入力に含めます。つまり、利用者が直接入力していない社内の情報まで、事業者の環境を通る可能性があるということです。どのデータをエージェントに読ませてよいかを、データの機密度の区分と結びつけて決めることが欠かせません。
悪用されうるリスクと、公開重みならではの限界
提供元は、公開前に、日常の対話での害(相手に迎合しすぎること、心理的な依存を招くことなど)と、危険な能力(生物・化学・核などの兵器やサイバー攻撃への手助け、AIが制御を外れる可能性)について評価を行ったと説明しています。安全装置を外した版を意図的に作って潜在的な能力を測る試験も行い、すでに公開されている他の重み公開モデルを大きく上回る危険の上積みはないと結論づけています。これは提供元の評価で、当ラインでは検証していません。
ここで押さえておきたいのは、提供元自身が公開方針の解説記事で書いていることです。その記事は、重みの公開は取り消せないこと、拒否の振る舞いは公開重みの安全装置として長持ちするものとは扱えないこと、公開された重みは追加学習で安全のための学習を取り除けることを、はっきり認めています。つまり、このモデルの安全対策は、悪意のある利用者が手元で改変した場合には働かない前提で考えるべきです。
企業の立場で想定されるリスクは、悪意ある第三者による悪用よりも、むしろ社内での使い方に起因するものです。たとえば、エージェントの誤った道具の選択による誤操作、外部の文書やウェブページに仕込まれた指示にモデルが従ってしまう問題(プロンプトインジェクション)、部署が無断で外部の事業者を使い始めることによる情報の流出などです。現時点で、Inkling 2 Small が特定の攻撃や事故に使われたという報告は確認できていません。ここで挙げたものは可能性の整理であり、起きた事件ではありません。
導入を検討するときに確かめること
Inkling 2 Small を社内で使うかどうかを検討する場合、次の5段階で確かめていくと、判断の抜けを減らせます。ここで挙げるのは確認の観点で、具体的な導入の手順ではありません。
何の業務に使うのか、どの機密度のデータを入力するのかを先に決めます。エージェントとして使う場合は、読ませるファイルや操作させるシステムの範囲まで書き出します。
自社の機材、提供元のサービス、外部の推論事業者のどれを使うかを、データの区分と体制から選びます。経路は台帳に記録し、部署ごとに別々の契約が増えないようにします。
提供元の利用規約と、事業者の規約・契約を法務部門と読み合わせます。データの保存と学習への利用、保管の場所、規約の変更の扱いを確かめ、記録を残します。
提供元の性能値ではなく、自社の業務に近い作業と、日本語を含む自社のデータで試します。誤りの出方、道具の選び方の癖、拒否のしすぎや足りなさを、人が確かめて記録します。
確かめた版を固定し、更新があったときに再び評価する決まりを作ります。利用規約の改定や事業者の変更も、見直しのきっかけとして扱います。
この順番の要点は、モデルを選ぶ前に、用途とデータの区分を決めることです。モデルの性能から話を始めると、どの経路で何を入力してよいかの議論が後回しになり、気づいたときには機密が社外の事業者を通っていた、ということになりかねません。
企業が取るべき対策
Inkling 2 Small を使うかどうかにかかわらず、重みを公開した大規模なモデルが次々に出てくる今、企業が整えておきたい対策は次の五つです。
一つ目は、使ってよいモデルと経路の台帳です。モデルの名前だけでなく、どの事業者の窓口から、どの版を、どの部署が使っているかを記録します。二つ目は、データの区分と入力の決まりです。機密度ごとに、外部の事業者に入力してよいもの、自社の環境でしか扱わないもの、AIに入力しないものを決め、画像の入力にも同じ決まりを当てはめます。
三つ目は、外側の安全対策です。モデルカードは、モデルに組み込まれた対策だけでは十分でない場合に、アプリの側で内容の選別、利用量の制限、監視を加えるよう勧めています。自社で動かす場合はとくに、入力と出力の記録、問題のある出力を止める仕組み、利用量の上限を、自社で用意する必要があります。
四つ目は、利用規約の社内への反映です。提供元の規約の禁止の項目や、利用者への説明の義務を、自社のAIの利用規程と顧客向けの説明に反映します。五つ目は、定期的な見直しです。重みの更新、規約の改定、事業者の変更は予告なく起こりえます。四半期など時期を決めて台帳と契約を見直し、変化があれば再評価する流れを作っておきます。
エージェントに道具を持たせるときの統制
Inkling 2 Small のようなエージェント向けのモデルを使う場合、統制の中心はモデルそのものではなく、モデルに持たせる道具と権限です。提供元が「最適な道具をいつも選べるわけではない」と認めている以上、誤った選択が起きても被害が広がらない設計が必要です。具体的には、エージェントが使える道具を業務に必要なものに絞り、読み取りだけで済む作業には書き込みの権限を与えないことが基本になります。
外部への送信、ファイルの削除、支払いや権限の変更、顧客への連絡など、取り消しにくい操作は、実行の前に人が承認する決まりにします。エージェントが外部の文書やウェブページを読む場合は、その中に仕込まれた指示に従ってしまう危険があるため、読んだ内容をきっかけに重要な操作が走らないよう、操作の前の確認を挟みます。また、エージェントが何を読み、どの道具をどう呼び出したかの記録を残し、あとから追える状態にしておきます。
