AIニュース

NVIDIA Earth-2は、NVIDIA初の完全オープンソースAI気象予報モデルファミリーであり、Atlas、StormScope、HealDAという3つのコアアーキテクチャに基づいており、15日間の世界規模の中期予報、0～6日間の降雨量予測などを実現しています。

Kimi K2.5は、Dark Side of the Moonの最新世代のオールラウンドなフラッグシップモデルであり、約15TBのビジュアルデータとテキストデータで学習されています。最高レベルのコード生成機能とビジュアル理解機能を誇り、自律エージェントクラスタの連携をサポートします。

DeepSeek-OCR 2は、DeepSeekチームがリリースした第2世代OCRモデルです。DeepEncoder V2アーキテクチャを導入することで、固定スキャンから意味推論へのパラダイムシフトを実現しています。このモデルは、因果ストリームクエリとデュアルストリームインジェクションを採用しています。

LingBot-Depthは、Ant Lingbo Technologyが開発したオープンソースの高精度空間認識モデルであり、透明で反射性の高い物体（ガラスなど）におけるロボットの奥行き認識という課題を解決するために設計されています。

Vidu Q2 Reference Proは、世界初の「あらゆるものを参照可能」なビデオモデルであり、マルチモーダル入力（ビデオ2本と画像4枚）をサポートすることで、クリエイターに強力な機能を提供します。

White Tiger-VTouchは、世界初にして最大のクロスボディ視覚・触覚マルチモーダルデータセットであり、国立地方共同建設ヒューマノイドロボットイノベーションセンターがVTouch Roboticsと共同でオープンソース化したものです。このデータセットには、視覚・触覚センサーデータ、RGB-Dデータなどが含まれています。

TensorRT LLMは、NVIDIAが開発した、NVIDIA GPU上で大規模言語モデル（LLM）の推論パフォーマンスを向上させるフレームワークです。PyTorchアーキテクチャをベースとしたTensorRT LLMは、効率的で使いやすいPython APIを提供します。

Qwen3-Max-Thinkingは、アリババが開発した「千の質問」プラットフォーム向けの最新の主力推論モデルであり、1兆を超えるパラメータと36TBの事前学習済みトークンを誇ります。テスト時のスケーリングと強化学習により、このモデルは推論性能と効率を大幅に向上させています。

HunyuanImage 3.0-Instructは、テンセントが開発した高度な画像生成・編集モデルです。80個のパラメータを持つハイブリッドエキスパート（MoE）アーキテクチャに基づいており、ユーザーが入力した画像を深く理解することができます。

SGLangは、大規模な言語モデルおよびマルチモーダルモデル向けのオープンソースの高性能推論フレームワークです。このフレームワークは、低遅延かつ高スループットの推論サービスを提供し、単一GPUから大規模分散クラスタまで、幅広い環境への展開をサポートします。

vLLMは、カリフォルニア大学バークレー校のSky Computing Labが開発したオープンソースの大規模言語モデル（LLM）推論および展開フレームワークです。ユーザーに高速かつ低コストのモデルサービスを提供することをサポートしています。vLLMは革新的なメモリ管理技術を活用しています。

Clawdbotは、ローカルデバイス上で動作し、WhatsAppやTelegramなどのチャットアプリケーションを通じてユーザーと対話するオープンソースのパーソナルAIアシスタントです。

OpenJudgeは、プロトタイプから本番環境への移行における課題を解決するオープンソースのAIアプリケーション評価フレームワークです。体系的な評価メカニズムを通じて、このフレームワークは開発者がAIアプリケーションのパフォーマンスを定量的に評価し、複雑なビジネスシナリオにおける有効性を確保するのに役立ちます。

D4RT（Dynamic 4D Reconstruction and Tracking）は、Google DeepMindが開発した動的4D再構成モデルです。このモデルは、統一された時空間クエリインターフェースを通じて、3D再構成、カメラトラッキング、および動的オブジェクトトラッキングを統合します。

FlowAct-R1は、ByteDanceが開発したリアルタイムのインタラクティブなデジタルヒューマン動画生成フレームワークです。単一の参照画像と音声データのみで、長さ無制限の全身ダイナミック動画のストリーミング生成をサポートします。

Agentationは、開発者とAIプログラミングアシスタント間の非効率的なコミュニケーションの問題を解決するオープンソースのAIプログラミングコラボレーションツールです。このツールを使用すると、ユーザーはWebページ上で質問を直接注釈付けし、視覚的なフィードバックを読みやすいコードに変換できます。

Qwen3-TTSは、Qwenが提供するオープンソースの音声生成モデルシリーズで、音色の複製、生成、音声制御において強力な機能を備えています。このモデルは、革新的なQwen3-TTS-Tokenizer-12Hzマルチコードブック音声エンコーダーに基づいており、効率的な音声生成を実現します。

Being-H0.5は、陸宗慶氏のチームが開発した汎用ロボットモデルです。人間の事前知識と統一的な動作アライメントを用いることで、異なるハードウェア形態のロボット間での戦略伝達の問題を解決できます。

LightOnOCR-2-1Bは、LightOnAIが開発した高効率OCRモデルです。わずか10億個のパラメータで、複雑な文書処理において卓越した性能を発揮し、学術論文、数式、複雑な表の認識に優れています。

AgentCPM-Reportは、清華大学自然言語処理研究所、中国人民大学、Wallfacer Intelligence、およびOpenBMBオープンソースコミュニティが共同開発した、ローカライズされた深層学習エージェントです。8B個のパラメータを持つMiniCPM4.1モデルに基づいています。

VibeVoice-ASRは、Microsoftがオープンソース化した高度な音声認識モデルで、最大60分までの長尺音声クリップの処理に特化して設計されています。このモデルは音声セグメント全体を一度に処理できるため、全体的なコンテキストが保持され、従来のモデルによく見られる分割処理の制約を回避できます。

Model1は、DeepSeekがFlashMLAのコードベース内で更新・公開した謎のモデルです。これは、次世代フラッグシップモデルであるDeepSeek-V4の内部コードネーム、あるいは最初のエンジニアリングバージョンである可能性があります。

Chroma 1.0は、FlashLabs初のオープンソースリアルタイムエンドツーエンド音声対話モデルであり、低遅延の対話、高忠実度のパーソナライズされた音声クローン、そして強力な会話機能を特徴としています。このモデルは音声理解と音声生成を密接に連携させ、1:2のテキスト対音声比率を採用しています。

Step3-VL-10Bは、Step3 StarCraftが開発した、わずか10個のパラメータを持つオープンソースのマルチモーダルモデルです。視覚認識、論理的推論、数学競技、一般的な対話といったタスクにおいて、200個のパラメータを持つモデルと同等の性能を発揮します。