AIニュース

DeepSeekチームが北京大学と共同開発した条件付きメモリモジュールであるEngramは、大規模言語モデル（LLM）のパフォーマンスを向上させます。Engramは、最新のグラム埋め込みテーブルを導入することで、静的な知識を専用メモリに格納します。

Baichuan-M3は、Baichuan Intelligenceが公式にリリースした新世代のオープンソース医療拡張言語モデルです。このモデルは、診断能力、医療錯覚制御、HealthbenchおよびHealthbench Hardベンチマークで1位を獲得し、…

Nuwax Agent OSは、世界初の製品グレードのオープンソース汎用インテリジェントエージェントオペレーティングシステムです。Nuwax Agent OSは、AIを単なる対話ツールから企業向けのインテリジェントな実行ツールへと変革し、自律的な実行を可能にします。

Oh My OpenCodeは、AIプログラミングアシスタント向けに設計されたオープンソースの拡張プラグインで、AI（OpenCodeなど）が実際の開発チームと同じように効率的に連携できるようにすることで、プログラミング体験を向上させます。このツールは、さまざまなAIモデル（例：...）を統合します。

Spirit-v1.5 は、Qianxun Intelligence が発表した具現化された知能の基盤モデルです。このモデルは、多様でオープンなデータ収集方法を採用し、従来の「クリーンデータ」の制約を克服することで、モデルがより豊富なアクションに触れることができるようにし、事前学習フェーズでそれを実現しています。

Obsidian-skillsは、Obsidianチームが開発したオープンソースツールのセットで、ユーザーがAIツール（Claude Codeなど）をObsidianノートシステムにうまく統合できるように支援します。これには、obsidian

DeepTutorは、香港大学データサイエンス研究所が開発したオープンソースのAI学習アシスタントです。マルチエージェントアーキテクチャと知識グラフ技術を通して、複雑な知識システムを効率的な学習体験へと変革します。

Nemotron Speech ASRは、NVIDIAが開発したオープンソースの音声認識モデルで、低遅延かつリアルタイムのストリーミング音声認識に特化しています。キャッシュ対応アーキテクチャを採用し、処理済みの音声特徴量をキャッシュすることで、新しい音声フレームに対してのみ計算を実行し、単一文の文字起こしを実現します。

FantasyWorldは、AMAP（Amap）と北京郵電大学が共同開発した革新的な3Dワールドモデリングフレームワークです。統一されたビデオと3D予測を通じて高品質な3Dシーンを生成することに重点を置いています。このフレームワークは、静止画をベースとして使用します...

Qwen3-VL-Embeddingは、アリババ同義が発表したマルチモーダル情報検索モデルで、テキスト、画像、ビジュアルドキュメント、ビデオなどのマルチモーダル入力を処理するために特別に設計されています。強力なQwen3-VLアーキテクチャに基づいて、このモデルは…

Qwen3-VL-Rerankerは、Alibaba TongyiがQwen3-VLをベースに構築した、マルチモーダル情報検索に特化したクロスモーダル理解モデルです。このモデルは、任意のモーダル組み合わせ（例えば、テキストと画像のクエリをテキストと文書のペアでマッチングするなど）を持つクエリと文書のペアを受け入れます。

VoiceSculptorは、西北工業大学、YTO Intelligenceなどの機関が共同開発した音声設計モデルです。自然言語コマンドを通して、音声合成をきめ細かく制御することができます。

ChatDev 2.0は、清華大学、上海交通大学、OpenBMB、Wallfacer Intelligenceの共同チームによってオープンソース化された、ノーコードのマルチエージェントツールです。このツールはビジュアルインターフェースを採用しており、ドラッグ＆ドロップによる設定でマルチエージェントシステムを迅速に構築できます。

EvoCUA（Evolving Computer Use Agent）は、Meituanが開発したオープンソースのマルチモーダルモデルで、コンピュータ使用タスクの自動化に重点を置いています。EvoCUAは、自然言語コマンドとスクリーンショットを使用して、Chrome、Excel、PowerPointなどのタスクを自動化します。

MMSI-Video-Benchは、ビデオ空間インテリジェンスにおけるマルチモーダル大規模言語モデル（MLLM）の能力を評価するためのベンチマークツールです。上海人工知能研究所と複数の大学が共同開発したこのツールは、現実世界のシナリオにおけるモデルを包括的に評価します。

Youtu-LLMは、テンセントのYoutuチームがオープンソース化した軽量言語モデルで、19億6000万個のパラメータを備えています。エージェントタスク向けに特化して設計されており、強力な「ネイティブエージェント機能」を備え、複数のタスクにおいて、同規模またはそれ以上の規模のモデルを凌駕する性能を発揮します。

OS-Copilotは、ネットワーク、コード端末、ファイル、マルチメディア、サードパーティ製アプリケーションなど、オペレーティングシステム内のさまざまな要素と対話できる汎用コンピュータインテリジェントエージェントの構築を目的としたオープンソースのオペレーティングシステムインテリジェントアシスタントプロジェクトです。その中核はFRIです。

Gen Robot.AIチームがオープンソース化した10Kh RealOmni-Openデータセットは、業界最大規模のオープンソースデータセットの一つです。10,000時間以上のデータ、100万以上のタスククリップ、そして合計ストレージ容量を備えています。

UI-TARS Desktopは、ByteDanceが開発したオープンソースのデスクトップ自動化ツールで、ビジュアル言語モデルに基づいています。ファイルのオープン、ウェブページの閲覧、ソフトウェアの操作など、自然言語コマンドによるコンピュータ操作の制御をサポートし、画面入力の正確な認識が可能です。

Open Interpreterは、大規模言語モデル（LLM）のネイティブコード実行機能を提供するオープンソースのAIエンドポイントアシスタントプロジェクトです。自然言語インターフェースを通じて、ユーザーはエンドポイント内でChatGPTと同様の方法で操作できます。

TeleChat3は、中国電信傘下の通信人工知能研究所（TeleAI）が独自開発した、数百億のパラメータを持つきめ細かいMoEセマンティックモデルです。国内で生産されたコンピューティングパワーを用いて学習され、複数ターン対話、テキスト生成、コード生成などのタスクをサポートします。モデルパッケージは…

openPangu-VL-7Bは、ファーウェイが開発したオープンソースのマルチモーダルモデルで、Ascendハードウェア向けに最適化されています。言語機能と画像認識機能を組み合わせたこのモデルは、強力な画像位置特定機能とOCR機能を備えており、画像、文書、動画などの処理を効率的に行うことができます。

MiroThinker v1.5は、MiroMindチームが開発したオープンソースの探索エージェントモデルです。インタラクティブな拡張技術により、推論と外部環境を密接に連携させることで、膨大なパラメータに依存する従来の大型モデルの限界を克服しています。

TuriX-CUAは、PythonをベースとしたオープンソースのAIエージェントで、AI技術を用いてデスクトップ操作を自動化します。TuriX-CUAはスクリーンショットを撮ることで画面を「認識」し、マルチモーダルな大規模モデルを用いて次のアクションを「思考」し、ユーザーの指示に従ってタスクを実行します。