こうした統制は、MCP のような共通の取り決めで道具をつなぐ場合にも同じです。つなぐ先の道具ごとに、誰が承認したか、どの権限を与えたかを台帳に残し、使われていない接続は定期的に外します。モデルを入れ替えても統制が変わらないよう、モデルの外側に統制を置く考え方が、エージェントの時代の守りの土台になります。
AIに任せる範囲と、人が決める範囲
エージェント向けのモデルは、作業を自動で進められる分、「どこまで任せてよいか」の線引きが曖昧になりがちです。モデルカードも、重要な場面や安全に関わる場面の出力には、適切な人の監督と確認を加え、確かめずに頼らないよう勧めています。AIに最終判断をさせず、判断の根拠を書かせ、人が確認する範囲を先に決めることが基本です。次のような運用は避けます。
- 提供元の性能表の数字だけを根拠に、自社の業務で試さずに採用を決める
- エージェントに社内のすべてのファイルと外部への送信の権限を与え、操作の前の確認を省く
- 部署ごとに別々の推論事業者と契約し、データの保存や学習への利用を確かめないまま機密を入力する
- 利用規約を読まずに、顧客向けのサービスへ組み込み、AIであることや限界の説明を省く
- 重みを自社で動かしているから安全だと考え、入力と出力の記録や監視を用意しない
人が決めるべきなのは、AIに入力してよいデータの範囲、エージェントに持たせる道具と権限、人の承認が必須になる操作、規約と契約の確認の担当、そして見直しの時期です。AIには、作業の下書きや候補の提示、判断の根拠の整理を任せ、結論と実行の可否は人が決めるという分担を、業務ごとに文書にしておくと運用が安定します。
よくある質問
重みを自社で動かせば、情報漏えいの心配はなくなりますか
外部の事業者にデータを渡さずに済む点では有利ですが、心配がなくなるわけではありません。自社で動かす場合、入力と出力の記録、利用者の権限の管理、エージェントの操作の監視をすべて自社で担う必要があります。また、500ギガバイト以上の記憶領域を持つ機材が必要とされており、体制を含めた負担を見積もる必要があります。
提供元の安全性の評価があれば、自社での評価は不要ですか
不要ではありません。提供元の評価は一般的な条件でのもので、モデルカード自身が、利用者の用途・言語・利用者層に合わせた評価を勧めています。とくに主な言語が英語とされているため、日本語の業務では自社での確認が欠かせません。
Apache-2.0 なら、利用規約は気にしなくてよいのですか
そうとは言い切れません。提供元は重みとその改変物に利用規約が及ぶとしています。ライセンスと規約の関係は解釈が分かれうるため、商用で使う場合は法務部門と確かめることをおすすめします。
- 本記事の内容は、2026年11月13日に確認した Hugging Face のモデルカードとファイル一覧、提供元の発表と11月12日の追記、利用規約、公開方針の解説記事、提供元のサービスのモデルと料金の表に基づきます。数値やファイル構成、規約は今後の更新で変わる可能性があります
- 性能や安全性の評価の数字はすべて提供元による公表値で、当ラインでは検証していません。モデルや関連するプログラムは取得・実行していません
まとめ
Inkling 2 Small は、米国の Thinking Machines Lab が2026年11月に重みを公開した、文章と画像を読み取り文章を出すモデルです。総パラメータ5940億、1語ごとに使うのは170億の専門家混合の構成で、最大100万トークンの文脈と、エージェントや道具の利用を強く意識した設計が説明されています。重みは Apache-2.0 で公開され、提供元の利用規約も併せて示されています。当ラインでは、公式の公開場所であること、重みが安全性の高い保存形式のみであること、独自のプログラムの同梱がないことから「紹介可」と判定しました。問題が見つからなかったことは、安全の保証ではありません。
このモデルを前に企業が決めるべきなのは、性能の順位ではなく、どこで動かすか、データがどこを通るか、どの規約に誰が責任を持つか、エージェントにどこまで任せるかです。使う経路の台帳、データの区分、規約と契約の確認、外側の安全対策、道具と権限の絞り込みを先に整え、AIに判断させず、人が確認する範囲を先に決めておくことが、公開重みの大規模なモデルを安全に生かすための出発点になります。
- Hugging Face のモデルカード(Inkling 2 Small):https://huggingface.co/thinkingmachines/inkling-2-small
- 提供元の発表(Introducing Inkling 2 Small):https://thinkingmachines.ai/news/inkling-2-small/
- 提供元のモデルの利用規約(Acceptable Use):https://thinkingmachines.ai/model-acceptable-use-policy
- 提供元の公開方針の解説(重みの安全な公開の進め方):https://thinkingmachines.ai/blog/a-safe-path-to-open-weights/
- 提供元のサービスのモデルと料金の表(Tinker):https://tinker-docs.thinkingmachines.ai/tinker/models/models_and_pricing/
※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。
あなたのWebサイトは、AIによる攻撃に耐えられますか?
AIを活用してWebサイト・Webサービスの脆弱性を診断し、発見した問題と推奨する修正方法をご報告します。
