AIニュース

OSAID 1.0（オープンソースAI定義 – 1.0）は、AIシステムがオープンソースとなるための条件を明確にするために、オープンソースイニシアティブ（OSI）が発表した公式標準規格です。OSAID 1.0の開発に携わった人々は、

MobileLLMは、10億未満のパラメータを持つ大規模な言語モデルであり、Metaによってモバイルデバイスのユースケース向けに最適化され、クラウドコストの上昇やレイテンシの問題に対処しています。MobileLLMは、ディープシンアーキテクチャ、組み込み共有、およびグループ化されたクエリアテンションメカニズムに基づいています。

SmolLLM2は、Hugging Faceが開発した、デバイス内アプリケーション向けのコンパクトかつ大規模な言語モデルです。1.7B、360M、135Mの3つの異なるパラメータレベルを提供し、さまざまなアプリケーションシナリオとリソース制約に対応します。このモデルの理解は…

Genmoai-smolはオープンソースのビデオ生成モデルで、Genmoaiのtxt2videoモデルをフォークし、メモリ使用量を削減し、リソースが限られたデバイスでもビデオを作成できるように、シングルGPUデバイス向けに最適化されています。このモデルは、高レベルの...

VirSci（Virtual Scientists）は、上海人工知能研究所が開発したマルチエージェントAI科学研究ツールです。科学者チームの共同作業をシミュレートすることで、科学イノベーションを加速させます。このシステムは、大規模言語モデル（LLM）に基づいています。

Self-Lengthenは、アリババのQianwenチームが開発した革新的な反復型トレーニングフレームワークで、大規模言語モデル（LLM）の長文生成能力を向上させます。このフレームワークは、ジェネレーターとエキスパンダーという2つの役割に基づいており、これらが連携して長文を生成します。

Amphionは、香港中文大学深圳校の呉志正准教授率いるチームが、上海人工知能研究所および深圳ビッグデータ研究所と共同で開発したオープンソースの音声、音楽、およびスピーチ生成ツールキットです。このツールキットは、以下の機能をサポートしています。

LongRewardは、清華大学、中国科学院、Zhipu AIが共同開発した手法で、AIフィードバックに基づいて長文テキスト向けの大規模言語モデル（LLM）の性能を向上させることを目的としています。LongRewardは、有用性、論理性、忠実性、完全性などを評価します。

Fish Agentは、FishAudioが開発した革新的なエンドツーエンドの音声処理モデルであり、自動音声認識（ASR）とテキスト音声合成（TTS）技術を統合しています。従来の意味エンコーダー/デコーダーを必要とせずに、音声間処理を実現します。

MeetingMindは、AIを搭載した会議アシスタントで、録音機能とファイルアップロード機能に基づいて会議の音声を自動的に文字起こしし、タスク、決定事項、質問などの重要な情報を抽出することで、ユーザーが会議の内容を簡単に把握・分析し、適切な行動を取れるように支援します。

星辰大規模モデルプラットフォームは、中国電信が立ち上げたAI大規模モデル収集プラットフォームであり、意味論、画像認識、音声認識といったマルチモーダル領域を網羅しています。様々なパラメータレベルのモデルを含み、長文テキスト処理をサポートし、多言語音声認識やマルチタスク機能を備えています。

Fast GraphRAGは、Microsoftが提供する高性能な知識グラフ検索フレームワークであり、解釈可能で高精度なエージェント駆動型検索ワークフローを提供するように設計されています。検索拡張（RAG）テクノロジーと知識グラフを組み合わせることで、大規模な検索のパフォーマンスを向上させます。

Stagehandは、Playwrightの後継となる、シンプルで拡張性の高いAIウェブブラウジングフレームワークです。act、extract、observeという3つのシンプルなAPIを提供し、自然言語によるウェブページ操作をサポートしています。Stagehandは…

VideoTunaは、複数のAIビデオ生成モデルを統合したコードライブラリで、テキストからビデオ、画像からビデオ、テキストから画像への変換をサポートしています。VideoTunaは、事前学習、継続学習、事後学習のアライメント、微調整など、包括的なビデオ処理機能を提供します。

ComfyUI-MochiEditは、ComfyUIとGenmo Mochiをベースにしたオープンソースの動画編集ツールです。動画をノイズに変換してリサンプリングすることで動画編集を実現し、部分編集や動画間の変換にも対応しています。ユーザーは、以下の設定を調整できます。

HiCoは、360 AI Research Instituteが開発した、拡散モデルに基づいた階層的で制御可能なレイアウトから画像への生成モデルです。HiCoは、マルチブランチ構造設計を採用することで、オブジェクトの位置決めとテキスト記述を正確に制御します。HiCoの主な特徴は以下のとおりです。

Ferret-UI 2は、Appleが開発したマルチモーダルな大規模言語モデルで、モバイルユーザーインターフェースの理解と操作に使用されます。Ferret-UI 2は、さまざまなモバイルデバイスの画面上のUI要素を認識・理解し、複雑なユーザーコマンドを実行できます。

MMBench-Videoは、浙江大学、上海人工知能研究所、上海交通大学、香港中文大学が共同開発した、長尺動画と複数質問への回答に関する新しいベンチマークです。MMBench-Videoは、大規模な視覚的処理を包括的に評価できます。

MiniMatesは、音声モードと表情モードの両方を備えた高性能かつ軽量なデジタルヒューマンドライビングアルゴリズムで、一般的なコンピュータ上でリアルタイム動作が可能です。高度な技術アーキテクチャに基づき、非常に高速な操作性とパーソナライズされたカスタマイズを実現します。

MotionCLRは、人間の動きを生成および編集するためのアテンションベースのモデルです。テキストプロンプトに基づいて動作を生成し、強調、弱化、置換、消去、スタイル転送などのユーザーによるインタラクティブな編集をサポートします。MotionCLRは…

Sima Yue氏が開発したDocMindは、Transformerアーキテクチャに基づいた大規模なインテリジェント文書モデルです。深層学習、自然言語処理（NLP）、コンピュータビジョン（CV）技術を統合し、リッチテキスト文書の複雑な構造と視覚情報を処理し、情報抽出精度を向上させます。DocM...

DistilQwen2は、知識蒸留技術を用いてQwen2大規模モデルを最適化した軽量言語モデルであり、計算効率の向上と導入コストの削減を実現します。DistilQwen2は、高度なモデル分析と強化された命令データ多様性を活用しています。

Hunyuan3D-1.0は、Tencentが開発した3D生成モデルです。テキストと画像の両方の入力をサポートし、高品質な3Dアセットを生成します。このモデルは2段階のアプローチを採用しており、まずマルチビュー拡散モデルを使用してマルチビューRGBを生成します...

Hunyuan-Largeは、Tencentが開発した大規模なハイブリッドエキスパート（MoE）モデルで、総パラメータ数3890億、活性化パラメータ数520億を誇り、パラメータ数において最大のオープンソースMoEモデルとなっています。Transformerアーキテクチャに基づいており、…をサポートしています。