AIニュース

MVPaintは、Tencent PCG、上海AIラボ、南洋理工大学S-Lab、清華大学が共同開発した3Dテクスチャ生成フレームワークです。同期マルチビュー拡散技術に基づき、複数のビューにわたって高解像度でシームレスかつ一貫性のある3Dテクスチャ生成を実現します。

LTX Videoは、Lightricks社が開発したオープンソースのAI動画生成モデルで、5秒間の高品質動画を4秒で生成でき、動画視聴速度を凌駕します。2億個のパラメータを持つDiTアーキテクチャに基づいており、滑らかな動きとフレーム間の構造的な一貫性を保証します。

BALROGは、ゲームにおける大規模言語モデル（LLM）と視覚言語モデル（VLM）の推論能力、特に動的な環境における計画、空間推論、探索能力を評価します。これは、一連の難易度の高いゲームに基づいています。

AutoVFXは、イリノイ大学アーバナ・シャンペーン校の研究チームが開発した高度な物理エフェクトフレームワークです。自然言語コマンドに基づいて、リアルでダイナミックな視覚効果（VFX）ビデオを自動的に作成します。このフレームワークは、ニューラルシーン構築を統合しています。

Markdown-to-Imageは、Markdownテキストをポスターに変換するオープンソースのエディタです。Reactコンポーネントとして、Markdownテキストコンテンツを画像に変換し、ソーシャルメディア投稿、ポスター、その他のビジュアルコンテンツの作成に適しています。ツールは以下をサポートします...

TÜLU 3は、アレン人工知能研究所（Ai2）がリリースしたオープンソースの命令適合性モデルシリーズで、バージョン8Bと70Bがあり、将来的には405Bバージョンも予定されています。このモデルは、パフォーマンスの面でLlama 3.1命令を凌駕しています。

EchoMimicV2は、アリババ傘下のAnt Groupが立ち上げた、上半身AIデジタルヒューマンプロジェクトです。参照画像、音声編集、手のジェスチャーシーケンスに基づいて高品質のアニメーション動画を生成し、音声コンテンツと上半身の動きの一貫性を確保します。EchoMi...

サリー大学が開発した革新的なシステムであるFlipSketchは、静止画をテキストガイド付きのスケッチアニメーションに変換します。この技術は、スケッチスタイルの微調整のためのフレーム生成、入力スケッチビューを維持しながらノイズを加えること、そして…という3つの重要なイノベーションに基づいています。

StoryTellerは、ByteDance、上海交通大学、北京大学が共同開発したシステムです。音声と映像の文字認識技術に基づき、長尺動画の説明文の質と一貫性を向上させます。このシステムは、低レベルの視覚概念と高レベルの物語性を組み合わせたものです。

DELIFT（Data Efficient Language Model Instruction Fine-Tuning）は、大規模言語モデル（LLM）を最適化するために使用される新しいアルゴリズムであり、命令の微調整、タスク固有の微調整、継続的な微調整という3つの主要な段階にわたって最適化を行います。

HART（Hybrid Autoregressive Transformer）は、MITの研究チームによって開発された自己回帰型視覚生成モデルです。拡散モデルに匹敵する品質で、1024×1024ピクセルの高解像度画像を直接生成できます。

WebDreamerは、オハイオ州立大学とOrby AI研究チームによって開発されたモデルプランニングネットワークエージェントです。大規模言語モデル（LLM）、特にGPT-4oを活用し、世界規模のモデル予測ウェブサイト上でインタラクティブな結果を提供します。

Kandinsky-3は、潜在拡散モデルに基づくテキストから画像への生成（T2I）フレームワークであり、その高品質かつリアルな画像合成で画像合成分野において際立っています。Kandinsky-3は、テキスト誘導型など、さまざまな画像生成タスクに対応できます。

CAVIAは、Apple、テキサス大学オースティン校、Googleが共同開発したマルチビュービデオ生成フレームワークです。単一の入力画像を、時空間的に一貫性のある複数のビデオシーケンスに変換できます。このフレームワークは、視点統合型アテンションの導入に基づいています。

Flex3Dは、MetaのGenAIチームとオックスフォード大学の研究チームが開発した革新的な2段階3D生成フレームワークです。テキスト、単一画像、または複数の高品質な入力ビューに基づいて疎なビュー画像から、高品質な3D画像を生成できます。

EvolveDirectorは、アリババと南洋理工大学が共同で開発した革新的なフレームワークです。公開されているリソースと高レベルモデル用のAPIインターフェースを使用して、高性能なテキストから画像への生成モデルをトレーニングします。このフレームワークは、既存の高レベルモデルに基づいています。

MCP（Model Context Protocol）は、Anthropic社が開発したオープンプロトコルで、大規模言語モデル（LLM）アプリケーションと外部データソースおよびツールとのシームレスな統合を可能にします。

LazyGraphRAGは、Microsoft Researchが開発したグラフ拡張生成拡張検索（RAG）フレームワークであり、GraphRAGの改良版です。LazyGraphRAGは、GraphRAGの0.1%にデータインデックス作成コストを大幅に削減すると同時に、...

LEOPARDは、シアトルのTencent AI Labが開発したビジュアル言語モデルで、大量のテキストを含む複数画像タスクの理解と処理に特化して設計されています。LEOPARDは主に2つの技術革新に基づいています。まず、約100万個の特別に設計された要素を組み込んでいます。

上海人工知能研究所が開発したInternThinkerは、高度な知能密度を持つデータとメタアクション思考を自律的に生成できる強力な推論モデルです。長期的な思考能力と自己反省・修正メカニズムに基づき、数学、プログラミングなどにおいて優れた能力を発揮します。

Pangeaは、カーネギーメロン大学の研究チームが開発した、多言語・マルチモーダルな大規模言語モデル（LLM）です。その目的は、世界の言語と文化の多様性をより網羅的にカバーすることです。このモデルには、600万件の指示を含む多様なデータセットが含まれており、39の言語をサポートしています。

MobA（モバイルエージェント）は、上海交通大学の研究チームによって開発された革新的なモバイルインテリジェントエージェントです。マルチモーダル大規模言語モデル（MLLM）に基づいて、モバイルデバイスの自動タスク実行機能を強化します。MobAは、高レベルの2層アーキテクチャを採用しています。

FramesはRunwayの最新AI画像生成モデルであり、スタイル制御と視覚的忠実度において大幅な進歩を遂げています。Framesはスタイルの一貫性を維持し、幅広いクリエイティブな探求をサポートし、プロジェクトごとに特定のルックを確立し、そして…

SlideChatは、上海AI研究所、厦門大学、華東師範大学などの研究機関によって開発された、ギガピクセルレベルのフルスライス画像を理解できる初の視覚言語アシスタントです。SlideChatは、フルスライス画像の詳細な説明を生成できます。