AIニュース

SaRAは、上海交通大学とテンセントYouTu Labが共同開発した、事前学習済み拡散モデルのファインチューニング手法です。事前学習プロセスで効果がないと判断されたパラメータを再活性化することで、モデルを新しいタスクに適応させることができます。SaRAは…

Quanta Questは、個人ユーザー向けのオープンソースのAI時代対応型インテリジェントデータベース製品です。Gmail、Dropbox、Notionなどのソースからの個人データを単一のプラットフォームに統合し、RAGテクノロジーを使用してAI検索機能を提供することで、ユーザーを支援します。

BiGRは、生成トレーニングにコンパクトなバイナリ潜在コードを使用する新しい条件付き画像生成モデルであり、生成画像の品質と表現力を向上させます。生成タスクと識別タスクを同じフレームワーク内で統合した最初のモデルとして、BiGRは…

MoE++は、崑崙科技2050研究所と北京大学の袁力氏のチームが共同開発した、斬新なエキスパート混合アーキテクチャです。これは、計算コストがゼロのエキスパート、すなわちゼロエキスパート、レプリケーションエキスパート、および定数コストエキスパートの導入に基づいています。

Granite 3.0は、IBMが提供する高度なAIモデル群であり、数多くの学術および企業ベンチマークにおいて優れた性能を発揮します。企業向けアプリケーション向けに設計されたこれらのモデルは、テキスト生成、データセグメンテーションなど、さまざまなタスクを実行できます。

Project Turntableは、Adobeが2024年のMAXカンファレンスで発表した革新的なAIツールです。このツールを使うと、2Dベクター画像を3Dオブジェクトのように回転させることができ、画像の隠れた部分を瞬時に生成できます。AIモデルを使用して、隠れた部分を補完します。

OmniAIは、高度なOCR技術に基づいた強力なAI文書処理プラットフォームであり、PDF、DOCX、画像などの様々なファイル形式からの高速処理とデータ抽出をサポートします。このプラットフォームを使用すると、ユーザーは簡単に文書処理パイプラインを作成できます。

TaskWeaverは、Microsoftが開発したコードファーストのAIエージェントフレームワークで、データ分析タスクのシームレスな計画と実行に重点を置いています。コードスニペットに基づいてユーザーのリクエストを解釈し、さまざまなプラグイン（関数形式）の実行を効率的に調整します。

Stable Diffusion 3.5は、Stability AIが提供する最新の高度なAI画像生成モデルで、Stable Diffusion 3.5 Large、Stable Diffusion 3.5 Large Turbo、そして近日公開予定のバージョンが含まれます。

Mochi 1は、Genmoが開発したオープンソースの動画生成モデルで、優れたモーション品質とユーザーの指示への忠実性で知られています。Apache 2.0ライセンスでリリースされているMochi 1は、個人利用と商用利用の両方で無料で使用できます。このモデルは…

Claude 3.5 Haikuは、Anthropic社が発表した新しい人工知能モデルです。前モデルのClaude 3 Haikuと同等の速度とコストを維持しながら、以下のような様々な機能の向上を実現しています。

PUMAは、統合された多粒度視覚特徴に基づいて、視覚生成および理解タスクを統合・強化するために設計された、高度なマルチモーダル大規模言語モデル（MLLM）です。PUMAは、テキストから画像への生成、詳細な画像編集など、幅広いタスクに対応できます。

Janusは、DeepSeek AIが開発した自己回帰フレームワークであり、マルチモーダルな理解と生成タスクの統合を目指しています。従来の手法の限界を克服するため、視覚エンコーディングを異なるパスに分離し、処理には単一のトランスフォーマーアーキテクチャを使用しています。

PaddleOCR 2.9は、Baidu PaddlePaddleが開発したオープンソースの光学文字認識（OCR）ツールキットです。豊富なアルゴリズムとモデルを提供し、多言語をサポートし、データ注釈および合成ツールも備えています。

Mellumは、JetBrainsが開発した大規模言語モデル（LLM）であり、AI駆動型開発ツールを強化するために開発者向けに特別に設計されています。JetBrains IDEとの緊密な統合により、低遅延かつ高精度のコードを提供します。

Easegenは、コース制作やビデオ管理からインテリジェントなコースウェア生成、インテリジェントな質問生成まで、包括的なソリューションを統合したオープンソースのAI搭載デジタルヒューマンコース作成プロジェクトです。このプロジェクトは、PPTコースウェアのバッチ自動生成、デジタルヒューマンクローニング、音声認識などをサポートしています。

sCMは、OpenAIが開発した連続時間一貫性モデルであり、拡散モデルの原理に基づいています。sCMは理論的枠組みを簡素化し、サンプリングプロセスを最適化することで、画像生成速度を大幅に向上させています。sCMモデルは、わずか2回のサンプリングステップで画像を生成できます。

Moonshineは、リソース制約のあるデバイス向けに最適化された音声認識モデルで、高速かつ正確なリアルタイム音声テキスト変換サービスを提供します。現場での文字起こしや音声コマンド認識など、即時応答が求められるアプリケーションに適しています。Moonshineは…

Time-MoEは、エキスパート混合モデル（MoE）アーキテクチャに基づいた革新的な時系列基盤モデルであり、事前学習済み時系列モデルのパラメータ規模を数十億レベルにまで拡張します。このモデルは、スパースな活性化メカニズムを使用しています。

SynthIDは、DeepMindが開発した技術ツールで、AIが生成したコンテンツに埋め込まれたデジタル透かしを利用してコンテンツ識別を支援します。透かしは人間には見えませんが、機械は検出できるため、情報の信頼性が向上します。

WhispoはAIを活用した音声文字起こしツールで、Ctrlキーを押しながら音声を録音し、キーを離すと文字起こしされたテキストがテキスト入力対応アプリケーションに自動的に挿入されます。このツールのデータ処理は完全にAIによって行われます。

AutoGLM-Webは、ユーザーの操作をシミュレートするインテリジェントなブラウザアシスタントです。大規模な言語モデルに基づいて構築されており、ウェブページのアクセス、情報検索、コンテンツの要約などのタスクを実行できます。AutoGLM-Webは、簡単なテキストまたは音声コマンドに基づいて、…

OmniGenは、テキストから画像への変換、画像編集、トピック駆動型生成、視覚的条件付き生成など、さまざまな画像生成タスクを単一のフレームワーク内で処理できる、統合画像生成のための新しい拡散モデルです。OmniGenには、以下の機能が含まれます。

CogAgentは、清華大学とZhipu AIが共同開発したマルチモーダル視覚モデルで、グラフィカルユーザーインターフェース（GUI）の理解とナビゲーションに重点を置いています。従来のテキストベースのモダリティではなく、視覚的なモダリティを通してGUIインターフェースを認識するため、より適しています。