AIニュース

DeepSeek社のJanusシリーズ製品であるJanusFlowは、マルチモーダルな理解と生成タスクに使用されるモデルです。自己回帰言語モデルとキャリブレーションフロー技術を統合することで、単一モデル内で画像理解と生成を実現します。このフレームワークは、分離に基づいています...

SWE-Kitは、ソフトウェアエンジニアリングにおけるAIエージェントの開発プロセスを簡素化するComposioのオープンソースフレームワークです。SWE-Kitは、カスタムコードによるエージェント構築のためのヘッドレスIDE環境とAIネイティブツールを提供し、様々なエージェントタイプとの統合をサポートします。

Text Behind Imageは、画像内の人物の背後にテキストを追加できるオープンソースのオンラインツールです。視覚的にインパクトのあるポスターやソーシャルメディア画像を作成できます。ユーザーは、画像内の主要被写体の背後にカスタムテキストを追加できます。

雲金天張は、Caiyun TechnologyがDCFormerアーキテクチャに基づいて開発した汎用大型モデルです。DCFormerは、従来のTransformerモデルに比べて1.7～2倍の性能向上を実現しています。架空の世界を基にした雲金天張は、小説に…

MikuDanceは、拡散モデルに基づいたアニメーション生成技術であり、ハイブリッドモーションダイナミクスを統合して様式化されたキャラクターアートをアニメーション化します。MikuDanceは、ハイブリッドモーションモデリングとハイブリッド制御拡散技術を利用して、高ダイナミックなモーションとパラメータに対応します。

MATRIX-Genは、上海交通大学とオックスフォード大学の研究チームによって開発されたマルチエージェントシミュレーションシステムです。独立したアイデンティティと個性を持つ1000体以上のAIエージェントで構成される社会をシミュレートし、多様で高品質なトレーニングデータを生成します。

BodyTalkは、Panjaya社が開発したAI動画吹き替えツールです。生成AI技術に基づき、動画内の人物の声を他の言語に変換し、動画内の人物の表情や体の動きを自動的に調整し、新しい言語に自然にマッチさせます。

Codeium社が開発したWindsurfは、リアルタイムコラボレーション、マルチシステムサポート、強力なコンテキスト認識機能を備えたAIプログラミングツールです。Windsurfは、協調的なコパイロットと独立して動作するエージェントを組み合わせています。

OmniParseは、非構造化データを構造化された実用的なデータに変換するデータ解析プラットフォームであり、GenAI（大規模言語モデル）アプリケーション向けに最適化されています。OmniParseは、文書、表など、約20種類のファイル形式をサポートしています。

Promptimは、自動化されたプロセスを通じて特定のタスクにおけるAIシステムの提案性能を向上させる、実験的なAI提案最適化ライブラリです。ユーザーは初期提案、データセット、カスタム評価器を提供し、Promptimは自動的に最適化ループを実行します。

TinyTroupeは、Microsoftがリリースした実験的なPythonライブラリで、特定の性格、興味、目標を持つ人工エージェント（TinyPerson）をシミュレートし、シミュレートされた環境（TinyWorld）内で相互作用することを可能にします。TinyTroupeは…

Thinking Claudeは、ディープシンキングプロトコルとブラウザ拡張機能に基づき、Claude-3.5 AIモデルの「深層思考」能力を強化し、その思考ロジックを人間の思考ロジックに近づけるプロジェクトです。自然で、フィルターのかかっていないAIをサポートします。

OmniVisionは、エッジデバイス向けに最適化された9億6800万個のパラメータを持つコンパクトなマルチモーダルモデルです。OmniVisionは、画像入力とテキスト入力の両方を処理でき、LLaVAアーキテクチャの改良に基づいて、画像トークンの数を大幅に削減し、レイテンシを低減し、さらに...

Free Video-LLMは、革新的でトレーニング不要、かつ非常に効率的なビデオ言語モデルであり、キュー誘導型視覚認識技術を活用してビデオコンテンツの効率的な理解を実現します。このモデルは事前学習済みの画像LLMを使用しており、適応のための追加トレーニングは不要です。

LogoCreatorは、Together AIが提供するFlux Pro 1.1テクノロジーを使用してプロフェッショナルなロゴを素早く作成できるオープンソースのロゴジェネレーターです。このプロジェクトは、Next.jsとTypeScriptを使用してアプリケーションフレームワークを構築し、ShadcnとTailwindを組み込んでいます。

法信法基盤モデルは、清華大学と綿鼻智能の研究成果に基づいた、数千億のパラメータを持つ汎用モデルです。最高人民法院によって公開され、国家レベルの法務AIインフラとして位置づけられています。生成AIの基盤機能を提供します。

オーディオ分解は、フーリエ変換とエンベロープマッチングを用いて音楽中の個々の音符や楽器を分離し、音楽を楽譜に変換する音声処理技術です。オーディオ分解のオープンソースプロジェクトは、Matthewによって開発されました。

Florence-2は、Microsoft Azure AIが開発した汎用性の高いビジョンモデルであり、画像キャプション生成、物体検出、視覚的位置特定、画像セグメンテーションなど、さまざまなコンピュータビジョンタスクを実行できます。Florence-2はTransformerアーキテクチャに基づいています。

k0-mathは、Dark Side of the Moonが開発した最新の数学的推論モデルで、深い思考能力を重視しています。MATHなどのベンチマーク数学テスト、中学校入学試験、大学入学試験、大学院入学試験において、k0-mathはOpenAIのo1シリーズモデルを凌駕する性能を発揮します。このモデルは…

MagicQuillは、香港科技大学、アントグループ、浙江大学、香港大学が共同開発した、オープンソースのAI搭載型インタラクティブ画像編集ツールです。ユーザーフレンドリーなインターフェースとAIによるインテリジェントな提案機能により、正確な局所画像編集を可能にします。

ai-chatbotは、Vercelが立ち上げたオープンソースプロジェクトで、Next.jsフレームワークとVercel AI SDKをベースに構築されています。ai-chatbotは、開発者が高性能なチャットボットを迅速に構築できるよう、完全に機能し、簡単にカスタマイズできるAIチャットボットテンプレートを提供します。

LLaMA-Meshは、清華大学とNVIDIAが共同で立ち上げたプロジェクトです。3Dメッシュ生成と大規模言語モデル（LLM）を組み合わせることで、テキストプロンプトから直接3Dモデルを生成できます。このプロジェクトでは、3Dメッシュの保存にOBJファイル形式を使用しています。

iAgentsは、清華大学が開発したマルチAIエージェント連携フレームワークです。各ユーザーにパーソナルAIエージェントを装備することで、コラボレーションを促進し、日常業務を遂行します。エージェントはユーザーのファイルやコマンドを理解し、コラボレーションから学習し、自己管理を実現します。

DanceFusionは、清華大学が開発したオープンソースのフレームワークで、音声駆動型のダンスモーションの再構築と生成に特化しています。階層的な時空間Transformer-VAEと拡散モデルを組み合わせることで、DanceFusionはソーシャルメディア上の不完全なモーションキャプチャにも対応できます。