AIニュース

Genie 2は、DeepMindが開発した次世代の大規模ベースワールドモデルで、1枚の画像から最大1分間のインタラクティブな3Dゲームワールドを生成できます。Genie 2は、オブジェクト間の相互作用、キャラクターのアニメーション、物理効果など、複雑なダイナミクスをシミュレートできます。

Luma Photonは、Luma AIが開発した次世代画像生成モデルであり、革新的なアーキテクチャにより超高画質と低コスト効率を実現します。Luma Photonは、パーソナライズされたクリエイティブな画像生成をサポートし、自然言語を理解できます。

TeleAIビデオ生成モデルは、中国電信AI研究所が開発したビデオ生成モデルです。2段階の生成フレームワークに基づいており、まずテキスト記述に基づいてストーリーボードのスケッチを作成し、次にこれらのスケッチに基づいてビデオを生成します。TeleAIビデオ生成モデル…

TPDM（Time Prediction Diffusion Model）は、西湖大学MAPLE Lab、南方科技大学、北京大学、および西湖大学先端技術研究所が共同開発した画像生成モデルです。自動的に...

ConsisIDは、北京大学や鵬城実験室などが開発したテキストからビデオへの変換（IPT2V）生成モデルです。周波数分解技術に基づいて、ビデオ内の個人の識別情報の一貫性を維持します。このモデルは、チューニング不要（チューニングフリー）のアプローチを採用しています。

Perplexideezは、ユーザーがWeb上やセルフホスト型アプリケーションで情報を素早く検索できるネイティブAIアシスタントです。PerplexideezプロジェクトはPostgresデータベースをベースとし、OllamまたはOpenAI互換のエンドポイントをサポートし、SearchXNGを使用しています。

GenCastは、DeepMindが開発した革新的なAI天気予報モデルで、拡散モデリング技術に基づき、最大15日先までの世界的な天気予報を提供します。GenCastは、予測タスクの97.2%において、世界有数の中期天気予報システムを凌駕する性能を発揮します。

FullStack Benchは、ByteDanceのDoubao Big ModelチームとM-A-Pコミュニティが共同で立ち上げた新しいコード評価ベンチマークで、フルスタックプログラミングと多言語プログラミングスキルを評価することに重点を置いています。FullStack Benchは、11種類以上の実際のプログラミング言語を網羅しています。

モーションプロンプティングは、Google DeepMind、ミシガン大学、ブラウン大学が共同開発した動画生成技術です。モーション軌跡に基づいて動画コンテンツの生成を制御・誘導します。

Fish Speech 1.5は、Fish Audioが提供するテキスト音声合成（TTS）モデルで、Transformer、VITS、VQVAE、GPTなどの深層学習技術に基づいています。Fish Speech 1.5は、英語、日本語、韓国語、…をサポートしています。

ClearerVoice-Studioは、アリババDAMOアカデミーのTongyi Labが開発したオープンソースの音声処理フレームワークで、音声強調、音声分離、音声/動画話者抽出などの機能を統合しています。このフレームワークは、複雑なドメインの深層学習アルゴリズムに基づいており、効果的に...

PaliGemma 2は、Google DeepMindがGemma 2言語モデルファミリーに基づいて開発した新世代のビジュアル言語モデル（VLM）であり、PaliGemmaモデルのアップグレード版として位置づけられています。SigLIP-So400mビジュアルエンコーダーと様々な…

Optimus-1は、ハルビン工業大学（深圳）と鵬城研究所が開発したインテリジェントエージェントフレームワークであり、オープンワールド環境で長期タスクを完了するという課題に対処するために設計されています。このフレームワークは、構造化された知識とマルチモーダルな経験を組み合わせることで、インテリジェントエージェントが…

Fox-1は、TensorOperaがリリースした一連の小型言語モデル（SLM）であり、Fox-1-1.6BとFox-1-1.6B-Instruct-v0.1が含まれます。Fox-1モデルは、3兆件のWeb取得ドキュメントで事前学習されており、50億件のドキュメントでテストされています。

Llama 3.3は、Meta AI社が開発した70パラメータのモデルで、大規模な多言語事前学習済み言語モデルです。その性能は、40パラメータのLlama 3.1に匹敵します。このモデルは多言語対話に特化して最適化されており、英語、ドイツ語、フランス語、イタリア語などに対応しています。

Auroraは、xAIがAIアシスタントGrokに追加した新しい画像生成モデルです。Auroraは、特に肖像画など、リアルな画像の生成に優れています。ミッキーマウスなどの著名人や著作権で保護された人物の画像も生成できます。Auroraの…

One Shot, One Talkは、1枚の画像からパーソナライズされた詳細情報を備えた、完全にアニメーション化された会話アバターを生成できる高度な画像生成技術です。自然な表情や生き生きとした体の動きなど、リアルなアニメーション効果をサポートします。

GLM-4V-Flashは、Zhipu AIが初めてリリースした無料のマルチモーダルモデルAPIです。GLM-4V-Flashモデルは、画像記述生成、画像分類、視覚推論、視覚的質問応答（VQA）、画像感情分析など、高度な画像処理機能を備えています。

Clone-voiceは、ディープラーニング技術を用いて人間の声を分析・シミュレートし、高品質な音声クローンを実現するオープンソースの音声クローンツールです。中国語、英語、日本語、韓国語を含む16言語に対応しており、…

SNOOPIは、拡張されたシングルステップ拡散モデルに基づくガイダンスによってモデルのパフォーマンスと制御を強化する革新的なテキストから画像への生成フレームワークです。SNOOPIには、PG-SB（適切なガイダンス - SwiftBrush）とNASA（ネガティブなアウェイターンアテンション...

MEMO（Memory-Guided EMOtionaware diffusion）は、Skywork AI、南洋理工大学、シンガポール国立大学が共同開発した、音声駆動型のポートレートアニメーションフレームワークです。一貫性のあるアイデンティティと表現力を持つ画像を生成するために使用されます。

NVILAは、効率性と精度を両立させたNVIDIAのビジュアル言語モデルシリーズです。このモデルは、「まず拡大し、後で圧縮する」戦略を採用することで、高解像度画像や長時間の動画を効率的に処理します。NVILAは、トレーニングとファインチューニングの過程でシステム最適化が行われます。

O1-CODERは、北京交通大学の研究チームが立ち上げたオープンソースプロジェクトです。OpenAIのO1モデルを再現することを目的としており、コーディングタスクに焦点を当てています。O1-CODERは、強化学習（RL）とモンテカルロ木探索（MCTS）技術を組み合わせて、コーディングタスクの精度を向上させています。

SOLAMIは、南洋理工大学の研究チームが開発した革新的なVRベースの3DロールプレイングAIシステムです。ソーシャルビジョン・言語・行動モデルに基づき、音声や身振り手振りを用いて仮想キャラクターと没入感のあるインタラクションを行うことができます。