AIニュース

ML-Master 2.0は、上海交通大学人工知能学院、上海アルゴリズムイノベーション研究所、DeepTechのメンバーで構成されるSciMasterチームによって開発された、実世界の機械学習研究タスクのための自律型インテリジェントエージェントです。ML-Master 2.0は…

QuantiPhyは、スタンフォード大学のFei-Fei Li氏のチームが開発した、視覚言語モデル（VLM）の物理的推論能力を定量的に評価する初のベンチマークです。QuantiPhyは3300を超えるビデオテキストインスタンスを使用し、モデルに視覚情報に基づいた物理的推論を実行させます。

Infographicは、アリババのAntVフロントエンドチームがオープンソース化した次世代インフォグラフィックフレームワークです。G2ビジュアライゼーションエンジンとAnt Designをベースに、高品質で安定したインフォグラフィックを迅速に生成できます。

opcodeは、Claude Code向けに開発されたオープンソースのデスクトップグラフィカルインターフェースツールです。複雑なコマンドライン操作を直感的なビジュアル体験に変換することで、ユーザーエクスペリエンスを大幅に向上させます。

MedASRは、Googleが開発した医療分野に特化した音声認識モデルです。Conformerアーキテクチャに基づいており、10⁵百万個のパラメータを持っています。このモデルは、膨大な量の医療音声データ（約5000時間）で事前学習されており、…

TurboDiffusionは、清華大学、バイオニューメリカル・リサーチ、カリフォルニア大学バークレー校が共同開発した動画生成高速化フレームワークです。このフレームワークは、SageAttention、SLA（スパース線形アテンション）、rCM（タイムステップ蒸留）などの技術を利用しています。

Seed Prover 1.5は、ByteDanceのSeedチームが開発した次世代の形式的数学的推論モデルです。このモデルは、革新的なエージェント型プロバーアーキテクチャを採用し、大規模強化学習（エージェント型RL）によってトレーニングされています。

MiniMax M2.1は、MiniMaxが開発した多言語プログラミングAIモデルです。このモデルは、Rust、Java、Golangなど複数の言語の機能を体系的に向上させ、基盤層からアプリケーション層までの開発を網羅しています。

PromptFillは、AI描画専用に設計された構造化されたプロンプト生成ツールです。視覚的な穴埋め操作を通して、複雑なプロンプトを素早く作成できます。メモリ過負荷、文法的な混乱、再利用性の低さなど、従来のプロンプトが抱える問題を解決します。

Fun-Audio-Chatは、Alibaba CloudのTongyi Bailingチームがオープンソース化した次世代のエンドツーエンド音声対話モデルで、音声理解、感情認識、タスク実行の機能を備えています。このモデルは、5Hzと25Hzのフレームレートを併用するデュアル解像度設計を採用しています。

GLM-4.7は、Zhipu AIが開発したオープンソースモデルで、コーディング能力、推論能力、ツール連携の向上に重点を置いています。このモデルは、多言語プログラミング、複雑なタスクプランニング、フロントエンドデザインの美学に優れており、様々なプログラミングフレームワークをサポートしています。

NitroGenは、NVIDIAがスタンフォード大学、カリフォルニア工科大学、その他の機関と共同で開発したオープンソースの汎用ゲームAIモデルです。1,000以上のゲームを網羅する40,000時間分のビデオデータで学習されており、大規模な行動クローニング技術を採用しています。

Qwen-Image-Layeredは、アリババが開発したAI画像編集モデルです。通常の画像を自動的に独立したRGB透明レイヤーに分割し、Photoshopと同様のレイヤー編集機能を実現します。これは、アテンションメカニズムと位置エンコーディングによって実現されています。

FunctionGemmaは、Googleが開発した軽量AIモデルで、関数呼び出しの最適化に特化しており、2億7000万個のパラメータを備えています。Gemma 3アーキテクチャに基づいており、モバイルデバイス、ブラウザ、その他のエッジデバイスで動作するように設計されており、...

T5Gemma 2は、Googleが開発した新しいオープンソースのエッジサイドマルチモーダル長コンテキストエンコーダー・デコーダーモデルです。このモデルは、回帰によって従来のTransformerアーキテクチャを最適化し、バインドワード埋め込みやマージドアテンションメカニズムなどの革新的な機能を導入し、パラメータスケーリング機能も備えています。

GPT-5.2-Codexは、OpenAIが開発したインテリジェントエージェントプログラミングモデルで、複雑なソフトウェアエンジニアリングと防御的なサイバーセキュリティのために特別に設計されています。このモデルはGPT-5.2のアップグレード版であり、指示への準拠、長いコンテキストの理解などの機能が向上しています。

EcomBenchは、Tongyi LabsとSkylenageが共同で開発した、eコマースシナリオにおけるAI能力評価ベンチマークです。実世界のデータに基づいて構築されたEcomBenchは、政策コンサルティング、コスト見積もり、製品選定決定など、7つのカテゴリを網羅しています。

Kairos 3.0は、DaXiao Roboticsが提唱するACE（Advanced Computing Equipment）開発パラダイムに基づいた、業界初のオープンソースかつ商用利用可能な世界モデルです。

VTP（Visual Tokenizer Pre-training）は、MiniMaxビデオチームが開発したオープンソースのビジュアル生成モデルの事前学習フレームワークです。このフレームワークは、コントラスト学習、自己教師あり学習、再構成学習を統合することで、ビジュアルトークナイザーの最適化に重点を置いています。

TRELLIS.2は、Microsoftが開発したオープンソースの40億パラメータを持つ3D生成モデルで、単一画像から高精細な3Dアセットを効率的に生成するように設計されています。その中核となる革新性は、複雑なトポロジー（オープンテーブルなど）を処理できるO-Voxelスパースボクセルアーキテクチャにあります。

Seed 1.8は、ByteDanceが開発した汎用エージェントモデルで、強力なマルチモーダル機能を備え、テキストと画像入力に対応しています。このモデルは、検索、コード生成、GUI操作機能を統合しており、複雑なワークフローを効率的に完了させることができます。

SHARPは、Appleが開発したオープンソースのAIモデルで、1枚の2D写真を1秒未満でリアルな3Dシーンに変換できます。このモデルは、3Dガウス表現技術と、単一のフィードフォワードパスを持つニューラルネットワークを使用して、シーンの3D表現を高速に予測します。

Step-GUIは、StepLeapStarが開発したAIエージェントシリーズのモデルで、クラウドベースのStep-GUIとエッジベースのStep-GUI Edgeの2種類があります。クラウドベースのモデルは複雑なタスクの処理に優れており、エッジベースのモデルは軽量でモバイルデバイス上でローカルに実行できます。

SAM Audioは、Metaが開発したオープンソースの音声セグメンテーションモデルで、テキスト、視覚情報、時間的断片などのマルチモーダルな手がかりを用いて、複雑な音声混合物から特定の音を分離することができます。そのコア技術は、Perception Encoder Audioviです。