AIニュース

AIEditorは、AI向けに設計された次世代リッチテキストエディタです。Web Componentsに基づいて開発されたAIEditorは、Layui、Vue、React、Angular、Svelteなど、ほぼすべてのフロントエンドフレームワークをサポートしています。AIEditorは、以下のフレームワークと互換性があります。

Omagesは、画像拡散技術を用いて3D形状の幾何学的情報とテクスチャ情報を64x64ピクセルの2D画像にエンコードすることで、3Dモデリングプロセスを簡素化するオープンソースの3Dモデル生成プロジェクトです。

GLM-4-Flashは、Zhipu AIが初めてリリースした無料の大規模モデルAPIです。GLM-4-Flashは、複数ターン対話と多言語処理をサポートするだけでなく、Webブラウジングやコード実行などの高度な機能も備えています。開発者や企業は、Zhipu AIを利用して…

AgentGenは、香港大学とマイクロソフトが共同で立ち上げたAIプロジェクトフレームワークです。多様な環境とタスクを自動生成することで、大規模言語モデル（LLM）のプランニング能力を大幅に向上させます。AgentGenはBI-EVOLメソッドを利用して、挑戦的な環境とタスクを生成します。

MotionGenは、MotionGen Technology社が開発した3Dモーション生成モデルです。大規模モデル、物理シミュレーション、強化学習アルゴリズムを組み合わせることで、シンプルなテキストコマンドのみを使用して、リアルで滑らかな3Dモーションを素早く生成できます。MotionGenは…

Google初のAIゲームエンジンであるGameNGenは、DOOMのリアルなゲーム映像を毎秒20フレームでリアルタイムに生成することができ、プレイヤーの60%にとって現実と見分けがつかないほどだ。GameNGenは、ゲーム開発がもはや従来の手法を必要としなくなる可能性を示唆している。

GLM-4-Plusは、Zhipu AIの最新ハイインテリジェンスフラッグシップモデルであり、言語理解と長文処理において画期的な進歩を遂げています。PPOなどの革新的な技術を採用することで、推論能力と指示理解能力を大幅に向上させています。GLM-4-Plusは、いくつかの重要な分野で優れた性能を発揮します。

CogView-3-Plusは、Zhipu AIが開発した最新のAIテキスト画像生成モデルです。従来のUNetではなくTransformerアーキテクチャを採用し、拡散モデルにおけるノイズプランニングを最適化しています。CogView-3-Plusは画像生成において非常に優れた性能を発揮し、…

GLM-4V-Plusは、Zhipu AIが開発した最新のマルチモーダルAIモデルで、画像と動画の理解に重点を置いています。GLM-4V-Plusは、静止画像を正確に分析できるだけでなく、動的な動画コンテンツの時間的認識と理解能力も備えており、キャプチャと...

Qwen2-VLは、Alibaba DAMO Academyが開発したオープンソースのビジュアルマルチモーダルAIモデルで、高度な画像および動画理解能力を備えています。Qwen2-VLは多言語に対応し、様々な解像度やアスペクト比の画像を処理でき、動的な動画をリアルタイムで分析できます。

auto-video-generatorは、AIを搭載した自動ナレーション動画生成ツールで、ワンクリックでナレーション動画を生成できます。ユーザーはトピックを入力するだけで、システムが自動的にスクリプトを作成し、音声合成を行い、画像を生成して動画に統合します。これにより、動画制作の効率が大幅に向上します。

VFusion3Dは、Metaとオックスフォード大学の研究者によって立ち上げられた、AI生成による3Dモデルプロジェクトです。単一の画像またはテキスト記述から高品質の3Dオブジェクトを生成できます。VFusion3Dは、事前学習済みのビデオAIを微調整し…

edge-ttsは、40以上の言語と300以上の音声をサポートするオープンソースのAIテキスト読み上げプロジェクトです。Edge-ttsは、Microsoft Azure Cognitive Servicesの機能を活用して、テキストを流暢で自然な音声に変換します。

LM Studioは、オープンソースで使いやすく、ネイティブ大規模言語モデル（LLM）のデプロイをワンストップで実現するネイティブ大規模言語モデルアプリケーションプラットフォームです。Llama、MPT、Gemmaなどをサポートしていますが、これらに限定されません。LM Studioはグラフィカルユーザーインターフェースを提供します。

Video-LLaVA2は、北京大学のChatLaw研究グループが開発したオープンソースのマルチモーダルインテリジェント理解システムです。革新的な時空間畳み込み（STC）コネクタとオーディオブランチにより、ビデオとオーディオの理解能力を強化しています。このモデルはビデオにおいて優れた性能を発揮します。

MUMUは、テキストプロンプトと参照画像を組み合わせることで生成画像の精度と品質を向上させるマルチモーダル画像生成モデルです。MUMUモデルのアーキテクチャは、SDXLの事前学習済み畳み込みUNetに基づいており、...

LLaVA-OneVisionは、ByteDanceが開発したオープンソースのマルチモーダルAIモデルです。データ、モデル、視覚表現からの知見を統合することで、LLaVA-OneVisionは単一画像、複数画像、動画を含むコンピュータビジョンシナリオを同時に処理できます。

HMoE（Hybrid Heterogeneous Expert Model）は、テンセントのHunyuanチームが提案した新しいニューラルネットワークアーキテクチャであり、大規模言語モデルの性能と計算効率の向上を目指しています。このアーキテクチャは、さまざまな複雑さの入力を処理するために、異なるサイズのエキスパートを導入しています。

CustomCrafterは、テンセントと浙江大学が共同で開発したカスタム動画生成フレームワークです。テキストプロンプトと参照画像に基づいて高品質でパーソナライズされた動画を生成できるだけでなく、モーション生成やコンセプト構成の機能も備えています。

LitServeは、FastAPIをベースとした高性能AIモデル展開エンジンであり、エンタープライズグレードのAIサービス向けに特化して設計されています。バッチ処理、ストリーミング処理、およびGPUの自動スケーリングをサポートし、モデル展開プロセスを簡素化します。

LongVILAは、NVIDIA、MIT、カリフォルニア大学バークレー校、テキサス大学オースティン校が共同開発した、長尺動画理解のための視覚言語AIモデルです。共同アルゴリズムとシステム設計により、多数のGPU上で高いパフォーマンスを実現しています。

LeRobotは、HuggingFaceが立ち上げたオープンソースのAIチャットボットプロジェクトで、元テスラの研究員であるレミ・カデネ氏が率いています。LeRobotは、事前学習済みモデルやデータなどを提供することで、ロボット工学への参入障壁を下げることを目指しています。

OmniCorpusは、86億枚の画像と1兆6960億個のテキストタグを含む大規模なマルチモーダルデータセットで、中国語と英語の両方をサポートしています。上海人工知能研究所と複数の著名な大学および研究機関が共同で構築しました。OmniCorpusは…

EasyOCRは、中国語、アラビア語、キリル文字など80以上の言語と複数の文字体系をサポートする強力なオープンソースOCR（光学文字認識）プロジェクトです。ディープラーニング技術に基づいており、高精度のテキスト認識を提供します。