AIニュース

FastContextは、Microsoftがオープンソース化した軽量なコードリポジトリ探索モデルで、プログラミングエージェント向けに特化して設計されています。このモデルは、リポジトリの閲覧とタスクの解決を分離しており、メインエージェントは自然言語クエリを介してFastContextにタスクを委任します。

Krea 2は、Krea AIがゼロからトレーニングした初のベース画像生成モデルであり、「美的感覚を最優先する」クリエイティブ・コラボレーターとして位置づけられています。単にキーワードを洗練させるのではなく、視覚的な美的一貫性、スタイルの伝達、そしてクリエイティブなコントロールに重点を置いています。

HTML Anythingは、nexu-ioチームが開発したエージェント時代向けのオープンソースHTMLエディタです。雑誌、プレゼンテーション、ポスター、小紅書カードなど9種類の配信形式に対応した75種類のスキルテンプレートが内蔵されており、ローカルの18歳以上向けコンテンツを自動的に認識できます。

DSparkは、DeepSeekが北京大学と共同開発したオープンソースの投機的デコーディング高速化フレームワークです。大規模モデルの低速かつ漸進的な自己回帰生成という課題に特化して取り組んでいます。半自己回帰生成アーキテクチャを採用し、軽量なマルコフヘッダーを利用しています。

Penpotは、SVG、CSS、HTMLなどのオープンスタンダードに基づいて構築されたオープンソースのデザインおよびコードコラボレーションプラットフォームです。ブラウザ内でUIデザインやインタラクティブなプロトタイピングを可能にします。このプラットフォームは、リアルタイムのマルチユーザーコラボレーション、W3C Design Tokなどをサポートしています。

GPT-5.6はOpenAIの最新世代の大規模言語モデルであり、米国政府の規制要件のため、現在は限られた信頼できるパートナーのみに「限定プレビュー」形式で提供されています。このシリーズは、天文学的な命名システムを採用した最初のモデルであり、3つの階層を提供します...

PhoneBuddyは、テンセントのHunyuanチームが開発したオープンソースの4Bパラメータモバイルエージェントモデルです。その中核となる研究は、現実世界のモバイル環境で実用的なAIエージェントを訓練する方法に焦点を当てています。

Mistral OCR 4は、Mistral AIが開発した最新世代の文書理解モデルです。このモデルは、PDF、画像、プレゼンテーションなどの複雑な文書からテキストを抽出することをサポートしており、境界ボックスの位置特定、領域タイプの分類、信頼度スコアなどを返すことができます。

SkillOptは、Microsoftが提供するオープンソースのエージェントベースのスキル文書最適化ツールです。このツールは、テキスト空間に深層学習の学習ロジックを導入し、skill.mdを学習可能なパラメータとして扱い、軌跡分析によって編集方向を生成し、テキスト学習率でそれらを制約します。

Confucius4-TTSは、NetEase Youdaoが開発したオープンソースの13億パラメータ多言語音声合成エンジンです。このモデルは、参照テキストを必要とせず、わずか3秒の参照音声のみを使用してサンプル数ゼロの音声を複製でき、中国語、英語、日本語、韓国語など14言語のクロス言語処理をサポートしています。

MMSkillsは、上海交通大学とXiaohongshuが共同で開発した、汎用ビジュアルエージェント向けのマルチモーダルスキルフレームワークです。プレーンテキストのステップから、テキストフロー、ランタイム状態カード、マルチビュー機能などを含む、再利用可能なスキルの拡張をサポートしています。

Doubao Audio Generation Model 1.0は、Volcano Engineによって開発されたエンドツーエンドのオーディオ作成モデルで、テキストまたはオーディオを参照入力としてサポートし、ターゲットオーディオを生成します。単一のプロンプトは、複数文字の対話、感情的なトーン、BGMなどで編集できます。

白川-M4は、白川智能と清華大学が共同開発した次世代医療拡張モデルです。HealthBench総合、Hard、Professionalという3つの権威ある健康ベンチマークで世界第1位を獲得し、幻覚発生率はわずか3.3%です。

JoyAI-VL-Interactionは、JD.comのJoy Future Academyが開発したオープンソースのリアルタイムビデオ視覚言語インタラクションモデルです。世界初のフルスタック・オープンソース・インタラクションモデルシステムです。

Qwen-AgentWorldは、同義千文チームが発表した初の言語世界モデルです。MCP、検索、端末、ソフトウェアエンジニアリング、Android、Web、オペレーティングシステムなど、7つのインテリジェントエージェント環境を、長い思考連鎖推論を通してシミュレートします。

Seedance 2.5は、ByteDanceの動画生成モデル「Doubao」の最新フラッグシップバージョンで、7月上旬に正式リリースされる予定です。Seedance 2.0からの大幅なアップグレードとして、このモデルは、単一セグメントのネイティブ動画など、3つの世界的なブレークスルーを実現しています。

Unlimited-OCRは、Baiduが開発したエンドツーエンドの長文文書OCRモデルです。参照スライディングウィンドウアテンション機構を用いて、デコーダのキーバリューキャッシュを線形増加から定数へと圧縮し、単一の順変換を実現します。

AudioX-Turboは、Noiz AIが香港科技大学および清華大学と共同で開発した、統合的で効率的な音声生成フレームワークです。テキスト、ビデオ、音声入力を自由に組み合わせることで、高品質な効果音や音楽の生成をサポートします。

Boogu-Image-0.1 は、Boogu チームによる統一された画像生成および編集モデルのオープンソースファミリーです。このモデルは、テキストから画像への生成、命令型画像編集、および同じアーキテクチャ内でのバイリンガル (中国語と英語) テキストレンダリングをサポートしています。このファミリーには、Base、Edit、...

Spatial-TTTは、清華大学、テンセント渾源、南洋理工大学が共同開発したストリーミング視覚空間インテリジェンスフレームワークです。このフレームワークは20億個のパラメータしか持たず、テストタイムトレーニング（TTT）技術を用いてビデオストリーミング中にユーザーをトレーニングします。

Seed 2.1は、ByteDanceのSeedチームが開発した、現実世界の生産性向上シナリオ向けに開発された新しいインテリジェントエージェントモデルシリーズで、ProバージョンとTurboバージョンが含まれています。

VidMuseは、Sand.aiが開発したAI音楽・動画エージェントです。ユーザーはSunoリンクまたはMP3ファイルをアップロードするだけで、30～60秒のミュージックビデオを自動生成できます。VidMuse 2.0は、Video as Codeのコンセプトに基づいています。

HappyHorse 1.1は、アリババのAI動画生成モデルの最新アップグレード版であり、バージョン1.0と比較して、動的な表現力、被写体の一貫性、指示への準拠、映像品質、音声機能の5つの側面で体系的なアップグレードを実現しています。

Skill Zooは、コーディングエージェント向けのオールインワンデスクトップスキル管理ツールです。このツールはSSOT+シンボリックリンクアーキテクチャを採用し、Claude Code、Codex、Trae CN、Hermesなどのプログラミングツールに分散しているスキルを統一的に管理します。