WWDC26 Foundation Modelフレームワークの新機能

2026年6月10日

WWDC26のセッション Foundation Modelフレームワークの新機能で紹介された内容を、後から見返しやすいように整理します。

Appleの説明では、Foundation Modelsは OS内外との統合、より幅広いモデル対応、そして エージェント体験を構築するための新しいプリミティブ が大きなテーマです。具体的には、モデルのアップデート、Vision対応、Private Cloud Compute、モデル抽象化、システムツール、Dynamic Profile、Evaluations、Mac向けツール、Python SDK、オープンソース化が紹介されています。

Foundation Models frameworkのオープンソース化

Foundation Modelsフレームワークは、本セッションで紹介された多くの新しいAPIを含めてオープンソースになります。コアフレームワークに加えて、次のOSバージョンアップを待たずに更新される Foundation Models framework utilities も公開されます。

Foundation Models framework utilities

新しいオンデバイスモデル

このリリースでは、新しいオンデバイスモデルが登場します。Appleの説明では、ゼロから再構築され、知性、ロジック、ツール呼び出しが向上しています。

iOS 26.4では、モデルのコンテキストサイズを検査するAPIと、命令・プロンプト・トランスクリプトのトークン数を数えるAPIがリリースされました。今後はこれらを活用して、アプリを実行中のハードウェアに適応させることが推奨されています。

// Context size and token counting
  
  let model = SystemLanguageModel()
  print(model.contextSize)
  // 8192
  
  let count = try await model.tokenCount(for: "What are the Japanese characters for origami?")
  print(count)

ガードレールも改善されています。AppleはiOS 26.4で誤検知を減らす調整を行い、iOS 27でもさらに改善を続けていると説明しています。

Vision: image understanding

オンデバイスモデルにはVision機能も追加されました。これにより、テキストとともに画像添付ファイルをプロンプトへ挿入し、モデルに画像について質問できます。

画像添付を使ったプロンプト

// Attachable image types

  let response = try await session.respond {
      "What animal is this?"
      Attachment(UIImage(...))
  }

画像添付ファイルは、UIImage、NSImage、CGImage、Core Image型、Pixel Buffer、ファイルURLなど、さまざまな型から作成できます。

モデルはあらゆるサイズとアスペクト比の画像をサポートします。特定の形状へのトリミングやパディングは不要です。ただし、大きな画像ほどトークンを消費し、レイテンシが増加する点には注意が必要です。

関連ドキュメント: Analyzing images with multimodal prompting

Private Cloud Compute

さらに処理能力が必要な場合は、新しい PrivateCloudComputeLanguageModel でAppleのサーバーモデルを利用できます。

Private Cloud Computeモデル

Private Cloud Computeモデルは、Apple Intelligence機能の多くを支えるモデルと同じ系統として説明されています。オンデバイスモデルより大きく、32,000トークンのコンテキストウィンドウを持ち、リーズニングにも対応します。

Private Cloud Computeは、モデルのインスタンスを作成し、それを使って LanguageModelSession を初期化するだけで利用できます。プロンプト送信時には contextOptions でリーズニングレベルを指定できます。ReasoningLevel は、モデルが応答前に考える量を制御します。深いリーズニングは追加の計算と引き換えに、より良い応答を生成します。

Appleは、Private Cloud Computeの利点として、アカウント設定・認証・APIキー保存が不要であること、プロンプトが保存されないこと、独立した研究者が検証できることを強調しています。

また、Private Cloud Computeにより、Foundation ModelフレームワークをwatchOSにも展開できます。watchOS 27から、手首でも強力なインテリジェンス機能を利用できます。

PCCはクラウドAPIコストなしで利用可能で、Appleの説明では「first-time downloadsが200万件未満」のデベロッパに提供されます。ユーザーは毎日PCCにアクセスでき、iCloud+に登録している場合は利用上限がさらに高くなります。なお、利用には対応OSやEntitlementの追加など条件があります。

