AIニュース

Florence-VLは、メリーランド大学とマイクロソフトリサーチが共同開発した革新的なマルチモーダル大規模言語モデル（MLLM）です。Florence-VLは、生成型ビジュアル基盤モデルFlorence-2を用いて視覚表現を強化し、画像キャプチャを可能にします。

OOTDiffusionは、さまざまな性別や体型にインテリジェントに適応し、服のサイズや形状を自動的に調整して自然なフィット感を生み出すオープンソースのAI仮想試着ツールです。OOTDiffusionは、上半身と全身の試着モードをサポートしています。

Googleの最新量子チップ「Willow」は、105個の物理量子ビットを搭載し、量子誤り訂正と計算効率において大きなブレークスルーをもたらしました。Willowは、量子コンピューティングにおける30年近くにわたる誤り訂正問題を解決し、…

GenMACは、香港大学、清華大学、およびマイクロソフトリサーチによって開発された、マルチエージェント協調のための反復フレームワークであり、テキストからビデオへの変換における複雑なシーン生成問題を解決するために使用されます。これは、タスクを設計、生成、再設計に分解することに基づいています。

Amurexは、リアルタイムの提案、インテリジェントな要約、要点の抽出、途中参加者のレビュー、完全な会議議事録作成などの機能を通じて、会議の効率向上を支援するAI搭載の会議アシスタントです。オープンソースツールであるAmurexは、透明性を重視しています。

EasyHealthは、北京大学健康コミュニケーション学部の教員と学生が開発したWeChatミニプログラムです。大規模言語モデル技術を基盤とした、健康教育のためのインテリジェントなQ&Aシステムです。AIを活用したインテリジェントなQ&A、感情知能アルゴリズム、健康記録など、様々な機能を提供します。

See3D（See Video, Get 3D）は、北京人工知能研究院が開発した3D生成モデルです。大規模なラベルなしインターネット動画から学習し、そこから3Dコンテンツを生成します。これは、従来のカメラベースのモデルとは異なります。

VISION XLは、潜在拡散モデル技術に基づいた高効率ビデオ復元および超解像ツールであり、高解像度ビデオの逆問題の解決に重点を置いています。このツールは、ビデオの欠落部分を修復し、ぼやけを取り除き、ビデオの鮮明度を大幅に向上させることができます。

SPDL（Scalable and Performant Data Loading）は、Meta AIが開発したオープンソースのデータロードツールで、AIモデルのトレーニング効率を向上させます。マルチスレッド技術に基づき、高スループットのデータロードを実現し、計算オーバーヘッドを削減します。

CausVidは、AdobeとMITが共同開発した自己回帰型リアルタイム動画生成技術であり、瞬時の動画再生を可能にします。蒸留法で事前学習された双方向拡散モデルに基づいた自己回帰型生成モデルを構築することで、動画生成の遅延を低減します。

ClotheDreamerは、上海大学、上海交通大学、復旦大学、およびテンセントYouTu Labが共同開発した3D衣服生成技術です。テキスト記述に基づいて、高精細な着用可能な3D衣服アセットを生成できます。ClotheDreamerは…

Directorは、インテリジェントなビデオエージェントを構築するためのフレームワークです。ユーザーは、ビデオ検索、編集、合成、生成といった複雑なビデオタスクを自然言語コマンドで実行し、結果をリアルタイムでストリーミングできます。VideoDBをベースとした「ビデオ・アズ・データ」プラットフォームです。

DeepSeek-V2.5-1210は、DeepSeekがリリースしたDeepSeek V2シリーズの最終AIモデルであり、DeepSeek V2.5の最終ファインチューニングモデルです。このモデルは、トレーニング後の反復処理に基づいており、数学、プログラミング、文章作成、ロールプレイングなどの分野でテストされています。

EXAONE 3.5は、LG AI研究所が公開したオープンソースのAIモデルで、24億、78億、320億のパラメータを持つ3つのバージョンがあります。EXAONE 3.5は長文処理に優れており、ベンチマークテスト、特に実用的なアプリケーションや長文処理において優れた性能を発揮します。

DrivingDojoは、中国科学院自動化研究所がMeituanの自動運転車チームと共同で開発したデータセットです。自動運転のための複雑なインタラクティブワールドモデルのトレーニングと研究に使用されます。このデータセットには、幅広いトピックを網羅した18,000本のビデオクリップが含まれています。

FineWeb 2は、Hugging Faceが提供する1000以上の言語を網羅した多言語事前学習済みデータセットです。FineWeb 2は、言語認識、重複排除、コンテンツフィルタリング、個人情報匿名化などを含むカスタマイズされたデータパイプラインに基づいており、以下のような用途に適しています。

Gemini 2.0は、ネイティブなマルチモーダル入出力に対応したGoogleの最新AIモデルです。Gemini 2.0 Flashは、マルチモーダル入出力とエージェント技術を中心とした2.0ファミリーの最初のモデルで、1.5 Proの2倍の速度を実現しています。

Shusheng·Wanxiang InternVL 2.5は、上海AIラボのOpenGVLabチームが開発した、オープンソースの大規模マルチモーダル言語モデル（MLLM）シリーズです。このモデルシリーズは、特にInternVL 2.0を大幅に強化しており、...

ChatTTSPlusはChatTTSの拡張版であり、TensorRTアクセラレーション、音声クローニング、モバイルモデル展開などの高度な技術を活用して、音声合成のパフォーマンスと柔軟性を向上させています。Windowsプラットフォームでは、3倍以上のパフォーマンスを実現しています。

MMAudioは、マルチモーダルな共同学習に基づく高度なビデオ音声合成技術であり、幅広いオーディオビジュアルデータセットとオーディオテキストデータセットでモデルを学習させることができます。この技術の中核となるのは同期モジュールであり、生成される音声フレームとビデオフレームが高度に同期していることを保証します。

Ultravoxは、テキストと人間の音声を、別途の自動音声認識（ASR）段階に頼ることなく直接理解できる、斬新なマルチモーダル大規模言語モデル（LLM）です。マルチモーダルプロジェクター技術を利用して、音声データを高解像度の音声に変換します。

Project Marinerは、Google DeepMindが開発したブラウザアシスタントです。Gemini 2.0テクノロジーをベースに、Chrome拡張機能を使用してブラウザタスクを自動化し、Webページの操作を理解して実行します。

TEN Agentは、OpenAI Realtime APIとRTCテクノロジーを統合したオープンソースのリアルタイムマルチモーダルAIエージェントフレームワークです。TEN Agentは、音声、テキスト、画像によるマルチモーダルなインタラクションを可能にし、高性能なリアルタイム通信をサポートし、低遅延を実現します。

FLOATは、DeepBrain AIと韓国科学技術院（KAIST）が開発した、音声駆動型のスピーカーアバター生成モデルです。フローマッチング生成モデルに基づき、動きの潜在空間を学習することで、効率的かつ時間的に一貫性のある動きのデザインを実現します。このモデルは…