AIニュース

Qwen3-Coderは、アリババ同義千文チームが開発した強力なコード生成モデルです。480Bパラメータと35Bアクティベーションパラメータを備え、ネイティブ256Kトークンコンテキストをサポートし、1Mトークンまで拡張可能です。このモデルは、Agen...で使用されています。

Mureka V7は、Kunlun Techが開発した高度なAI音楽モデルで、強力な音楽制作能力を備えています。MusiCoT（Music Mind Chain）技術に基づき、まず音楽全体の構造を計画し、次に詳細を埋めていくことで、より優れた音楽を生成します。

HunyuanCustomは、TencentのHunyuanチームが開発した、マルチモーダルでカスタマイズ可能な動画生成フレームワークです。HunyuanCustomは、画像、音声、動画、テキストなど、さまざまな入力条件に対応しており、特定のテーマやシーンの動画を生成できます。

VoiceCanvasは、オープンソースの多言語音声合成プラットフォームです。AI技術をベースとし、高品質なテキスト読み上げサービスを提供し、50以上の言語をサポートするとともに、OpenAI TTS、AWS Polly、MiniMaxなどと連携しています。

DeerFlowはByteDanceが開発したオープンソースの深層研究フレームワークであり、ユーザーが複雑な研究タスクを効率的に完了できるようにします。DeerFlowは言語モデルと、Web検索、Webスクレイピング、Python実行などのさまざまなツールを組み合わせて、迅速に生成します。

WebThinkerは、中国人民大学、北京人工知能研究院、ファーウェイ・ポアソン研究所などが提案した深層研究エージェントです。WebThinkerは、大規模推論モデル（LRM）が推論プロセスを自律的に実行できるようにします。

Multiverseは、イスラエルのチームEnigma Labsが開発した、世界初のAI生成マルチプレイヤーゲームモデルです。プレイヤーは追い越し、ドリフト、加速を行うことができ、それぞれの行動がリアルタイムでゲーム世界に影響を与え、変化させます。このモデルは…

Open Code Reasoning (OCR) は、NVIDIA が開発したオープンソースのコード推論 AI モデルで、Nemotron アーキテクチャに基づいており、コード推論および生成機能の向上を目的として設計されています。OCR には、32B、14B、7B の 3 つのモデル バージョンがあり、それぞれが以下の用途に適しています。

KuaiModは、Kuaishouが開発した、マルチモーダルビッグデータモデルに基づくショートビデオ品質評価フレームワークです。有害コンテンツや低品質コンテンツを効率的に識別・フィルタリングできます。このフレームワークは、判例主導型のアプローチを採用し、コモンロー制度から着想を得ています。

VITA-Audioは、低遅延と高速な推論速度を特徴とするオープンソースのエンドツーエンドのマルチモーダル音声モデルです。軽量なマルチモーダルクロスラベル予測（MCTP）モジュールを介して、最初の順伝播で音声出力を生成できます。

Parakeet TDT 0.6Bは、NVIDIAがリリースしたオープンソースの自動音声認識（ASR）モデルです。FastConformerエンコーダとTDTデコーダのアーキテクチャを採用し、テキストタグとその継続時間を予測することで推論を高速化し、計算の複雑さを軽減します。

FunGPTは、感情調整のために特別に設計された大規模モデルであるInternLM2.5シリーズをベースにしたオープンソースプロジェクトです。主な機能は、甘い言葉モードと鋭い批判モードの2つです。甘い言葉モードでは、温かい言葉と独自の…

DMindは、DMind研究所が発表した大規模な言語モデルであり、Web3ドメイン向けに特化して最適化されています。ブロックチェーン、分散型金融、スマートコントラクトなどのシナリオに最適化されており、Web3データを用いて微調整され、RLHF技術を用いて整合されています。

Dolphinは、ByteDanceがオープンソース化した軽量かつ効率的な文書解析モデルです。構造を先に解析し、次に内容を解析するという2段階のアプローチに基づいており、第1段階では一連の文書レイアウト要素が生成され、第2段階ではこれらの要素がアンカーポイントとして使用されます。

Playwright MCP は、Microsoft が提供する軽量のブラウザ自動化ツールで、モデルコンテキストプロトコル (MCP) に基づいています。このツールは、Playwright のアクセシビリティツリーに基づいて Web ページとやり取りしますが、...

RelightVidは、上海AI研究所、復旦大学、上海交通大学、浙江大学、スタンフォード大学、香港中文大学が共同開発した、動画の再照明のための時間的一貫性拡散モデルです。テキストキューや背景画像などに基づくレンダリングをサポートしています。

HRAvatarは、清華大学がIDEAチームと共同開発した単眼ビデオ再構成技術です。通常の単眼ビデオから高品質でライティング調整された3Dアバターを生成することを可能にします。HRAvatarは、学習可能な変形ベースと線形スキニング技術を使用しています。

Pocket Flowは、わずか100行のコードで実装されたミニマルなLLM（大規模言語モデル）フレームワークです。軽量で依存関係がなく、ベンダーロックインもありません。Pocket Flowは、複数のエージェント、ワークフロー、検索機能の強化などをサポートしています。

Auroraは、Microsoft Researchが開発した13億個のパラメータを持つ大気モデルです。膨大な量の大気データから貴重な情報を抽出し、地球規模の気象パターン、大気汚染、海洋波などの大気プロセスを予測します。このモデルは、事前学習済みのデータを使用しています。

DeepWiki MCPは、Cognition Labsが開発したリモートサーバーで、オープンスタンダードであるModel Context Protocol（MCP）に基づいています。DeepWiki MCPは、AIアプリケーションがGitHubのコードベースドキュメントにアクセスし、検索できるようにします。

Gemini Diffusionは、Googleが開発した実験的なテキスト拡散モデルです。単語ごとにテキストを生成する従来の自己回帰モデルとは異なり、Gemini Diffusionはノイズを段階的に洗練させることで出力を生成し、迅速な反復エラー修正を可能にします。

3DTownは、コロンビア大学がCybever AIおよび他の機関と共同で開発したフレームワークで、単一の俯瞰図から3Dの街並みを生成します。このフレームワークは、領域ベースの生成と空間認識型3Dインペインティング技術に基づいており、入力画像を重なり合う領域に分解します。

Sparc3Dは、南洋理工大学がSensory Universeおよびインペリアル・カレッジ・ロンドンと共同で開発した高解像度3Dモデル生成フレームワークです。従来の3D生成手法におけるディテールの損失と非効率性の問題を解決します。このフレームワークは、スパースな...

LeVoは、Tencent AI Labsが開発したAI歌唱モデルです。強力な音色クローン機能を誇り、膨大な学習データを必要とせず、わずか3秒の音声データから、ピッチ、感情、リズムを含むターゲット音色を正確に再現します。LeVoはトラックごとの生成にも対応しています。