AIニュース

EdgeBenchは、ByteDanceのSeedチームが開発したベンチマークフレームワークで、現実世界の環境における自律型AIエージェントの長期的な学習能力を評価するために用いられます。

Shengshu Technologyが発表したVidu S1は、世界をリードするリアルタイムインタラクティブビデオ基盤モデルであり、AIビデオがオフライン生成からリアルタイム双方向インタラクションの時代へと移行することを示しています。自己回帰拡散アーキテクチャに基づいており、540P解像度と25FPS（最大...

AReaL 2.0は、Ant Financialが香港科技大学および清華大学と共同で開発した、オープンソースのエージェントベースのオンライン強化学習インフラストラクチャです。これにより、展開されたエージェントは現実世界の相互作用の軌跡に基づいて継続的に進化することができます。

Ego Liteは、人間とAIエージェント間の並行的な協働を可能にするChromiumベースのブラウザです。Ego Liteは、AIエージェントの基盤となるブラウザ動作機能を提供するインフラストラクチャとして機能します。

Video-useは、Browser Useチームが開発したオープンソースのAIビデオ編集エージェントで、従来のタイムライン操作を自然言語による対話に置き換えます。ユーザーは、元の映像をフォルダに配置し、必要な内容を説明するだけで、エージェントが自動的に編集を完了します。

Cloudwise社が開発したViiTorVoiceは、部分編集をサポートする世界初のAI音声合成モデルであり、Seed-TTSの権威ある評価リストでトップに輝いています。NAR（非自己回帰型）アーキテクチャを採用することで、Word文書を編集するのと同じくらい簡単に音声編集が可能です。

Octoは、Minglue Technologyが開発したオープンソースのAIネイティブなチームコラボレーションプラットフォームです。分散したAIエージェントを統合された空間に集約し、インスタントメッセージ（IM）形式を通じて、人とエージェント、そしてエージェント同士の効率的な連携を可能にします。

SemanticAudioは、香港中文大学、LIGHTSPEED、上海交通大学が共同開発した音声生成・編集フレームワークです。このフレームワークは、テキストから音声への生成を「意味計画」と「音響合成」の2つの段階に分け、より高レベルでは…

GeneBench-ProはOpenAIが提供する研究グレードのベンチマークであり、計算生物学における判断集約型の分析をAIモデルが処理する能力を評価するために使用されます。GeneBench-Proには、129のクロスゲノミクス、定量的生物学のデータセットが含まれています。

WorldCupVoiceは、オープンソースのAI搭載リアルタイムスポーツ解説システムです。Agora RTCのライブストリームに接続することで、ビジュアルモデルを用いて試合映像を分析し、リアルタイムの音声解説を生成します。生成された音声解説はライブストリーム配信ルームに送信され、視聴者は同時に聞くことができます。

NVIDIA Nemotron-Labs-TwoTowerは、NVIDIAが開発したオープンソースのデュアルタワーアーキテクチャ拡散言語モデルで、合計約60バイトのパラメータと3バイトのアクティブパラメータを備えています。このモデルは、コンテキスト理解とノイズ除去生成を2つの独立したタワーに分離し、ARコンテキストを固定します。

LiveWorldは、アデレード大学、オーストラリア国立大学、その他の機関が共同開発した生成型ビデオワールドモデルです。その中核機能は、視野外ダイナミクスの問題を解決することです。従来のモデルでは、オブジェクトがカメラの視野から外れると、その状態が固定されてしまいます。

Miraworkは、macOS、Windows、Linuxに対応した、セキュリティを最優先とするデスクトップAIオフィスアシスタントです。ユーザーは自然言語でタスクを発行し、Miraworkは要件を自動的に分解し、組み込みのスキルチェーンを呼び出して実行を完了します。ドキュメントの処理も含まれています。

Nano Banana 2 Liteは、Googleが開発した軽量AI画像生成モデルです。ローカライズを優先した高速化バージョンで、1枚の画像を4秒で生成でき、価格は1,000枚あたりわずか0.034ドルです。

LocateAnythingは、NVIDIAが開発したビジュアル言語ローカライズモデルです。並列バウンディングボックスデコード技術に基づいており、自然言語を入力することで画像内のターゲットを正確に選択できます。このモデルは、マルチターゲット検出、GUIローカライズ、OCRテキスト検出などをサポートしています。

Claude Sonnet 5は、Anthropic社が発表したSonnetシリーズの中で最も高性能なエージェントモデルであり、計画の作成、ブラウザや端末などのツールの呼び出し、自律的な動作をサポートしています。

yuxinlu1 Gemma4-12Bは、Google Gemma 4 12B命令モデルをベースに、個人開発者であるLu Yu氏が開発したオープンソースのプログラミングおよびエージェントモデルシリーズです。V1コードバージョンとV2エージェントバージョンが含まれています。

RedKnotは、Xiaohongshuが開発したオープンソースの長文テキストLLM推論高速化エンジンです。アテンションヘッダーの次元に基づいてKVキャッシュを分離し、オフラインでグローバルに再計算が必要なグローバルヘッダーとローカルで再利用できるローカルヘッダーに分類します。SegPagedAttenと組み合わせることで、...

Huya VAM 1.0（Vivid Avatar Model）は、HuyaがDiTアーキテクチャに基づいて開発した、リアルタイムのマルチモーダルデジタルヒューマン基本モデルです。1枚の写真から、話したり、歌ったり、踊ったりできるAIデジタルヒューマンを生成できます。

Wan-Streamerは、Alibaba DAMO Academyが開発したオープンソースのエンドツーエンド、リアルタイム、全二重、マルチモーダルな基盤モデルです。テキスト、音声、動画の入力トークンと出力トークンを、統一された因果的Transformerアーキテクチャを通じて単一の因果シーケンスに統合します。

LongCat-2.0は、美団がオープンソース化した大規模な文法モデルであり、パラメータの総数は1兆6000億個に及ぶ。各トークンは約480億個のパラメータを有効化し、トレーニングと展開はAI ASICスーパーコンピューティングクラスタに基づいて行われる。

VibeThinker-3Bは、Sina Weiboチームがオープンソース化した、30億個のパラメータを持つ推論モデルです。Qwen2.5-Coder-3Bをベースに構築されており、改良されたスペクトル・信号変換後処理を採用することで、検証可能な数学的およびプログラミング的タスクにおいて優れた性能を発揮します。

Agent-Reachは、無料のオープンソースAIエージェント向けインターネット機能構築ツールです。このツールを使えば、Claude Code、Cursor、OpenClawといった主要なエージェントに、たった1つのコマンドでインターネット接続機能をインストールでき、Twitterにも対応しています。

BrowserBCは、Einsia AI傘下のNavers Labがリリースしたオープンソースプロジェクトです。その主な目的は、ブラウザ上での人間の操作を再利用可能な自然言語スキルに変換し、Webエージェントが様々な課題を克服できるようにすることです。