ICML 2026採択論文：1つのAIで画像・文章などを相互変換する「MODUS」——出力を別の形式で自己点検

結論から言うと、画像、文章など異なる種類の情報を、用途ごとに別のAIへ渡さず、一つの仕組みで相互変換する研究が進んだ。ICML 2026採択論文「MODUS」は2026年7月28日にarXivへ公開され、decoder-only型の事前学習モデルを「any-to-any」処理へ使う方法を提案した。any-to-anyとは、どの情報形式も入力にも出力にもできる考え方だ。

従来はencoder-decoderやdiffusionを一から学習し、情報形式ごとの出力部、損失関数、作業手順を用意する場合が多かった。MODUSは形式を対等に扱い、専用headや専用pipelineなしで任意の入力と出力を支える。たとえば、ある形式をいったん中間結果にして別の形式へ連鎖生成したり、自分の出力を別形式で採点して自己点検したりできる。

論文では、一つのモデルのまま複数の評価で専用モデルや複数仕事向けの基準手法と競争できる性能を示し、資料も公開した。自分に関係するのは、資料の文章、画像、図などをまたぐ作業を一つのAIへまとめ、変換結果を別の見方で確かめる設計につながる点だ。ただし、論文の評価条件での結果であり、あらゆる形式や実務データで同じ品質になるとは限らない。

個人情報や著作物を入れる前に利用条件を確かめ、重要な出力は元データと人の目で確認したい。