Model abstraction layer

LanguageModelプロトコルと既存実装

刷新されたオンデバイスモデルとPrivate Cloud Computeモデルに加えて、Appleはモデル抽象化レイヤーを開放します。これは、ほぼあらゆる言語モデルをFoundation Modelフレームワークで使えるようにするためのものです。

抽象化レイヤーは新しい LanguageModel プロトコルを中心に構築されます。関連する基本概念はApple公式のLanguageModelSessionドキュメントでも確認できます。ローカルモデルとサーバーモデルのどちらも LanguageModelSession を支えられます。

SystemLanguageModel や PrivateCloudComputeLanguageModel はすでにこのプロトコルに準拠しています。さらに、MacのApple Neural EngineやGPUで多数のローカルモデルを実行するための CoreAILanguageModel と MLXLanguageModel もオープンソース化されます。

CoreAIとMLXの言語モデル実装

Partner model integrations

Appleは、さまざまなフロンティアサーバーモデルへのアクセスも紹介しました。AnthropicとGoogleがSwiftパッケージを公開し、最新モデルへのアクセスを提供します。

サードパーティモデルの統合

利用方法は、Swift Package Managerで言語モデルパッケージをインポートし、使用するモデルを初期化して、セッション作成時に渡すだけです。以降の処理は同じです。

一方で、サードパーティのサーバーモデルを使う場合は、認証と請求の両方をデベロッパが処理する必要があります。Appleは、アプリのバイナリに秘密鍵を保存せず、OAuthなどの安全な仕組みでアクセストークンを取得し、Keychainを使って安全に保存するよう説明しています。

サードパーティモデル使用時は通常トークンごとに請求されるため、使用量を追跡できるAPIも追加されています。

// Inspecting usage
  
  let response = try await session.respond(
      to: "Recommend a craft that doesn't require scissors.",
      contextOptions: ContextOptions(reasoningLevel: .light)
  )

  print(response.usage.input.totalTokenCount)
  print(response.usage.input.cachedTokenCount)

  print(response.usage.output.totalTokenCount)
  print(response.usage.output.reasoningTokenCount)

セッションと応答には usage プロパティが追加され、入力・出力トークン数、キャッシュから読み込まれた入力トークン数、リーズニングに使用された応答トークン数を確認できます。

System tools: Vision and Spotlight

LanguageModelSession を強化するシステム提供のツールも追加されました。

Foundation Modelsには2つのネイティブツールが追加されました。BarcodeReaderTool はバーコードから情報を読み取れるようにし、OCRTool は画像から構造化テキストを抽出できるようにします。どちらもVisionフレームワークの機能に支えられています。

Spotlightを使った検索ツールも導入されます。これは完全ローカルなRetrieval-Augmented Generation（RAG）を実装するためのSpotlightベースの検索ツールとのことです。

Spotlightを使ったシステムツール

RAGは、モデルに最新の個人的またはドメイン知識へのアクセスを与える技術です。このツールでは、Spotlightインデックスと特別に処理されたクエリを活用します。

SpotlightによるRetrieval-Augmented Generation

Dynamic Profiles for agentic apps

Dynamic Profileは、エージェント体験を構築するための新しいプリミティブです。

関連ドキュメント: Composing dynamic sessions with instructions and profiles

従来の実装では、モードが変わるたびに元のトランスクリプトを取り出し、新しい命令とツールを持つセッションを作り直す必要がありました。

Dynamic Profileは、それらを改善し、コンテキストで重要なことに集中できるようにする宣言的APIです。

シンプルなDynamic Profileは、LanguageModelSession.DynamicProfile に準拠したstructとして宣言します。

// Describing the profile for craft app

  struct CraftProfile: LanguageModelSession.DynamicProfile {
      var body: some DynamicProfile {
          Profile {
              Instructions {
                  """
                  You are an expert crafting assistant. \
                  Record craft project image analyses   \
                  using the recordImageAnalysis tool.
                  """
              }
              RecordImageAnalysisTool()
          }
      }
  }

  let session = LanguageModelSession(
      profile: CraftProfile()
  )

body プロパティには Profile を含めます。Profile では、その時点でコンテキストに存在すべき命令とツールを指定できます。LanguageModelSession はDynamic Profileで初期化できます。

