AIニュース

SensorFMは、Google Researchが開発した、ウェアラブルヘルスデータのための大規模センサー基盤モデルです。500万人の参加者から得られた1兆分を超えるラベルフリーのマルチモーダルセンサーデータを使用して事前学習されており、一般的な生物学的特性を学習します。

LingBot-Videoは、Antminerが開発した、世界初のオープンソースのMoE（Mountained Intelligence）ビデオ生成基盤モデルです。DiT（Diuntain Data）とMoEアーキテクチャをベースとしたこのモデルは、合計300億個のパラメータを持ち、そのうち約30億個のみが有効化されており、大容量と効率的な推論のバランスが取れています。

Seedream 5.0 Proは、ByteDanceのSeedチームが開発したマルチモーダル画像作成モデルで、複雑かつプロフェッショナルなシナリオ向けに特別に設計されています。このモデルは、画像とテキストのマッチング、テキストレンダリング、および全体的な美的魅力において包括的なアップグレードを特徴としており、複雑な処理を含む主要なブレークスルーを備えています。

Grok 4.5は、SpaceXAI（旧xAI）の次世代フラッグシップ大規模言語モデルであり、1.5兆パラメータのV9アーキテクチャに基づいています。補足トレーニングフェーズでは、モデルはカーソルプログラミングデータを深く統合し、コード生成とソフトウェア開発を大幅に強化します。

GPT-LiveはOpenAIが開発した次世代音声モデルで、全二重アーキテクチャを採用することで同時聴取と発話を実現し、発話、聴取、割り込み、ツール使用などに関して毎秒複数回の判断を行います。このモデルはリアルタイムの対話と深層学習タスクを分離し、複雑な問題を処理します。

RoboBrain Orcaは、人工知能アカデミーが発表した、マルチモーダルな世界表現モデルです。従来の次の単語／フレーム／アクションの予測を次の状態の予測に置き換えることで、AIが内部的に統一された世界の可能性表現を構築できるようにします。

Nemotron-Labs-Diffusionは、NVIDIAが開発した3モード言語モデルで、自己回帰、拡散、自己推論デコーディングを単一のアーキテクチャに統合しています。AR-拡散ターゲットの共同トレーニングにより、このモデルは様々な同時実行シナリオで動作可能です。

MoWorldは、Mochip Technologyが開発した世界初の高フレームレートインタラクティブワールドモデルです。完全国産のHuawei Ascend NPUフルスタック最適化に基づいており、最大50FPSのリアルタイム推論を実現し、GPUと比較してコストを70%削減しています。

LingBot-Visionは、Ant Lingbo Technologyが開発したオープンソースの汎用視覚基盤モデルです。業界で初めて境界構造を事前学習のターゲットとして使用し、幾何学的モデリングを採用することで、空間認識学習パラダイムにおける画期的な進歩を実現しました。

motion-anythingは、Open Designチームが開発したオープンソースのネイティブファーストのモーションエンジンで、Figma Motionの無料版とウォーターマークなしのモーションビデオワークショップとして位置づけられています。ご覧のように、このツールを使えば、実際のWebページ上でモーションエフェクトを直接実現できます。

Muse Imageは、Meta Super Intelligence Labが独自開発した初のAI画像生成モデルです。エージェントアーキテクチャを採用し、Muse Sparkと連携して多段階の計画と自己改善を行います。

SayItは、Rustをベースに構築されたオープンソースのAI音声入力方式で、Windowsデスクトップに対応しています。ユーザーはショートカットキーを長押しして話すことができ、話した言葉はリアルタイムで使用可能なテキストに変換されます。

LingBot-Depth 2.0は、Antminer Technologyがオープンソースの視覚基盤モデルLingBot-Visionとともに発表した、実世界のシナリオに対応した空間認識モデルです。トレーニングデータは300万件から1億5000万件に拡張され、16種類の深層学習アルゴリズムが含まれています。

OpenScienceは、Synthetic Sciences社が立ち上げたオープンソースのAI研究ワークベンチで、機械学習、生物学、物理学、化学の研究を対象としています。このプラットフォームは、文献レビュー、仮説生成、コード作成、実験実行などのプロセスをサポートします。

GenEvolveは、香港科技大学（広州）、美団、シンガポール国立大学が共同開発した自己進化型画像生成エージェントです。GenEvolveは、ツールによってオーケストレーションされる視覚的軌跡として、オープンエンドな画像生成を形式化します。エージェントは…

GPT-Realtime-2.1は、OpenAIが開発した次世代リアルタイム音声モデルです。フラッグシップバージョンである2.1では、英数字認識、無音/ノイズ処理、割り込み応答機能が大幅に向上し、音声、テキスト、画像入力に対応、さらに強力なプッシュ機能も備えています。

MemGUI-Agentは、浙江大学と快手（Kuaishou）が共同開発した長距離モバイルGUIインテリジェントエージェントです。アプリ間連携、複数ステップ、長鎖といったモバイル自動化タスク向けに設計されています。

InternAgentSは、上海AIラボが開発したオープンソースの国内開発研究用インテリジェントエージェントワークベンチであり、科学のためのAIシナリオ向けに設計されています。論文読解、実験分析、コード反復、リモートコンピューティング、研究論文執筆といった多様なプロセスを単一のプラットフォームに統合します。

Fun-ASR-Realtimeは、アリババの千文プラットフォームが開発した大規模ストリーミングリアルタイム音声認識モデルです。このモデルはWebSocketストリーミングプロトコルを使用し、音声と単語の同時出力を実現しています。最初の単語の遅延は数百ミリ秒、最後の単語の遅延は極めて低くなっています。

Hy3は、テンセントのHunyuanプラットフォームがオープンソース化した、295個のパラメータを持つハイブリッドエキスパート（MoE）モデルです。このモデルは、エージェントの能力、推論、および長期コンテキストタスクにおいて大幅な改善を示し、複数のベンチマークにおいて、パラメータ数が2～5倍のフラッグシップモデルに匹敵するベンチマーク性能を達成しています。

FuckClaudeは、軽量でSEOに強く、英語と中国語の二言語対応のシングルページアプリケーション（SPA）検出ツールです。ユーザーのブラウザ環境をスキャンし、Claude Codeによって「中国人ユーザー」としてフラグ付けされるかどうかを判断します。実行ボタンをクリックすると、ツールは...

ElementsClawは、アリババDAMOアカデミー、中国人民大学、中国科学院大学が共同で開発した、超伝導材料発見のための業界初のAIエージェントです。10億個のパラメータを持つ原子の基本モデルElementsを統合した、特化型から汎用型への融合アーキテクチャを採用しています。

ComAct（COM-as-Action）は、Jiaxin Aiらが提唱した、プロフェッショナルなソフトウェア操作の自動化を再定義する研究パラダイムです。このパラダイムは、Windowsのコンポーネントオブジェクトモデル（COM）を統一された実行可能ファイルとして認識します。

Page Agentは、Alibabaが開発したオープンソースの純粋なフロントエンドJavaScriptインテリジェントエージェントライブラリです。たった1行のコードでウェブページに組み込むことができ、ユーザーは自然言語を使ってページのDOM要素を操作できます。