AIニュース

OCTAVE（Omni-Capable Text and Voice Engine）は、Hume AIが開発した次世代の音声・言語モデルで、EVI 2モデルの機能とOpenAI、Elevenlab、Google DeepMindのシステムを組み合わせたものです。OCTAVEは…

Granite 3.1は、IBMの次世代言語モデルであり、強力なパフォーマンスと拡張されたコンテキスト処理機能を誇ります。Granite 3.1モデルファミリーには、4つの異なるサイズと2つのアーキテクチャ（高密度2Bモデルと8Bパラメトリックモデル）が含まれています。

Sketch2Soundは、Adobe Researchとノースウェスタン大学が開発したAI音声生成技術です。音の模倣とテキストプロンプトに基づいて、高品質な効果音を生成します。Sketch2Soundは、音の模倣から音量、明るさ、ピッチを抽出します。

OmniAudio-2.6Bは、Nexa AIが開発した音声言語モデルで、エッジ環境への展開を想定して設計されており、高速かつ効率的な音声テキスト変換処理を実現します。OmniAudio-2.6Bは、2億6000万個のパラメータを持つマルチモーダルモデルで、Gemma-2-2と融合されています。

DreamOmniは、香港中文大学、ByteDance、香港科技大学が共同開発した、画像生成と編集を統合したモデルです。このモデルは、テキストから画像への変換（T2I）生成と、必須編集、復元など、さまざまな編集タスクを統合しています。

QVQは、AlibabaがQwen2-VL-72Bをベースに開発したオープンソースのマルチモーダル推論モデルです。視覚理解と複雑な問題解決能力を組み合わせることで、人工知能の認知能力を向上させます。QVQは、特に視覚推論タスクにおいて優れた能力を発揮します。

Open Notebookは、Google NotebookLMに代わる、プライバシーを重視したオープンソースのツールです。研究ワークフローの管理、AIを活用したノートの作成、コンテンツとのインタラクションなどを支援します。Open Notebookは、複数のノートブックと複数のモデルをサポートしています。

PC Agentは、上海交通大学と生成AI研究室（GAIR）が共同開発した高度なAIシステムです。人間の認知プロセスをシミュレートすることで、研究資料の整理、レポートの作成、プレゼンテーション資料の作成といったタスクを実行します。

Midscene.jsは、大規模言語モデル（LLM）を使用してUI自動化テストを簡素化するAIベースの自動化SDKです。ユーザーは操作手順や期待されるデータ形式を自然言語で記述し、Midscene.jsがそれを実行します。

ASAL（Automated Search for Artificial Life）は、基本的なモデルを用いて人工生命（ALife）を自動的に探索するシステムです。ASALは、Sakana AI、MIT、OpenAIなどの機関が共同で開発したもので、主に3つの要素に基づいています。

Browser Use は、大規模な言語モデル向けに特別に設計されたインテリジェントなブラウザツールです。この革新的な Python ライブラリを使用すると、AI エージェントは人間のように自然に Web ページを閲覧および操作できます。Browser Use は、マルチタブ管理、ビジュアル...

TRELLISは、清華大学、中国科学技術大学、およびマイクロソフトリサーチによって開発された3D生成モデルです。構造化潜在（SLAT）表現に基づいて、テキストや画像などの手がかりから高品質で多様な3Dアセットを生成します。

WiS（Who is Spy）は、Taotian GroupとAlibabaの技術研究チームが立ち上げた革新的なオンラインAIコンペティションプラットフォームです。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）のテストと分析のために特別に設計されています。WiSは…

DRT-o1は、テンセント研究所が開発した一連のAIモデルで、ロングチェーン思考（CoT）技術を用いて文学作品の翻訳品質を大幅に向上させます。特に、比喩や寓話などの修辞技法を扱う際に効果を発揮します。このモデルは、…を理解することができます。

FastExcelは、大容量ファイルのメモリオーバーフローの問題を解決できる、高速かつ簡潔なExcel処理ツールを提供するオープンソースのJavaライブラリです。FastExcelはEasyExcelと互換性があり、パフォーマンスの最適化、バグ修正、指定されたファイルの読み込みなどの新機能を提供します。

FinRobotは、金融分野におけるアプリケーションに特化したオープンソースのAIエージェントプラットフォームです。大規模言語モデル（LLM）を活用し、金融分野における複雑な分析と意思決定が可能な特殊なAIエージェントを構築します。このプラットフォームは、金融思考連鎖（CoT）を利用してヒントを提供します。

DeepSeek V3は、著名なプライベートエクイティ大手Magic Square Quant傘下のAI企業DeepSeekが開発した最新のオープンソースAIモデルです。多言語プログラミング機能が大幅に向上しており、Aider多言語プログラミング評価におけるパフォーマンスは…

3DHM（3D Human Motions）は、カリフォルニア大学バークレー校の研究者によって開発された高度な3D人体動作生成技術です。静止画像から3D制御による動的な人体動画を生成することができ、静止画像から動きのある動画への変換を実現します。

Diff-Instructは、事前学習済みの拡散モデルから知識を抽出し、他の生成モデルの学習を誘導するために使用される高度な知識転送手法です。これは、新しい発散指標である積分カルバック・ライブラー（IKL）発散に基づいています。

VidTok（ビデオトークナイザー）は、マイクロソフトがオープンソース化した高度なビデオトークナイザーです。効率的なアルゴリズムを用いてビデオコンテンツを「ビデオワード」の連続に変換します。連続トークン化と離散トークン化の両方をサポートし、柔軟な圧縮率と多様な処理オプションを備えています。

Infinityは、ByteDanceが開発した、ビットレベルの自己回帰モデリングに基づくビジュアル生成モデルで、言語指示に基づいて高解像度でリアルな画像を生成できます。Infinityは、無限の語彙を持つタガー、分類器、ビットレベルの自己修正機能を活用しています。

ModernBERTは、Answer.AI、LightOn、ジョンズ・ホプキンス大学、NVIDIA、HuggingFaceが共同開発した、エンコーダーのみを使用する最新のTransformerモデルです。これは、従来のBERTモデルを大幅に改良したものです。

Cobaltは、クリーンで広告なしの快適な操作性を提供する、無料のオープンソース画像・音声・動画ダウンローダーです。Cobaltは、主要な動画サイト、ソーシャルメディア、音楽プラットフォームなど、あらゆるプラットフォームからの動画、音声、画像のダウンロードに対応しています。

CogAgent-9Bは、GLM-4V-9Bで学習された専用のエージェントタスクモデルです。入力としてスクリーンショットのみを必要とし、HTMLなどのテキスト表現は不要です。CogAgent-9Bは高解像度画像処理をサポートし、中国語と英語のバイリンガルです。