Nucleus-Imageは、Nucleus AIが2026年4月14日に公開した、スパース混合エキスパート（Sparse Mixture of Experts、Sparse MoE）に基づくテキスト-画像生成モデルである。全体の規模は170億パラメータだが、1回の推論で約20億パラメータのみがアクティブになるように設計されており、すべてのパラメータを毎回計算する密なモデルとは異なるアプローチを採用している。64個のルーティングエキスパートと共有エキスパートで構成され、エキスパートが処理するトークンを選択するExpert-Choice Routingを適用している。大規模なエキスパート組織全体を各リクエストごとに投入するのではなく、タスクに関連する少数のエキスパートのみを呼び出す仕組みに近い。さまざまなアスペクト比をサポートし、Hugging Face Diffusersエコシステムと連携し、繰り返されるテキスト条件の計算を減らすためのtext KVキャッシュも提供すると紹介されている。 従来の大型画像生成モデルは、性能を向上させるためにパラメータを増やすほど、推論計算量とメモリ負荷も増加しやすい。また、公開モデルであっても、最終的な重みのみが提供され、学習コードやデータ構成方法が欠落している場合、研究者が結果を再現したり、モデル設計を検証したりすることが難しい。Nucleus-Imageの特筆すべき点は、170億の全体的な容量を維持しながら、入力ごとに約20億の選択されたパスのみを計算するスパース活性化構造とともに、モデルの重み、学習コード、データレシピを公開した点である。GPT系列のモデルがテキストトークンに適した処理パスを選択するように、このモデルは画像生成プロセスのトークンを異なるエキスパートに割り当てる。したがって、単純な画像生成器であるだけでなく、MoEルーティング、エキスパートの専門化、学習の再現性を研究できる実験対象としても意義がある。 生命科学の研究者は、論文の要約や実験計画に基づいて、学会発表用の概念画像を生成するために活用できる。例えば、「腫瘍微小環境におけるT細胞と癌細胞の相互作用」のように複雑なシーンを複数のアスペクト比で生成した後、実際の顕微鏡データではなく、説明用の合成画像であることを明示して、スライドや研究提案書に使用することができる。Diffusersパイプラインとtext KVキャッシュを組み合わせることで、同じ長いプロンプトで、細胞の種類、背景、または視覚的な構図のみを変更する反復生成ワークフローを構成することができる。ただし、生成された結果は生物学的な事実や実験的な証拠ではないため、構造的な正確さを専門家が別途検証する必要があり、診断、定量分析、または元のデータの代替として使用してはならない。 もう一つの活用方法は、公開された重みと学習リソースに基づいて行われるドメイン適応研究である。研究チームは、生命科学の図表や公開ライセンスの科学画像で構成された別のデータセットを準備し、64個のルーティングエキスパートの選択パターンが、組織の種類、染色法、図表のスタイルによって異なるかどうかを分析することができる。同じプロンプトを密なモデルと比較して、生成品質、アクティブなパラメータ数、遅延時間、およびメモリ使用量を記録することで、スパースMoEが科学的可視化に与える効果を定量的に評価することができる。実際の微調整手順とサポートされるパラメータ、推奨されるハードウェアの数値は、公式のリポジトリドキュメントを再度確認して確定する必要がある。

Nucleus-Imageは、Nucleus AIが2026年4月14日に公開した、スパースなエキスパート混合（Sparse Mixture of Experts、Sparse MoE）を基盤とするテキストから画像を生成するモデルである。全体の規模は170億パラメータだが、1回の推論で約20億パラメータのみがアクティブになるように設計されており、すべてのパラメータを毎回計算する密なモデルとは異なるアプローチを採用している。64個のルーティングエキスパートと共有エキスパートで構成され、エキスパートが処理するトークンを選択するExpert-Choice Routingを備えている。