AIニュース

FabricDiffusionは、Googleとカーネギーメロン大学が共同開発した、高精度な3D衣服生成技術です。実世界の2D衣服画像の質感やプリントを、任意の形状の高品質な3D衣服モデルに転写することができます。

HourVideoは、スタンフォード大学のFei-Fei Li氏とJia-Jun Wu氏のチームが開発した、長尺動画理解のベンチマークデータセットです。20分から120分までの長さの500本の1人称視点動画が含まれており、77種類の日常活動を網羅し、マルチモーダルモデルの性能評価に利用できます。

App Intentsは、Appleが導入した新しいフレームワークで、開発者がiOSやmacOSなどのプラットフォーム上でSiriやApple Intelligenceを統合し、アプリケーション機能やシステムエクスペリエンス（Siri、Spotlight検索、ショートカットなど）を実現できるようにするものです。

DimensionXは、香港科技大学、清華大学、BioNTechが共同開発したフレームワークです。ビデオ拡散技術に基づき、空間的・時間的な次元を精密に制御することで、単一画像から非常にリアルな3Dおよび4Dシーンを生成できます。

SeedEditは、ByteDanceのDoubao Big Modelチームが開発した汎用画像編集モデルです。レタッチ、衣服の差し替え、補正、スタイル変換、指定領域への要素の追加や削除など、シンプルな自然言語コマンドによる画像編集が可能です。

HK-O1awは、香港生成AI研究開発センター（HKGAI）傘下のAI for Reasoningチーム（HKAIR）と北京大学（PKU）のアライメントチームとの共同開発により、スローシンキングパラダイムに基づいた世界初の本格的な法的推論モデルです。

AnimePro FLUXは、Apache 2.0ライセンスに基づいたアニメ風画像生成モデルで、特に高品質な2Dイラストの生成を目的として設計されています。AnimePro FLUXは、Flux.1 Shnellモデルを改良したバージョンであり、DEV版のライセンス上の制限を克服しています。

VideoChatは、音声入力とリアルタイム会話をサポートするオープンソースのリアルタイムデジタルヒューマン対話システムです。ユーザーはデジタルヒューマンの外見と声をカスタマイズでき、トレーニングなしで音声クローンも可能です。最初のパケットの遅延は3秒と短く、以下のような用途に適しています。

TableGPT2は、浙江大学が開発した、表形式データの統合と処理を目的とした斬新な大規模マルチモーダルモデルです。構造化データを独立したモダリティとして学習する初のモデルであり、データベースやExcelファイルなどからのデータを直接理解し、操作することができます。

GenXDは、シンガポール国立大学とマイクロソフトが共同開発した3D-4D共創フレームワークです。任意の数の条件付き画像から高品質の3Dおよび4Dシーンを生成できます。このフレームワークは、データ処理ワークフローを使用してビデオからカメラデータを抽出します。

AlphaFold 3は、GoogleのDeepMindチームが開発したAIモデルで、タンパク質、核酸（DNAおよびRNA）、小分子、イオン、修飾残基などの生体分子の三次元構造を予測できます。このモデルは、構造予測において非常に高い精度を達成しています。

PDFMathTranslateは、科学論文などのPDFファイルを翻訳するために設計されたオープンソースのPDF文書翻訳ツールです。数式やグラフを含む元のレイアウトを保持します。PDFMathTranslateはバイリンガル比較をサポートし、元のレイアウトを維持します。

MoneyPrinterTurboは、ユーザーが指定した動画テーマやキーワードに基づいて、動画のテキスト、素材、字幕、BGMを自動生成し、高画質のショート動画を作成するオープンソースのAIショート動画生成ツールです。このツールはAPIをサポートしています。

iRAGは、Baiduが2024年のBaidu世界会議で発表したテキストベースの画像強調技術です。Baidu検索の膨大な画像リソースと強力な基本モデル機能を組み合わせることで、テキストベースの画像処理における大規模モデリングの課題を解決します。

Vidu 1.5は、クリエイターが自由に自己表現し、効率的に制作できるよう支援するためにShengshu Technologyが開発したAI動画生成プラットフォームの最新バージョンです。マルチモーダル動画モデルを搭載し、参照動画、画像生成動画、テキスト生成動画をサポートすることで、…

AgentReviewは、大規模言語モデル（LLM）に基づいたフレームワークであり、学術的な査読プロセスをシミュレートします。LLMプロキシを使用することで、AgentReviewは査読者、著者、分野責任者の役割をシミュレートし、研究者がプライバシーを尊重できるよう支援します。

CHANGERは、デジタルコンテンツ制作において、俳優の頭部をターゲットとなる身体にシームレスに合成するために使用される、産業グレードの超自然的なAIヘッドスワッピングおよびクロマキー合成技術です。視覚効果、デジタルヒューマン作成、仮想アバターに適しています。CHANGERはクロマキー合成技術に基づいています。

Kirokuは、ユーザーが文書を整理・作成するのを支援するマルチエージェントシステムです。創設者がスタンフォード大学での博士課程在学中に経験した学術論文執筆の経験に着想を得て開発されたKirokuは、学生と指導者の間のやり取りをシミュレートし、ユーザーが迅速に文書を作成できるよう支援します。

Vision Search Assistant (VSA) は、ビジュアル言語モデル (VLM) と Web エージェントを組み合わせることで、未知のビジュアルコンテンツを理解するモデルの能力を高めるフレームワークです。インターネット検索に基づいて、VLM が未知のコンテンツに関する質問を処理し、回答できるようにします。

MVDrag3Dは、マルチビュー生成と再構築の事前情報を組み合わせることで、柔軟で創造的なドラッグ＆ドロップ編集を実現する革新的な3D編集フレームワークです。このフレームワークは、生成事前情報としてマルチビュー拡散モデルを使用し、複数のレンダリングされたビュー間で一貫性を確保します。

Chonkieは、テキスト処理向けに設計された、軽量で高速かつ機能豊富なRAG（Retrieval-Augmented Generation）チャンキングライブラリです。Chonkieは、トークン、単語、文、意味などに基づいた様々なチャンキング方法をサポートしています。

MSQA（Multi-modal Situated Question Answering）は、3Dシーンにおける具現化されたAIエージェントの理解力と推論能力を向上させるために設計された、大規模なマルチモーダル状況推論データセットです。このデータセットには、251,000組の質問と回答のペアが含まれており、…

Excalidrawは、クリーンで手描き風のスタイルとリアルタイムのコラボレーション機能を備えたオープンソースのオンライン描画ツールです。Excalidrawはブラウザ上で完全に動作し、インストールは不要で、複数のユーザーが同時に同じ図面を編集でき、エンドツーエンド暗号化を提供します。

RMBG-2.0は、BRIA AIの最新のオープンソース画像背景除去モデルです。高度なAI技術に基づき、高精度な前景と背景の分離を実現し、最先端（SOTA）レベルに達しています。RMBG-2.0は…