AIニュース

Keling AI 3.0は、Kuaishouの次世代マルチモーダルAI制作モデルであり、「オールインワン」のネイティブ制作ワークフローを実現します。モデルのバージョンアップには、AIインテリジェントシーン制作、15秒の動画生成、多言語音声などをサポートするVideo 3.0の導入が含まれます。

ACE-Step 1.5は、ACE StudioとStepFunが共同開発したオープンソースの音楽生成モデルであり、民生用ハードウェア上で商用レベルの音楽生成を可能にします。このモデルはハイブリッドアーキテクチャを採用しており、言語モデルがプランナーとして機能し、ユーザーのプロンプトを組み込みます。

Xuanwu CLI (xw-cli) は、青茂知能が開発した国内開発の大規模モデル展開ツールで、オープンソース化されています。Huawei Ascend、Muxi、Suiyuanなどの国内チップ向けに高度に最適化されており、自動ハードウェア検出とインテリジェントエンジンスケジューリングにより、複雑な設定なしで大規模モデルを展開できます。

SoulX-FlashTalkは、Soul App傘下のAIチームがオープンソース化した、140億パラメータを持つ初のリアルタイムデジタル人間生成モデルであり、0.87秒というサブ秒単位の遅延と32fpsという高いフレームレートを実現しています。

Qwen3-Coder-Nextは、アリババのQwenチームが開発したオープンソースのプログラミング型インテリジェントエージェントモデルです。合計800億個のパラメータを持つハイブリッドエキスパート（MoE）アーキテクチャを採用していますが、各推論でアクティブになるのはわずか30億個であるため、GPUメモリと計算能力のコストを大幅に削減できます。

GLM-OCRは、Zhipu AIがオープンソース化した軽量マルチモーダルOCRモデルです。わずか0.9B個のパラメータで、OmniDocBench V1.5のリーダーボードで94.6のスコアを獲得し、トップに立ちました。

Thinkerは、UBTECHが開発したオープンソースの具現化されたインテリジェントな視覚言語モデルであり、特にロボットアプリケーション向けに設計されています。その4Bパラメータは、9つの権威あるベンチマークテストで世界最高ランクを獲得しました。

Happyとは？ Happyは、ユーザーが携帯電話やウェブクライアントを介して、コンピュータ上で動作するClaude CodeまたはCodexをリモートで制御できるオープンソースツールです。リアルタイムのコード進捗状況の監視、音声操作、メッセージプッシュ通知などをサポートしています。

Step 3.5 Flashは、StepStarが提供する最新のオープンソース基盤モデルであり、エージェントシナリオ向けに特別に設計されています。このモデルは、合計1960億個のパラメータを持つ疎なMoEアーキテクチャを採用しており、各トークンがアクティブ化するパラメータはわずか110億個であるため、パフォーマンスと効率のバランスが取れています。

Vidu Q3は、Shengshu Technology社が発表した、音声と映像が同期した世界初の16秒AI動画モデルです。短編ドラマ、漫画、CMなどの物語性のあるシナリオ向けに特化して設計されています。たった1つの指示だけで、映像、セリフ、環境を完璧に捉えた16秒の1080p動画を制作できます。

UnifoLM-VLA-0は、Unitree Roboticsがオープンソース化した汎用的なビジョン・言語・アクション（VLA）大規模モデルであり、継続的な事前学習のためにQwen2.5-VL-7Bアーキテクチャに基づいています。

TTT-Discover（Test-Time Training to Discover）は、スタンフォード大学やNVIDIAなどの機関によって開発されたAI科学的発見手法です。TTT-Discoverは、テスト段階で強化学習を用いてモデルを訓練し、重みを固定しません。

Project Genieは、Google DeepMindが立ち上げた実験的なAIワールドモデルのプロトタイプであり、Genie 3、Nano Banana Pro、Geminiの技術を基盤としています。ユーザーはテキストプロンプトやアップロードした画像を使って仮想世界を作成できます。

LingBot-Worldは、Ant Lingbo Technologyが開発したオープンソースのインタラクティブな世界モデルです。このモデルは、スケーラブルなデータエンジンを通して大規模なゲーム環境から物理法則と因果関係を学習し、正確なアクション駆動型生成を可能にします。

Qwen3-ASRは、アリババクラウドの同義千文チームが開発したオープンソースの音声認識モデルシリーズです。1.7Bの高精度バージョンと0.6Bの高効率バージョンの2つのASRモデルに加え、専用の強制アライメントモデルであるQwen3-ForcedAligner-0.6Bが含まれています。

SenseNova-MARSは、SenseTime社が開発したオープンソースのマルチモーダル自律推論モデルで、8Bと32Bの2つのパラメータスケールを提供します。動的な視覚推論と画像/テキスト検索のディープフュージョンをサポートする初のエージェント型VLMとして、このモデルはインテリジェントエージェントのように機能します。

MOVA（MOSS Video and Audio）は、上海イノベーションアカデミーのOpenMOSSチームとMOSIが共同で発表した、中国初の高性能オープンソースのエンドツーエンド音声・映像生成モデルです。このモデルは、従来のビデオの「ミュート」の限界を打破します。

SkyReels-V3は、Kunlun Wanweiが開発したオープンソースのマルチモーダル動画生成モデルで、単一のアーキテクチャでプロレベルの動画制作を可能にします。このモデルは静止画を動的な映像に変換でき、インテリジェントな動画長の拡張や映画のようなトランジションをサポートし、…

LongCat-Flash-Liteは、美団が発表した次世代の高効率大規模言語モデルです。このモデルは、革新的なハイブリッドエキスパート（MoE）+Nグラム埋め込みアーキテクチャを採用しており、合計685億個のパラメータを持ちながら、推論ステップごとに約29億～45億個のパラメータのみを有効化します。

MiniMax-M2-herは、MiniMaxが開発した、AIとの深い関係性を想定したロールプレイングモデルであり、Hoshino/Talkieの基盤となるモデルです。このモデルは、独自のワールド体験、リズミカルなストーリー展開、そして…という3つのコア機能を活用しています。

MiniMax Music 2.5は、MiniMaxの次世代AI音楽制作モデルであり、「段落レベルでの強力な制御」と「物理レベルでの高忠実度」という2つの主要な技術的課題において画期的な成果を達成しました。このモデルは、14種類の音楽構造タグ（イントロなど）をサポートしています。

Mureka V8は、崑崙万威が開発したAI音楽ビッグモデルです。MusiCoT（音楽思考連鎖）技術アーキテクチャに基づき、音の合成から人間のような創造的な論理へと飛躍的な進化を遂げています。

DeepSpeed-MIIは、DeepSpeedチームが開発したオープンソースのPythonライブラリで、効率的なモデル推論を実現します。DeepSpeed-MIIは、ブロッキングキーバリューキャッシュ、シーケンシャルバッチ処理、動的SplitFuseなどの革新的な技術を用いて、推論パフォーマンスを大幅に向上させます。

Decart AIが開発したLucy 2.0は、リアルタイムの世界変換モデルであり、高精細なビデオ編集をオフラインレンダリングからインタラクティブなリアルタイム体験へと飛躍させることを可能にする。