AIニュース

Fugattoは、NVIDIAが開発した音声合成・変換モデルで、「Foundational Generative Audio Transformer Opus 1」の略です。このモデルは、テキストプロンプトに基づいて音声や動画を生成できます。

LongRAGは、清華大学、中国科学院、およびZhipuの研究チームによって開発された、長文質問応答（LCQA）のための堅牢な検索強化生成（RAG）フレームワークです。ハイブリッド検索システム、LLM強化情報抽出器、および…に基づいています。

Illustriousは、Onoma AI Researchが開発したオープンソースのテキストから画像へのアニメーション生成モデルです。バッチサイズの最適化、ドロップアウト制御、トレーニング画像の解像度、マルチレベル見出しなどの主要な手法に基づいて、高い精度を実現しています。

aisuiteは、Andrew Ng氏によって公開されたオープンソースのPythonライブラリで、複数の大規模言語モデル（LLM）サービスを呼び出すための統一インターフェースを提供するように設計されています。OpenAI、Anthropic、Azureなどのサービスをサポートしています。

XGrammarは、Tianqi Chen氏のチームによって開発されたオープンソースのソフトウェアライブラリです。大規模言語モデル（LLM）向けに、効率的で柔軟性があり、移植性の高い構造化データ生成機能を提供します。文脈自由文法（CFG）定義構造に基づいており、…をサポートしています。

Edify 3Dは、NVIDIAが提供する高度な3Dアセット生成ソリューションで、テキストプロンプトや参照画像から高品質な3Dモデルを迅速に生成できます。Edify 3Dを使えば、詳細なジオメトリや明確なトポロジーなどを備えたモデルをわずか2分で生成できます。

SongCreatorは、清華大学深圳国際大学院、香港中文大学などが共同開発したAI音楽生成モデルです。歌詞からボーカルや伴奏を含む完全な楽曲を生成することができます。

Teacher2Taskは、Googleが開発したマルチティーチャー学習フレームワークで、教師固有の入力タグを導入し、トレーニングプロセスを根本的に見直し、ヒューリスティックを手動で集約する必要性をなくしています。このフレームワークはタグの集約に依存せず、トレーニングデータを直接集約します。

DynaSaurは、Adobe Researchが開発した大規模言語モデル（LLM）エージェントフレームワークであり、定義済みのアクションセットによって制限される従来のLLMエージェントシステムの限界を打破します。このフレームワークは、生成的なアプローチに基づいてエージェントアクションを動的に作成および構成することをサポートします。

Takin AudioLLMは、Himalaya FMのEverestチームが開発した、Takin TTS、Takin VC、Takin Morphingを含む、高品質なゼロショット音声生成モデルシリーズです。これらのモデルは、最先端の大規模言語モデリング技術を活用しています。

AutoTrain（AutoTrain Advanced）は、Hugging Face社が提供するオープンソースのノーコードプラットフォームで、最先端モデルのトレーニングプロセスを簡素化します。ユーザーは、コードを記述することなく、独自のAIモデルを作成、微調整、デプロイできます。

CAMPHORは、Appleが開発した小型言語モデル（SLM）マルチエージェントフレームワークで、モバイルデバイスにおけるプライバシーと応答性の向上を目的としています。このフレームワークは、複数のユーザー入力をデバイス上でローカルに処理し、パーソナライズされたコンテキスト推論を実行することに基づいています。

ACE（All-round Creator and Editor）は、アリババグループの同義研究所が開発した、拡散変換に基づく包括的な画像生成・編集モデルです。ACEは、ロングコンテキスト条件ユニット（LCU）と統一された条件グリッドを導入しています。

ViewExtrapolatorは、南洋理工大学と中国科学院大学（UCAS）の研究チームが共同開発した、斬新な透視外挿法です。安定ビデオ拡散（SVD）の生成事前分布に基づいて、訓練画像よりもはるかに広い範囲の視点を合成します。

OpenScholarは、ワシントン大学とアレン人工知能研究所が共同開発した、検索機能を強化した言語モデル（LM）です。科学文献から関連論文を検索・統合することで、科学者が疑問に答えるのを支援します。このシステムは、大規模な科学データベースを利用しています。

SmolVLMは、Hugging Faceが開発した軽量な視覚言語モデルで、特にデバイス上での推論向けに設計されています。20億個のパラメータを持ちながら、高いメモリ効率と高速な処理速度を実現しています。SmolVLMは、さまざまなニーズに対応するために3つのバージョンを提供しています。

OneDiffusionは、AI2が開発した汎用性の高い大規模拡散モデルで、双方向の画像合成と理解をシームレスにサポートし、テキストからの画像生成、条件付き画像生成、画像理解など、さまざまなタスクに対応します。これは、すべての条件と目的を組み合わせることに基づいています。

LongAlignは、香港大学の研究チームが開発した改良型テキスト・画像変換（T2I）拡散モデルであり、長文テキスト入力のアライメント精度を向上させます。LongAlignはセグメントレベルのコーディング技術を用いて長文テキストをセグメント化し、様々なエンコーディング方式に対応します。

ebook2audiobookXTTSは、電子書籍をオーディオブックに変換するオープンソースのAIツールです。epub、pdf、mobiなど様々な電子書籍フォーマットに対応し、Coqui XTTS技術を用いて高品質なオーディオを実現します。

Optimaは、清華大学が開発した、大規模言語モデル（LLM）に基づくマルチエージェントシステム（MAS）の最適化フレームワークです。生成、ランキング、選択、トレーニングという反復的なパラダイムに基づき、通信効率とタスクパフォーマンスを大幅に向上させます。

MuCodecは、清華大学深圳国際大学院、テンセントAIラボ、香港中文大学の研究者らが共同開発した超低ビットレート音楽コーデックです。効率的な音楽圧縮と高忠実度再生を実現します。MuCodecは…

Find3Dは、カリフォルニア工科大学（Caltech）が開発した3Dパーツ分割モデルで、任意のテキストクエリに基づいて、あらゆるオブジェクトの任意のパーツを分割できます。Find3Dは強力なデータエンジンを使用して、インターネット上の3Dアセットからトレーニングデータを自動的に生成します。

Sketch2Lineartは、シンプルな手描きのスケッチを鮮明な線画に変換するAI搭載の描画ツールです。スケッチの説明を自動的に生成し、それに基づいて線画を描画します。また、さまざまなスタイルに合わせて細部を調整することも可能です。ユーザーは…

Fancy123は、華中科技大学と華南理工大学が共同開発した3Dメッシュ生成技術です。プラグアンドプレイ変形技術に基づき、単一画像から高品質な3Dメッシュを生成します。この手法は、2つの強調モジュールとバックプロジェクション演算から構成されています。