AIニュース

SynCamMasterは、浙江大学、快手科技、清華大学、香港中文大学の研究者による共同開発によって生まれた、世界初のマルチビュー動画生成モデルです。6自由度カメラポーズを組み合わせることで、あらゆる視点からの自由度の高い動画を生成できます。

STIV（Scalable Text and Image Conditioned Video Generation）は、Appleが発表した大規模ビデオ生成モデルです。STIVは8億7000万個のパラメータを誇り、テキストからビデオ（T2V）やテキストから画像への変換を処理できます。

DiffSenseiは、北京大学、上海AIラボ、南洋理工大学の研究者らが共同開発した漫画生成フレームワークです。制御可能な白黒漫画パネルを生成できます。DiffSenseiは、拡散ベースの画像生成器と複数の…を統合しています。

Mayaは、オープンソースの多言語・マルチモーダルモデルであり、インストラクションベースのファインチューニングを使用して、複数の言語と文化的背景にわたって機能を拡張します。MayaはLLaVAフレームワークに基づいて構築されており、新たに作成された8言語の事前学習済みデータセットが含まれており、視覚的認識能力を向上させています。

QianYingは、Giant Interactiveが開発した大規模なオーディオゲーム生成モデルで、ゲームビデオ生成モデルYingGameとビデオ吹き替えモデルYingSoundで構成されています。YingGameはオープンワールドゲーム向けに設計されており、Giant InteractiveのAIプラットフォームです。

Prompticは、効率的でPythonスタイルの開発アプローチを提供する軽量なLLMアプリケーション開発フレームワークです。LiteLLMをベースとするPrompticは、開発者がたった1行のコード変更で異なるLLMサービスプロバイダー間を簡単に切り替えることを可能にします。

SwiftEditは、VinAI Researchチームが開発したテキストガイド式画像編集ツールです。革新的なワンステップ拡散技術に基づき、0.23秒で高速かつ高品質な画像編集を実現します。このツールの最大の特長は、ワンステップでの画像編集が可能であることにあります。

ChatMCPは、モデルコンテキストプロトコル（MCP）に基づいたAIチャットクライアントであり、OpenAI、Claude、OLLamaなどの様々な大規模言語モデル（LLM）とのインタラクションをサポートしています。ChatMCPは、MCPの自動インストール機能を備えています。

Multimodal Live APIは、Googleが提供する低遅延の双方向インタラクティブAIインターフェースで、テキスト、音声、ビデオの入力をサポートし、音声とテキストを出力します。開発者はこれを利用して、リアルタイムの音声およびビデオストリーミング機能を備えたシステムを構築できます。

CodeArenaは、複数の大規模言語モデル（LLM）が同時に同じアプリケーションを構築し、リアルタイムのランキング結果を表示し、異なるLLMのコード生成能力を比較できるオンラインプラットフォームです。CodeArenaプラットフォームは主に、異なるLLMを評価・比較します。

Phi-4は、Microsoftが発表した14億個のパラメータを持つ小型言語モデルです。数学などの分野における複雑な推論や、従来の言語処理において優れた性能を発揮します。Phi-4は、モデルのパフォーマンス向上を目的として、大量の合成データを取り入れ、学習においてデータ品質を重視しています。

Insight-Vは、南洋理工大学、テンセント、清華大学の研究者らが共同開発したマルチモーダルモデルです。長鎖視覚推論における大規模マルチモーダル言語モデルの能力を強化します。スケーラブルなデータ生成ストリームに基づいています。

SVDQuantは、MITの研究チームによって開発された、学習後の量子化手法です。拡散モデルの場合、モデルの重みと活性化値を4ビットに量子化することで、メモリ使用量を削減し、推論処理を高速化します。SVDQuantは、高精度低ランク分岐吸収法を導入しています。

Meta Motivoは、メタバース体験のリアリティを高めるためにMeta Inc.が開発したAIモデルです。Meta Motivoは、仮想ヒューマノイドAIの全身の動きを制御することで人間の行動をシミュレートし、ユーザーインタラクションを強化します。このモデルは非線形…

Step-1o Audioは、Step-1o Technologyが開発した、中国初の数百億個のパラメータを持つエンドツーエンドの音声モデルです。強力な感情認識機能を備え、ユーザーの声のトーンから感情を正確に識別し、状況に応じて適切な応答を提供します。

360gpt2-o1は、360が独自開発したAIモデルであり、推論能力が大幅に向上し、特に数学的および論理的推論タスクにおいて優れた性能を発揮します。このモデルは、合成データ、ポストトレーニング、および「スローシンキング」パラダイムを通じて最適化されています。

POINTS 1.5は、Tencent WeChatがリリースしたマルチモーダル大規模モデルであり、POINTS 1.0のアップグレード版です。このモデルは、POINTS 1.0のLLaVAアーキテクチャを引き続き使用しており、ビジュアルエンコーダ、プロジェクター、大規模言語で構成されています。

K1ビジュアル思考モデルは、KimiのK1シリーズに属する強化学習AIモデルです。エンドツーエンドの画像理解と思考連鎖技術をネイティブにサポートし、数学にとどまらず、より基礎的な科学分野にもその機能を拡張しています。K1モデルは、画像理解、数学、思考連鎖などの分野で優れた性能を発揮します。

FreeScaleは、南洋理工大学、アリババグループ、復旦大学が開発した推論フレームワークで、微調整を必要とせず、事前学習済みの拡散モデルによる高解像度画像および動画の生成能力を向上させます。FreeScaleは、さまざまな画像を処理および融合することに基づいています。

Freestylerは、西北工業大学コンピュータサイエンス学部の音声・言語処理グループ（ASLP@NPU）、マイクロソフト、香港中文大学深圳研究院ビッグデータ研究所が共同開発したラップ音楽生成モデルです。直接...

SnapGenは、Snap Inc.、香港科技大学、メルボルン大学、およびその他の機関が共同開発したテキストから画像への変換（T2I）拡散モデルです。モバイルデバイス上で高解像度（1024x1024ピクセル）の画像を迅速に生成でき、必要なのは...

CosyVoiceは、アリババ傘下のTongyi Labがオープンソース化した大規模な自然音声合成モデルです。中国語、英語、日本語、広東語、韓国語の5言語に対応しており、わずか3秒から10秒の音声サンプルで、イントネーションや感情表現を含む音色を忠実に再現できます。

Wuwen Chip氏が発表したMegrez-3B-Omniは、画像、音声、テキストデータを処理できる世界初のオープンソースのエッジサイド型フルモーダル理解モデルです。Megrez-3B-Omniは、複数の主要なテストセットにおいて34Bモデルを凌駕する性能を発揮します。

Veo 2は、Google DeepMindが開発したAIビデオ生成モデルで、テキストや画像プロンプトに基づいて高品質なビデオコンテンツを生成できます。Veo 2は最大4K解像度のビデオ制作をサポートし、カメラ制御コマンドを理解し、シミュレートすることができます。