AIニュース

Dubbing v2は、ElevenLabsが開発したAI吹き替えモデルで、29言語の自動翻訳と吹き替えをサポートし、元の話者の音色と感情を保持します。このモデルは、プレビューを素早く生成するAuto Dubと、Dub...という2つのワークフローモードを提供します。

Cosmos 3は、NVIDIA初の完全オープンソースのマルチモーダル物理AI基盤モデルであり、ハイブリッドTransformerアーキテクチャを使用して、視覚的推論、世界生成、および行動予測機能を統合しています。

MiniMax M3は、MiniMaxが開発した最新のAIモデルで、優れたプログラミング、エージェント機能、長文処理能力を誇ります。革新的なMSAスパースアテンションアーキテクチャを採用し、最大1MBの超長文テキストをサポートすることで、20倍の効率向上を実現しています。

Qwen-VLAは、Tongyi Labsが開発した汎用的な視覚・言語・行動モデルです。視覚・言語の基盤としてQwen3.5-4Bを使用し、1.15B個のパラメータを持つDiTアクションデコーダと組み合わせています。このモデルは、統一された行動軌跡予測フレームワークを使用して、...

Webwrightは、Microsoft Researchが開発したオープンソースのターミナルネイティブなWebベースのインテリジェントエージェントフレームワークです。わずか約1000行のコードで、AIモデルがPlaywrightコードを記述したり、bashコマンドを実行したり、ログを表示したり、ターミナル内でエラーを繰り返し修正したりすることを可能にします。

ControlFoleyは、Xiaomiが開発したオープンソースの制御可能なビデオオーディオ生成モデルであり、V2A（ビデオ・トゥ・アクション）分野における制御性の課題に取り組んでいます。このモデルは、独自開発の時空間オーディオ技術を活用し、テキスト誘導型、テキスト制御型、リファレンスオーディオ制御型の3種類のビデオ吹き替えタスクを統一的にサポートしています。

Meituan GEOマーケティングポータルは、MeituanがAI検索時代向けに特別に設計した生成エンジン最適化（GEO）プラットフォームです。Doubao、DeepSeek、Wenxin Yiyanといった主要検索エンジンにおけるブランドの露出度と推奨頻度を高めるのに役立ちます。

SenseNova-U1-8B-MoT-Infographicは、SenseTime社が開発したオープンソースの8Bパラメトリック情報グラフ拡張モデルです。SenseNova-U1-8B-MoTの統一アーキテクチャに基づき、特殊なデータトレーニングと強化学習（RL）によってパフォーマンスを大幅に向上させています。

PilotDeckは、清華大学THUNLP研究室、Wallfacer Intelligence、OpenBMB、およびAI9starsが共同開発したオープンソースのエージェントオペレーティングシステムです。PilotDeckはワークスペースベースの設計パラダイムを採用しており、プロジェクトごとに独立したファイルを作成します。

Qwen-Image-Benchは、同義千文チームが開発した、テキストベースの画像モデルを評価するためのデータセットです。1,000個のテストサンプルが含まれており、中国語と英語の両方のプロンプトを提供し、さまざまなテキストベースの画像モデルの生成性能を多次元的に評価できます。APIを利用しています...

Claude Opus 4.8は、Anthropic社の主力大規模言語モデルです。Opus 4.7をベースに、判断力、誠実性、長期的な自律動作能力を向上させ、プログラミング、エージェント推論、多分野推論などのベンチマークテストで優れた性能を発揮します。

Step 3.7 Flashは、StepStarがエージェント運用段階向けにリリースした、次世代のオープンソースFlashモデルです。疎なMoEアーキテクチャを採用し、最大生成速度は400トークン/秒です。

Hy-Memoryは、Tencent Hunyuanが開発したメモリプラグインで、OpenClawなどの長期協調エージェント向けに特別に設計されています。6層のメモリフレームワーク×System1/System2デュアルシステム×進化チェーン3層アーキテクチャを通じて、エージェントが真に...

Claude Codeによって導入されたダイナミックワークフローは、現在研究プレビュー段階です。これは、Claudeでオーケストレーションスクリプトを動的に記述することをサポートし、単一セッション内で数十から数百のサブエージェントを並列にスケジュールすることを可能にします。

Alibaba CloudのBailian CLIは、インテリジェントエージェントのシナリオ向けに特別に設計されたオープンソースのAIエージェントコマンドラインツールです。開発者は、単一のコマンドで、エージェントがAlibaba Cloud Bailianプラットフォーム上の150以上のマルチモーダルモデル、10以上のアプリケーション、およびナレッジベースに自動的にアクセスできるように設定できます。

Fara 1.5は、Microsoft Research AI Frontiers Labがリリースした最新のブラウザベースAIエージェント（CUA）モデルシリーズで、4B、9B、27Bの3つのパラメータバージョンが含まれています。このモデルはQwen 3.5をベースに若干の調整を加え、純粋なピクセルベースの手法を使用しています。

Guizang Social Card Skillは、Claude Code/Codexなどのエージェント環境に対応したオープンソースの画像・テキストカード技術です。小紅書（3:4の縦型画像）やWeChat公式アカウント（21:9 + 1:1のカバー画像）への画像追加に関する問題を解決できます。

Wall-OSS-0.5は、独立変数ロボット向けに国内で開発されたオープンソースの具現化知能モデルです。大規模なビジョン・言語・アクション（VLA）モデルカテゴリに属し、タスクの微調整なしに実機ロボットに展開できる「ゼロショット」機能を備えています。このモデルは、革新的な…

MAI-Image-2.5は、Microsoft Researchの主力RAW画像モデルであり、MAI-Imageシリーズの中で最も高性能なバージョンです。このモデルは、ArenaのRAW画像リーダーボードで1,254点を獲得し、3位にランクインしました。これは、前バージョンから72ポイントの向上です。

omp（オーマイパイ）は、PiプロジェクトをベースにしたオープンソースのAI端末プログラミングエージェントです。コアコードは約27,000行のRust言語で構成され、40以上のモデルベンダーと32以上の組み込みツールをサポートしています。

ForgeTrainは、Facewall Intelligence、清華大学、およびOpenBMBオープンソースコミュニティが共同でリリースした、世界初のプロダクショングレードの大規模モデル事前学習フレームワークであり、人間のコード介入を一切含まず、完全にAIによって記述されています。

opera-browser-cliは、Opera Neonが開発したオープンソースのコマンドラインツールで、opera-devtoolsをベースに構築されており、ローカルのAIエージェント（Claude Codeなど）がターミナル経由でブラウザを直接制御することをサポートします。

Hyper3Dが開発したRodin Gen-2.5は、数千万ポリゴンの生成をサポートする世界初のAI 3Dモデルです。SIGGRAPH 2025で発表された最先端のペーパーテクノロジーをベースに、テキストベース3D、画像ベース3D、マルチビューポイント3Dをサポートしています。

Aholo Viewerは、Quncore Technologyが開発したオープンソースの高性能Webベースレンダリングエンジンで、3Dガウススパッタリング（3DGS）に基づいています。このツールはチャンクレベルのLODストリーミング技術を採用しており、3Dコンテンツをさまざまなデバイス上でビデオのようにレンダリングできます。