AIニュース

StereoCrafterは、Tencent AI LabとARC Labが共同開発した革新的なフレームワークです。単眼ビデオ（2Dビデオ）を立体視3Dビデオに変換し、3Dコンテンツに対する高まる需要に応えます。StereoCrafterは深度推定に基づいており、...

AgiBot Worldは、Zhiyuan Robotics社が提供する数百万件の実機データを含むオープンソースのデータセットで、身体化された知能の開発促進を目的としています。このデータセットには、家庭、食事、産業など5つの主要シナリオを網羅する80種類以上の日常スキルが含まれています。データの規模と品質は目覚ましいものです。

GraphAgentは、香港大学と香港科技大学（広州）が共同開発したインテリジェントなグラフィカル言語アシスタントです。グラフ接続などの構造化データと、テキストや視覚情報などの非構造化データの両方を現実世界から処理できます。

DeepSeek Engineerは、DeepSeek APIを統合したAIプログラミングアシスタントです。コマンドラインインターフェースにより、ローカルファイルの読み込み、新規ファイルの作成、既存ファイルに対するリアルタイム差分編集が可能です。DeepSeek Engineerは…

Psi R0は、Lingchu Intelligence初の強化学習に基づくエンドツーエンドの具現化モデルです。2つの器用な手の連携によって複雑な操作をサポートし、複数のスキルを連鎖的に組み合わせたトレーニングを行うことで、推論能力を備えたインテリジェントエージェントを生成し、ループを完了して閉じることができます。

FireCrawlは、ウェブデータを抽出してMarkdownなどの構造化データに変換するために特別に設計されたオープンソースのAIウェブクローラーツールです。FireCrawlは強力なクロール機能を備え、動的なウェブページコンテンツの処理をサポートし、インテリジェントなクロールステータス更新を提供します。

VideoVAE+（VideoVAE Plus）は、香港科技大学の研究チームが開発した高度なクロスモーダルビデオ変分オートエンコーダー（Video VAE）です。新しい時空間分離圧縮メカニズムとテキストガイダンスを導入することで、大規模なモーションデータの大幅な圧縮を実現します。

Languineは、開発者がアプリケーション開発プロセスを効率化できるよう支援するAI搭載の翻訳ツールです。インテリジェントな検出、AI翻訳、自動化されたワークフロー、そして開発者に優しい設計に基づき、Languineは翻訳管理を簡素化します。

Figma-Low-Codeは、Luisaフレームワークをベースにしたオープンソースプロジェクトで、開発者がFigmaのデザインをVue.jsアプリケーションに直接変換できるようにします。これにより、デザイナーと開発者間の引き継ぎ時間が大幅に短縮され、フロントエンドのコーディング作業負荷も軽減されます。

AI Dev Galleryは、Microsoftが提供するオープンソースのAIツールキットおよびサンプルライブラリで、Visual Studioに統合されており、Windows開発者がエッジAI機能を簡単に統合できるように支援します。AI Dev Galleryには25以上のインタラクティブなサンプルが用意されています。

OpenEMMAは、テキサスA&M大学、ミシガン大学、トロント大学が共同開発した、自動運転のためのオープンソースのエンドツーエンド・マルチモーダルモデルフレームワークです。事前学習済みの大規模マルチモーダル言語モデル（MLLM）を利用して、視覚データや複雑な運転シナリオを処理します。

RAG Loggerは、Retrieval Enhanced Generation（RAG）アプリケーション向けに特別に設計されたオープンソースのログツールです。LangSmithの軽量な代替ツールとして、RAGアプリケーションのログ記録ニーズを満たすことに重点を置いています。RAG Loggerはクエリと...

GLM-Zeroは、Zhipu AIが開発した拡張強化学習技術に基づく推論モデルで、モデルの深層推論能力の向上に重点を置いています。数学的論理、コーディング、複雑な問題解決に優れており、AIME 2024、MATH500、LiveCなどのコンテストで成功を収めています。

AutoRAGは、中国科学院計算機技術研究所（ICT/CAS）、中国科学院人工知能セキュリティ重点実験室、および中国科学院大学の研究者らが共同開発した、新しい自律型反復検索モデルです。大規模なデータ処理向けに特別に設計されています。

MARS（Market Simulation）は、マイクロソフトリサーチアジアが開発した金融市場のシミュレーションおよび予測エンジンです。生成型ベースモデルであるLMM（大規模市場モデル）に基づいて、金融市場における注文の流れと市場動向をシミュレーションします。

StoryWeaverは、厦門大学の教育部マルチメディア信頼知覚・高効率コンピューティング重点実験室とNetEase Fuxi AI Labが共同開発したAIモデルです。知識強化型のストーリーキャラクターカスタマイズにより、高品質なストーリービジュアライゼーションを実現します。

StockMixerは、上海交通大学が開発した多層パーセプトロン（MLP）アーキテクチャで、株価予測に用いられ、シンプルさと強力な予測能力を兼ね備えています。このアーキテクチャは、指標混合、時間混合、銘柄混合という3つのステップに基づいています。

LaDeCoは、西安交通大学とマイクロソフトリサーチが共同開発した、自動化されたグラフィックデザインおよび構成手法です。デザインタスクを階層的なステップに分解することに基づいています。LaDeCoは入力されたデザイン要素に対してレイヤープランニングを実行し、それらを...

SEMIKONGは、Aitomatic、FPT Software、東京エレクトロンが共同開発した、半導体業界向けに特化して設計された大規模言語モデル（LLM）です。深い専門知識に基づき、半導体製造および設計に関連する問題を解決します。

MinT（Mind the Time）は、Snap Research、トロント大学、Vector Instituteが共同開発したマルチイベント動画生成フレームワークです。正確な時間制御に基づき、テキストプロンプトに基づいて複数のイベントを含む動画シーケンスを生成します。

トロント大学、Snap、UCLAの研究チームが開発した技術「Wonderland」は、1枚の画像から高品質で広範囲な3Dシーンを生成でき、カメラの軌道を制御することも可能です。この技術は、3D再構成モデルを効果的に構築できることを実証しています。

VersaGenは、テキストから画像を生成する生成型AIエージェントであり、柔軟なビジュアル制御を可能にします。VersaGenは、単一の視覚的被写体、複数の視覚的被写体、シーンの背景など、任意の要素の組み合わせを処理できます。

ILLUMEは、ファーウェイ・ノアズ・アーク・ラボが提案した、視覚理解と生成機能を単一のフレームワークに統合した、統一されたマルチモーダル大規模モデルです。このモデルは大規模言語モデル（LLM）に基づいており、連続画像入力と離散画像入力の組み合わせを採用しています。

AIGCPanelは、シンプルさと使いやすさで知られるオープンソースのAIデジタルヒューマンシステムです。ビデオ合成、サウンド合成、サウンドクローニングなどのコア機能をサポートしています。TypeScriptを使用して開発されており、クロスプラットフォームに対応し、AGPL-3.0ライセンスに準拠しているため、...