AIニュース

Yuan3.0-Ultraは、Inspur InformationのYuanLab.aiチームが開発した、1兆パラメータ規模のオープンソースのマルチモーダル基盤モデルです。総パラメータ数は1.01T、活性化パラメータ数は68.8Bです。MoEアーキテクチャを採用し、ビジュアルエンコーダとマルチモーダルアライメントモジュールを統合しています。

Heliosは、北京大学とByteDanceが共同開発した14Bパラメータのリアルタイム長尺動画生成モデルであり、単一のH100 GPU上で1分間の動画を19.5 FPSで生成することが可能です。

Phi-4-reasoning-vision-15Bは、Microsoftが開発したオープンソースの150億パラメータを持つマルチモーダル推論モデルであり、Phi-4-Reasoning言語モデルとSigLIP-2ビジュアルエンコーダーに基づいて構築されています。

MiniMax Music 2.5+は、MiniMaxが開発したAI音楽生成モデルで、純粋な音楽制作機能に特化しています。クラシックオーケストラ、エレクトロニック、アンビエントなど、多様なスタイルに対応し、瞑想、睡眠補助、ゲーム、映画など、あらゆるシーンで活用できます。

MagicAgentは、Honorと復旦大学が共同開発した基本的なインテリジェントエージェントモデルです。32Bの高密度アーキテクチャと30B-A3BのMoEアーキテクチャにより、100億パラメータ内で最高のパフォーマンスを実現します。

Gemini 3.1 Flash-Liteは、極めて高いコストパフォーマンスを重視したGoogleの軽量フラッグシップモデルです。毎秒363トークンの出力速度と100万トークンあたり0.25ドルの入力価格で、速度面ではGPT-5を大幅に上回ります。

Fun-CosyVoice 3.5は、アリババ傘下のTongyi Labsの音声チームがリリースした最新の音声生成モデルで、多言語の音色再現と洗練された表現制御に重点を置いています。このモデルの最も注目すべき革新点は、FreeStyle自然言語制御機能にあります。

FireRed-OCRは、文書構造解析のための軽量な視覚言語モデルであり、Xiaohongshuチームによってオープンソース化されました。わずか2バイトのパラメータで、権威あるOmniDocBench v1.5ベンチマークにおいて総合スコア92.94%を達成し、GPT-5.2を上回りました。

Fun-AudioGen-VDは、アリババ同義研究所の音声チームが開発した革新的な大規模音声モデルです。「サウンドデザインとコンテキストに応じた音声生成」のためのプロフェッショナルツールとして位置づけられています。このモデルは「FreeStyle」による自由なコマンド生成をサポートし、…

Gooseは、Block社が開発したオープンソースのローカルAIエージェントフレームワークであり、ファイルの読み込み、コードの記述、テストの実行、APIの呼び出し、自動デバッグ、エラー発生後の自己修正など、エンジニアリングタスク全体を自律的に実行し、完了まで実行することができます。

DataClawは、Peter O'Malle氏によって開発されたオープンソースのAI対話データエクスポートツールです。Claude Code、Codex CLI、Gemini CLIなどのAIプログラミングアシスタントとユーザー間の対話履歴全体を自動的にキャプチャし、それを...に変換できます。

OpenSandboxは、Alibabaが提供するオープンソースの汎用AIアプリケーションサンドボックスプラットフォームで、Apache 2.0ライセンスで提供されています。AIが生成したコードを安全に実行し、タスクを自動化するために特化して設計されています。Python、Java/Koanなど、複数の言語に対応したSDKを提供しています。

TinyClawは、TinyAGIが開発した軽量なオープンソースのマルチエージェントコラボレーションフレームワークで、リソースが限られた環境向けに設計されています。TinyClawは、Raspberry Piなどのデバイス上で、複数の専用AIエージェント（@coderや@writerなど）を同時に実行することをサポートしています。

OpenFangは、Rustで構築され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。その中核となるイノベーションはHandsと呼ばれるもので、AIが手動介入なしに24時間365日自動的にタスクを実行できる、7つの事前構築済み自律機能パッケージです（競合他社の監視、データマイニングなど）。

AngelSlimは、TencentのHunyuanチームによって開発され、オープンソース化されたマルチモーダル大規模モデル圧縮ツールキットです。量子化、投機的サンプリング、スパース化、蒸留などの技術を用いて、大規模言語モデル（LLM）、視覚言語モデル（VLM）、音声モデルなどを圧縮します。

Arrow 1.0は、Quiver AI初のネイティブAI生成SVGモデルです。従来のピクセルベースの生成モデルとは異なり、スケーラブルなベクターグラフィックスコードを直接出力します。画像は数式に基づいて構築され、無限の…

pplx-embedは、Perplexityが開発した一連のテキスト埋め込みモデルで、標準的な検索用のpplx-embed-v1と、コンテキスト認識用のpplx-embed-context-v1があり、どちらも0.6Bと4Bのサイズで利用可能です。

SkyReels V4は、Kunlun Techが開発したビデオ基盤モデルです。マルチモーダル入力、音声と映像の同時生成、そして生成・修復・編集の統合をサポートする世界初のAIビデオモデルです。このモデルはデュアルストリームMMDiTアーキテクチャを採用し、108種類のビデオを生成できます。

LocoOperator-4Bは、LocoreMindが開発したオープンソースの4Bパラメータ化コード探索エージェントであり、Qwen3-4B-Instructに基づく知識蒸留によってQwen3-Coder-Nextから学習されています。このモデルはClaude Coderとして位置づけられています。

Nano Banana 2は、Google DeepMindが開発した次世代画像生成モデル（Gemini 3.1 Flash Image）です。このモデルはGeminiの知識ベースとリアルタイムWeb検索を統合しており、現実世界のシーンを正確にレンダリングし、画像を生成することができます。

Ctrl-Worldは、清華大学の陳建宇氏とスタンフォード大学のチェルシー・フィン氏のチームが共同開発した、具現化された世界モデルです。WorldArenaによる権威ある評価において、具現化されたタスク能力で世界第1位、ビデオ生成品質で世界第2位を獲得しました。

Talksign-1は、アメリカ手話（ASL）専用に設計されたAIリアルタイム翻訳モデルです。双方向変換に対応しており、カメラを通して3Dの人体キーポイントを捉え、250のASL単語を認識したり、音声／テキストを手話動画に変換したりできます。

IronClawは、NearAIチームが開発したオープンソースのAIアシスタントです。Rustで実装されており、ローカル互換性とセキュリティを最優先しています。IronClawは実行にWASMサンドボックスを使用し、認証情報は暗号化された保管庫で管理します。

MimiClawは、ESP32-S3チップをベースにした超軽量AIアシスタントです。純粋なC言語で記述されており、Linux、Node.js、オペレーティングシステムなしで、ベアメタル上で直接動作します。