【22MBの衝撃】スマホに「高度な知能」を載せる時代が来た。エッジAIの最前線

「スマホで画像分析をさせようとしたけど、重すぎて動かない」――もし、その悩みが解決したらどうでしょう。

今回、Cactus Computeという企業が、本当に驚くべきビジョンモデル「Mirage」をリリースしました。

これは、単なる画像認識ツールではありません。シーン描写、物体検出、OCR（文字認識）、そして複雑な空間関係性の分析まで、複数の高度なAI機能を一つにまとめたモデルなんです。

💡超小型AIの衝撃

Mirageがすごいのは、そのサイズにあります。モデルのウェイトファイルはわずか22MB。

つまり、高性能なAIをデータセンターではなく、私たちのスマートフォンやウェアラブルデバイス、ロボットといった身近な「エッジデバイス」で動かせる可能性があるという話です。

Cactus Computeが目指しているのは、「知能を最小限の実用的な形にギュッと圧縮すること」。

AIを遠くの巨大なサーバーに頼るのではなく、手のひらサイズのデバイスに持たせること。それがこのMirageのミッションです。

⚙️多機能で高速な性能

Mirageは、ただ賢いだけでなく、かなり多機能です。画像をただ見るだけでなく、何がどこにあるのか、どんな関係性で存在しているのかを分析します。

技術的な仕組みを見ると、Mirageは51.3Mのパラメータで構成されています。

実際にSamsung Galaxy S26などのデバイスで動かしたところ、NPU上での処理時間は74ミリ秒と、非常に速い応答を実現しています。さらに、英語だけでなく、ドイツ語、フランス語、スペイン語など、複数の言語の描写をサポートしています。

🚀AIの能力を劇的に引き上げる鍵

このモデルが特に革新的なのは、単体での性能だけではありません。

彼らの研究チームが発見した鍵は、「Mirageの出力結果を、テキスト専用のLLM（大規模言語モデル）に渡すだけで、そのLLMが追加の学習なしにVLM（ビジョン言語モデル）のような能力を手に入れられる」という点です。

実際に試してみた結果が目から鱗でした。

テキスト専用のLLM（Qwen3-0.6B）に「質問だけ」を投げかけた場合、VQA（ビジョン質問応答）のスコアは9.3点でした。

しかし、Mirageが生成した「構造化された記録と完全な推論のトレース」を読み込ませた途端、スコアは31.3点に急上昇したのです。

これは、Mirageが画像から得た具体的な「観察結果」が、LLMの推論能力を劇的に引き上げてくれた証拠です。

⚠️注意したい落とし穴

もちろん、まだ完璧な状態ではありません。全てのモデルでこの効果があるわけではないという課題も報告されています。

また、より大きなテキストモデルでは結果がバラつきが見られることもあります。

あるスケートボードの画像では、Mirageがスケートボード自体を見逃し、代わりに車や人、靴を記述してしまうといった、認識の失敗例も出ています。

✨エッジAIが描く未来

それでも、Mirageの登場は、「高度な知能が、より身近な場所で動く」というエッジAIの未来を具体的に見せてくれました。

AIが単なる「賢いプログラム」から、私たちの生活環境に溶け込む「実用的な知能」へと進化している最中なのだと感じます。

出典: https://www.reddit.com/r/LocalLLaMA/comments/1xpm8mw/mirage_a_22_mb_visuallanguage_model_that_runs/