AIニュース

Gemini 2.0 Flash Thinkingは、Googleの最新の推論機能強化型AIモデルで、複雑な問題における効率的な推論と解釈性を実現するように設計されています。Chatbot Arenaのリーダーボードで優れたパフォーマンスを発揮し、前モデルを凌駕しています。

Genesisは、カーネギーメロン大学、メリーランド大学、スタンフォード大学、MITなどの研究機関が共同開発したオープンソースのジェネレーティブ物理エンジンです。世界中のあらゆるものをシミュレートできます。Genesisはシンプルな言語で記述でき、高速です。

AniDocは、香港科技大学、アントグループ、南京大学、浙江大学、香港大学が共同開発した、簡略化された2Dアニメーション着色AIモデルです。ビデオ拡散モデルに基づいて、参照画像に従ってスケッチシーケンスをカラーアニメーションに自動的に変換します。

ElevenLabs Flashは、ElevenLabsが開発した低遅延音声合成モデルで、高速な対話型AI向けに設計されています。ElevenLabs Flashには2つのバージョンがあり、Flash v2は英語のみをサポートし、Flash v2.5は32言語をサポートしています。

OpenAIのo3モデルは、o1に続く次世代推論モデルです。これは、画像推論を思考プロセスに統合したOpenAI初のモデルであり、ユーザーは思考プロセスの中で画像を直接考慮することができます。ユーザーは、ぼやけた画像、反転した画像、低品質の画像などをアップロードできます。

StyleStudioは、西湖大学AI研究所、復旦大学、南洋理工大学、香港科技大学（広州）が共同開発した、テキスト駆動型のスタイル変換モデルです。参照画像のスタイルとテキストプロンプトの内容を統合することができます。

RWKV-7は、RWKVシリーズの最新大規模モデルアーキテクチャバージョンです。従来の注意機構や線形注意機構のパラダイムを凌駕し、より柔軟な状態進化能力を備え、同じ計算能力では注意機構では解決できない問題を解決できます。

PromptWizardは、Microsoftが提供する自動提案最適化フレームワークで、特定のタスクにおける大規模言語モデル（LLM）のパフォーマンスを向上させます。自己進化と自己適応のメカニズムに基づき、PromptWizardはフィードバック主導の批判と…

INFPは、2人対話インタラクション専用に設計された、音声駆動型のヘッド生成フレームワークです。対話音声に基づいて役割を自動的に切り替えるため、手動での役割割り当てや切り替えは不要です。INFPは、アクションベースのヘッド生成と…の2つのフェーズで構成されています。

VisionFMは、眼科分野全般の人工知能向けに特別に設計された、マルチモーダルかつマルチタスクな視覚基盤モデルです。560,457人の被験者から得られた340万枚の眼科画像を用いて事前学習されており、幅広い眼疾患を網羅しています。

MetaMorphは、命令チューニングによって視覚的理解と生成を実現するマルチモーダル大規模モデル（MLLM）です。このモデルは、視覚予測命令チューニング（VPiT）と呼ばれる手法を提案しています。

AgentScopeは、アリババグループが提供するオープンソースのマルチエージェント開発プラットフォームであり、開発者がマルチエージェントアプリケーションを容易に構築・展開できるよう支援します。AgentScopeは、高い使いやすさ、堅牢性、分散環境への対応に加え、様々な組み込みモデルAPIを備えています。

LeviTorは、南京大学、アントグループ、浙江大学などの機関によって開発された画像から動画への合成技術です。深度情報とK平均クラスタリングポイントを組み合わせて動画内の3Dオブジェクトの軌道を制御し、明示的な3D軌道追跡の必要性を排除します。LeviTorは…

3D-Speakerは、アリババ同義研究所の音声チームが立ち上げたマルチモーダルなオープンソースプロジェクトです。音響情報、意味情報、視覚情報を組み合わせることで、高精度な話者認識と言語識別を実現します。3D-Speakerは産業グレードの…

ERA-42は、北京興東Eraが開発した大規模でエンドツーエンドのネイティブロボットモデルです。自社開発の5本指器用ハンドXingdong XHAND1と組み合わせることで、100種類以上の複雑かつ器用な動作タスクを実行できます。ERA-42は事前プログラミングを必要とせず、新しいタスクを迅速に学習する能力を備えています。

Baichuan4-Financeは、Baichuan Intelligenceが開発した金融分野向けのフルチェーン拡張モデルで、Baichuan4-Finance-BaseとBaichuan4-Financeが含まれます。Baichuan4-Turboをベースに、ドメイン固有の自己制約を用いて学習されています。

VSI-Bench（Visual-Spatial Intelligence Benchmark）は、Fei-Fei Li、Sai-Ning Xie、および彼らの研究チームによって開発された視覚空間知能ベンチマークセットです。研究者らは、大規模なマルチモーダル言語モデルを評価するためにこのベンチマークを構築しました。

Bamba-9Bは、IBM、プリンストン大学、カーネギーメロン大学、イリノイ大学アーバナ・シャンペーン校が共同開発したMamba2アーキテクチャに基づく、デコード専用の言語モデルです。このモデルは完全にオープンなデータセットで学習されており、…

Univerは、スプレッドシート、ドキュメント、プレゼンテーションの作成と編集をサポートするオープンソースのフルスタックフレームワークであり、ユーザーに統合された強力なオフィスソリューションを提供します。UniverはブラウザとNode.js環境で動作し、さまざまなアプリケーションに簡単に統合できます。

Kheishは、大規模言語モデル（LLM）に基づいたオープンソースのマルチエージェントオーケストレーションプラットフォームです。複数の専門的な役割（エージェント）と柔軟なワークフローを用いて、提案書の作成、レビュー、検証など、複雑なタスクのさまざまなステップを調整します。

HelloMemeは、最新の拡散生成技術に基づいたフレームワークであり、顔の表情やポーズの転送を可能にします。HelloMemeは、安定拡散に基づく空間的結合アテンション機構を統合しています。

InvSRは、拡散モデルの逆プロセスに基づいて高解像度画像を復元する革新的な画像超解像モデルです。大規模な事前学習済み拡散モデルからの豊富な画像事前情報を活用することで、超解像性能を向上させます。InvSRの中核は深層学習にあります...

CLEARは、シンガポール国立大学が開発した新しい線形アテンションメカニズムであり、高解像度画像を生成する際の事前学習済み拡散変換（DiT）の効率を向上させます。各クエリのアテンションをローカルウィンドウに限定することで、CLEARは…

DisPoseは、北京大学、中国科学技術大学、清華大学、香港科技大学の研究チームが共同開発した、キャラクターアニメーションの品質向上を目的とした制御技術です。骨格ポーズと参照画像から有効なデータを抽出することに基づいています。