モデルと設定の動的な構成

Dynamic Profileは、命令やツールだけでなく、モデルや設定も動的に切り替えられます。

クラフト分析のような素早いタスクには SystemLanguageModel で十分です。一方、ブレインストーミングでは深い推論を設定したPrivate Cloud Computeを指定できます。

これらの設定はModifierで記述します。

// Describing the profile for craft app
  
  struct CraftProfile: LanguageModelSession.DynamicProfile {
      let states: CraftProjectStates

      var body: some DynamicProfile {
          switch states.mode {
          case .craftAnalysis:
              Profile {
                  Instructions { /* ... */ }
                  RecordImageAnalysisTool()
                  SwitchModeTool(states: states)
              }
          case .brainstorm:
              Profile {
                  Instructions { /* ... */ }
                  BrainstormRecordTool()
              }
              .model(states.privateCloudCompute)
              .reasoningLevel(.deep)
          }
      }
  }

ここでは、PCCを指定する .model(...) と、モデルに十分に考えさせる .reasoningLevel(.deep) が使われています。

重要なのは、Dynamic Profileが常に単一のアクティブな Profile に解決されることです。条件分岐でどの Profile をアクティブにするかを選び、frameworkが移行を処理します。

Appleは、このAPIを使用する際は、プライバシー境界、モデル機能、コストを考慮するよう説明しています。

Evaluation framework

言語モデルは本質的に非決定論的であるため、動作の予測が難しくなります。Evaluationsフレームワークは、インテリジェンス機能の品質を測定するための新しいSwiftフレームワークです。

Evaluationフレームワークを使うと、プロンプトを調整しながら精度を定量化できます。Appleは、このフレームワークをアプリデベロッパのためのものとして説明しており、変更の統計的影響を理解し、自信を持ってアプリをリリースするために役立つとしています。

Evaluationの編集画面

fm command line tool

macOS 27では、Foundation Modelsをコマンドラインで利用できます。fm CLIはApple Foundation Modelsを使う新しい方法で、端末からオンデバイスモデルとPCCにアクセスできます。

fm chat を使うと、アプリ機能のためにモデルを試せます。セッションでは「折り紙の文脈で谷折りとは何を意味するか？」を尋ねる例が示されました。

fm chatの出力例

fm はシェルスクリプトに組み込み、ドキュメントの要約、情報抽出、コンテンツ生成などにも使えます。例として、ランダムな名前の写真に対して、画像の内容に基づく説明的なファイル名を生成するデモが紹介されました。

画像内容に基づくファイル名生成

Foundation Models SDK for Python

Pythonエコシステムで作業するデータサイエンティストや研究者向けには、Foundation Models SDK for Python が提供されます。GitHubの説明では、macOS上のApple Intelligenceの中核にあるオンデバイスモデルへアクセスするためのPythonバインディングです。

Python SDKは、Swift Foundation Modelsフレームワークを動かすものと同じオンデバイスモデルへの直接アクセスを提供します。モデルの利用可能性を確認し、数行のPythonで応答を生成できます。

# Foundation Models SDK for Python
  
  import apple_fm_sdk as fm

  model = fm.SystemLanguageModel()

  # Check the model's availability
  is_available, reason = model.is_available()

  if is_available:

      # Create a session
      session = fm.LanguageModelSession(model=model)

      # Generate a response
      response = await session.respond(prompt="Hello!")
      print(response)

SDKにはSwiftフレームワークのコア機能が含まれており、プロンプトから構造化された応答を得られます。