AIニュース

Jina-embeddings-v3は、Jina AIが開発した高度なテキスト埋め込みモデルで、多言語データ処理と長文テキストのコンテキスト検索タスク向けに設計されています。このモデルは5億7000万個のパラメータを持ち、最大8192個のトピックをサポートしています。

Click2Maskは、複雑なマスキングや詳細な説明を必要とせず、画像をクリックするだけで局所的な編集を実行できる高度な画像編集技術です。これは、マスクを動的に生成し、混合潜伏拡散（BLD）と組み合わせることで実現されます。

DrawingSpinUpは、香港城市大学の研究チームが開発した高度な3Dアニメーション生成技術です。2Dキャラクターのイラストを、元の絵のスタイルを維持しながら、ダイナミックな3Dアニメーションに変換します。

Qwen2.5-Coderは、アリババのQwenチームが開発した、オープンソースのコード言語モデルの開発を推進する包括的なコード生成モデルです。コード生成、コード推論、コード修正などのタスクにおいて非常に優れた性能を発揮します。このシリーズは、さまざまな分野を網羅しています。

Qwen2.5-Mathは、アリババのQwenチームが開発したオープンソースのAI数学モデルです。Qwen2-Mathのアップグレード版であり、中国語と英語の両方をサポートしています。このモデルは大規模な数学データで事前学習されており、CoT、PoT、TIR推論手法を組み合わせています。

Qwen2.5は、アリババ傘下のTongyi Qianwenチームがオープンソース化した最新かつ最も強力なAIモデルです。0.5B、1.5B、3B、7B、14B、32B、72Bなど、様々なパラメータスケールを持つモデルが用意されています。このモデルは、最先端の大規模事前学習技術を活用しています。

abab-video-1は、MiniMax初のAI搭載高解像度動画生成モデルです。最大解像度1280x720、フレームレート25fpsの高解像度動画生成に対応し、映画のようなカメラワーク効果や、テキスト説明に基づいた動画の高速生成機能などを備えています。

abab-music-1は、MiniMaxが開発した大規模なエンドツーエンドAI音楽生成モデルです。多機能なエンドツーエンド音楽生成をサポートし、インストゥルメンタルやアカペラなど様々な音楽形式の合成が可能で、伴奏やボーカルにも対応しています。

Hugging Faceが開発したFineVideoは、感情分析、ストーリーテリング、メディア編集など、ビデオ理解における複雑なタスクに焦点を当てた大規模なマルチモーダルビデオデータセットです。FineVideoには43,000を超えるY...

VoidはVisual Studio Codeをベースに構築されたオープンソースのテキストエディタで、AI技術を統合することでプログラミング体験を向上させています。Voidはコードの自動補完、インライン編集、AIによるコード検索、大規模な言語モデルとの直接的な対話などをサポートしています。

Draw an Audioは、中国科学院自動化研究所と美団点評の研究者らが開発した、映像から音声を生成するシステムです。映画制作におけるフォーリーアートのように、映像コンテンツに基づいて自動的に適切な効果音を生成します。

CogVideoX-5B-I2Vは、Zhipu AIが開発したオープンソースの画像から動画への変換モデルで、単一の画像とテキストプロンプトから動画を生成します。このモデルは、3D因果変分オートエンコーダーとエキスパート適応型LayerNormテクノロジーを採用しており、以下のような出力が可能です。

RapidPagesは、AI技術を用いてReactとTailwind CSSのUIコンポーネントを迅速に生成することに特化したオープンソースの統合開発環境（IDE）です。自然言語処理に基づいており、ユーザーは希望するインターフェースを説明するだけでUIコンポーネントを作成できます。

Ovis 1.6は、アリババの国際AIチームが開発したマルチモーダル大規模モデルです。マルチモーダルコンピューティングの総合ベンチマークであるOpenCompassにおいて優れた結果を達成しており、特にパラメータ数が30億未満のモデルの中で総合スコア1位を獲得しています。

Gummyは、Tongyi Labが2024年のYunqi Conferenceで発表したエンドツーエンドの音声翻訳モデルです。このモデルは、中国語、英語、広東語、日本語、韓国語、フランス語、ドイツ語などを含む言語に対応し、リアルタイムストリーミングで音声認識と翻訳結果を生成できます。

cogvlm2-llama3-captionモデルは、CogVLM2アーキテクチャに基づいた動画説明生成モデルです。このモデルは、動画コンテンツを理解し、動画コンテンツを説明するテキストタイトルや字幕を自動的に生成するために使用されます。

3DTopia 2.0は、上海人工知能研究所と南洋理工大学が共同開発した大規模3Dオブジェクト生成モデルです。このモデルは、革新的なプリミティブベースの3D表現手法であるPrimXを採用しています。

StoryMakerは、Xiaohongshuが開発したオープンソースのテキストから画像を生成するツールで、クリエイターが連続する画像コンテンツ全体でペルソナの一貫性を維持できるよう支援することに重点を置いています。Stable Diffusion XLモデルとLoRAテクノロジーに基づいて、...

CogVideoX-Funは、CogVideoXをベースにEasyAnimateで改良されたAIビデオ生成パッケージです。より柔軟な生成条件を提供し、テキストからビデオ、画像からビデオ、ビデオからビデオの生成をサポートします。ツール...

ItiNeraは、香港大学とMITが共同開発したスマートシティ旅行計画システムです。大規模言語モデル（LLM）と空間最適化技術に基づき、カップル向けのバーやアニメ・マンガをテーマにした場所など、ユーザーの個人的なニーズに合わせて、ワンクリックでC++テンプレートを生成します。

華智ビッグモデル5.0は、同方知識網とファーウェイクラウドが共同で開発したAIビッグモデルであり、マルチモーダルな理解と生成能力を備えています。華智ビッグモデル5.0の最大の特長は、70億から1350億までの多次元モデル構築能力にあります。

LVCD（Large Video Color Diffusion）は、アニメーション動画の線画に色を付けるために特別に設計された動画拡散フレームワークです。白黒の線画を自動的にカラーアニメーション動画に変換できます。LVCDは高度な拡散モデルを使用しています...

LLaMA-Omniは、中国科学院計算技術研究所および中国科学院大学の研究者によって開発された、大規模言語モデル（LLM）を用いた低遅延かつ高品質な音声対話を実現するための新しいモデルアーキテクチャです。これは、事前学習済みのモデルを統合し、...

SCoRe（強化学習による自己修正）は、Google DeepMindが開発した革新的な複数ラウンド強化学習手法であり、大規模言語モデル（LLM）の自己修正能力を向上させることを目的としています。