AIニュース

FLUX-Controlnet-Inpaintingは、アリババ傘下のAlimamaが開発した画像修復ツールで、ControlNetとFLUX.1-devの技術を統合しています。このツールは、ユーザーが指定したマスク領域に基づいて画像を修復します。

Ropeは、InsightFaceのinswapper_128モデルをベースに構築されたオープンソースのAI顔交換ツールで、ユーザーフレンドリーなグラフィカルインターフェースを提供します。ユーザーは画像や動画をアップロードし、数秒で顔交換操作を完了でき、優れた結果が得られます。

Westlake-Omniは、Westlake Omniが開発した、世界初のオープンソースのエンドツーエンド中国語感情ベース音声対話モデルです。このモデルは離散表現を採用し、テキストと音声の処理を統合し、迅速なユーザー応答のためのリアルタイム性能を特に重視しています。

AutoGen Studioは、Microsoft Researchが開発したオープンソースのグラフィカルインターフェースツールで、マルチエージェントシステムの構築、デバッグ、評価を簡素化するように設計されています。AutoGen Studioは、WebベースのインタラクティブインターフェースとPythonを提供します。

IDIFYは、AI技術を使用して画像を自動的に切り抜き、ユーザーが規格に準拠したID写真を迅速に作成できる、無料のオープンソースオンラインID写真生成ツールです。ユーザーは、写真をブラウザにアップロードし、サイズと背景色を選択するだけで、…

Emu3は、北京人工知能研究院（BAAI）が開発したネイティブなマルチモーダル世界モデルです。BAAIが独自開発したマルチモーダル自己回帰技術を採用し、画像、動画、テキストを共同で学習させることで、ネイティブなマルチモーダル機能を実現しています。

CCI 3.0は、北京人工知能研究院（BAAI）が公開した大規模な中国語インターネットコーパスで、1000GBのデータセットと498GBの高品質サブセットであるCCI 3.0-HQが含まれています。このバージョンは、CCI 2.0と比較してデータ規模がほぼ1倍に拡大されています。

MemFreeは、複数のAIモデルと検索エンジンを統合したオープンソースのハイブリッドAI検索エンジンで、効率的で多様な検索体験を提供します。ユーザーは、テキスト、画像、ドキュメント、Webページなどを使用して検索や質問を行うことができます。

GarDiffは、CLIPとVAEエンコーディングを使用して衣服の外観を事前に抽出し、衣服フォーカスアダプタと高周波ディテール強調アルゴリズムを組み合わせることで、高忠実度で詳細な試着画像を生成する革新的な仮想試着技術です。

NeMoは、NVIDIAが提供するエンドツーエンドのクラウドネイティブフレームワークであり、生成型AIモデルの構築、カスタマイズ、およびデプロイを可能にします。大規模言語モデル（LLM）、マルチモーダルモデル、音声認識、テキスト音声合成（TTS）などのアプリケーションをサポートしています。

Oryxは、清華大学、テンセント、南洋理工大学が共同開発したマルチモーダル大規模言語モデル（MLLM）です。視覚データの処理には、事前学習済みのOryxViTモデルと動的圧縮モジュールという2つのコアイノベーションを活用しています。OryxVi...

I2VEditは、画像から動画への拡散モデルを利用してフレーム単位での動画編集を可能にする、高度な動画編集フレームワークです。ユーザーは動画の最初のフレームを編集するだけでよく、I2VEditは編集内容を動画全体に自動的に適用します。

ノースイースタン大学とStability AIが開発した先進技術であるHouseCrafterは、2Dフロアプランを自動的に3Dインテリアシーンに変換します。ネットワーク規模の画像学習済み2D拡散モデルに基づいて、一貫性のあるマルチビューを生成します。

AMD-135Mは、AMD初の小型言語モデル（SLM）であり、特定のユースケースにおいてパフォーマンスとリソース消費のバランスを提供します。LLaMA2モデルアーキテクチャに基づいており、670億個のデータに基づくAMD Instinct MI250アクセラレータでトレーニングされています。

JoyHalloは、JD.comが開発したオープンソースのAIデジタルヒューマンモデルで、特に中国語（北京語）向けに設計されています。音声データに基づいてリアルな会話動画を生成でき、特に中国語の複雑な唇の動きやイントネーションの処理に優れており、多言語での動画生成も可能です。

Seed-VCは、コンテキスト学習に基づいて高音質な音声出力と音色の類似性を実現する、サンプル不要の音声変換技術です。ユーザーは特別なトレーニングを必要とせず、1秒から30秒の参照音声サンプルを提供するだけで音声認識が可能になります。

Phidiasは、3Dモデリング分野に検索強化型生成（RAG）の概念を導入した高度な3Dコンテンツ生成モデルです。このモデルは、ユーザーが提供する3D参照モデル、または大規模データベースから取得したモデルに基づいて、新しいコンテンツを生成するのに役立ちます。

Movie Genは、Meta社が開発したAI動画生成ツールです。テキストプロンプトに基づいて動画を生成・編集し、同期音声を追加できます。この技術には、最大16秒の高解像度動画の作成、既存動画への音声追加、編集などが含まれます。

Mini-LLaVAは、清華大学と北京航空航天大学の研究チームが共同開発した軽量マルチモーダル大規模言語モデルです。画像、テキスト、動画の入力を処理でき、効率的なマルチモーダルデータ処理を実現します。

MemoryScopeは、大規模言語モデル（LLM）を持つチャットボット向けに設計された長期記憶システムです。フレームワークを構築することで、チャットボットが基本的なユーザー情報、習慣、嗜好を記憶し、パーソナライズされた対話型体験を提供できるようになります。

CogView3は、清華大学とZhipu AIが共同開発したオープンソースのAI画像生成モデルで、リレー拡散技術を採用しています。このモデルは段階的に画像を生成します。まず低解像度の画像を生成し、次にリレー超解像技術を用いて高解像度にアップスケールします。

RTranslatorは、Androidデバイス向けに特別に設計された、オープンソースの無料オフラインリアルタイム翻訳アプリケーションです。MetaのNLLB翻訳モデルやOpenAIのWhisper音声認識など、高度なAI技術に基づいています。

Molmo 72Bは、アレン人工知能研究所（AI2）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、画像データとテキストデータの処理および理解を目的として設計されています。Qwen2-72Bモデルをベースに、OpenAIのCLIPを視覚化ツールとして使用しています。

ProX（Programming Every Example）は、大規模言語モデル用の事前学習済みデータの品質を向上させるために設計されたフレームワークです。人間の専門家がルールを策定する従来の手法とは異なり、ProXはデータクリーニングをプログラミング問題として扱います。