AIニュース

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、...

HuatuoGPT-o1は、香港中文大学深圳校と深圳ビッグデータ研究所が共同開発した、医療分野向けの複雑推論モデルです。複雑推論能力に基づいて医療問題の解決性能を向上させることを目的としています。このモデルは2つの...

LangGraphは、特にエージェントおよびマルチエージェントワークフローを作成するための大規模言語モデル（LLM）と組み合わせて使用する場合に、ステートフルなマルチエージェントシステムを構築するために設計されています。LangChainの一部として...

R2Rは、検索拡張生成に特化した高度なAI検索システムです。R2Rは、マルチモーダルコンテンツの取り込み、ハイブリッド検索、ナレッジグラフの構築、GraphRAGクラスタリング分析などを統合しています。

Elizaは、ai16zが開発したオープンソースのマルチエージェントシミュレーションフレームワークであり、自律型AIエージェントの作成、デプロイ、管理を目的としています。TypeScriptで開発されており、インテリジェントエージェント構築のための柔軟で拡張性の高いプラットフォームを提供します。

MagicMirrorは、ディープラーニング技術を用いてユーザーがワンクリックで外見を自在に変えられる、オープンソースのAI顔交換、ヘアスタイル変更、服装変更アプリケーションです。使いやすさ、ハードウェアへの優しさ、プライバシー保護、軽量設計が特徴で、ハイエンドなハードウェアは必要ありません。

PanoDreamerは、1枚の画像から一貫性のある360°3Dシーンを生成できる新しい手法です。既存の手法とは異なり、この手法では問題を2つの最適化タスク（1枚の画像によるパノラマ生成と深度推定）として構造化し、交互に最小値を取る手法を導入しています。

VideoMakerは、浙江大学、テンセント、ファーウェイ・ノアズアーク・ラボが共同開発した革新的なプロジェクトです。ビデオ拡散モデル（VDM）に基づいた、ゼロショットのカスタムビデオ生成フレームワークです。従来の方法とは異なり、VideoMakerは追加の...

TITANは、ハーバード大学医学部の研究チームが開発した、マルチモーダルな全スライス病理モデルです。視覚的自己教師あり学習と視覚言語アライメントによる事前学習を通して、微調整や臨床ラベル付けなしに、普遍的なスライス表現を抽出できます。

TANGOFLUXは、シンガポール工科デザイン大学（SUTD）とNVIDIAが共同開発した高効率なテキスト音声生成モデルです。このモデルは約5億1500万個のパラメータを持ち、単一のA40 GPUでわずか3.7秒で最大30秒の音声ファイルを生成できます。

MMedAgentは、医療分野向けに特別に設計されたマルチモーダルAIエージェントであり、さまざまなオープンソースの医療モデルを統合することで、多様な医療タスクを管理します。このシステムには、アクションとして、命令調整型マルチモーダル大規模言語モデル（MLLM）が含まれています。

VITRONは、Skywork AI、シンガポール国立大学、南洋理工大学が共同開発したピクセルレベルの視覚的大規模言語モデル（LLM）です。静止画像と動画を包括的に理解・処理することができ、画像や動画の理解を可能にします。

n8nはオープンソースの自動ワークフロー管理システムで、コードを一切書かずにドラッグ＆ドロップで複雑なワークフローを作成できるローコードプラットフォームを提供します。n8nはAIを含む400以上のアプリケーションやサービスとの統合をサポートしています。

SoulChat 2.0は、南華理工大学未来技術研究所（広東省デジタルツイン重点実験室）がSoulChat 1.0モデルを基に開発した、心理カウンセラー向けのデジタルツイン言語モデルです。これは、特定の心理カウンセラーのデジタルツイン言語を初めて定義するものです。

SAC-KGは、大規模言語モデル（LLM）に基づいてドメイン知識グラフを自動的に構築するための汎用フレームワークです。ジェネレータ、バリデーター、プルーナーの3つの主要コンポーネントで構成され、生のドメインコーパスからドメイン固有の知識グラフを自動的に生成できます。

TryOffAnyoneは、服を着た人物の写真をタイル状の服のディスプレイ画像に変換するAIツールです。高度な潜在拡散モデル技術に基づいて、写真から服の領域を自動的に識別して抽出し、その後...

LongDocURLは、中国科学院自動化研究所とアリババ傘下のタオバオTmallグループが共同で公開した、マルチモーダルな長文文書理解ベンチマークデータセットです。長文文書、複雑な要素、多様なタスクを処理する際のモデルのパフォーマンス評価に重点を置いています。

DeepSeek Artifactsは、Hugging Faceが提供する無料のAIプログラミングツールで、ReactとTailwind CSS用のフロントエンドコードを生成します。DeepSeek V3をベースにしており、主な目的はフロントエンドコードの公開データセットを構築することです。

Jina Reader は、Jina AI が提供するオープンソースのツールで、HTML ウェブページのコンテンツを大規模言語モデル (LLM) での処理に適したプレーンテキスト形式に変換します。ユーザーは、URL に特定のプレフィックスを追加するだけで済みます。

Metaによって導入されたメモリ層は、浮動小数点演算（FLOPs）の数を増やすことなく、学習可能なキーバリュー検索メカニズムを使用してモデルにパラメータを追加する方法です。これらは、計算負荷の高いフィードフォワード層を疎な活性化で補完し、...

Cognitaは、開発者がモジュール式で拡張性が高く、デプロイ可能な本番環境レベルのアプリケーションを構築できるよう支援する、オープンソースのモジュール式RAG（Retrieval Augmented Generation）フレームワークです。CognitaはLangchain/LlamaIndを使用しています。

LAMは、マイクロソフトが発表した新しい人工知能モデルで、「Large Action Model」（略称LAM）と呼ばれています。従来の言語モデルとは異なり、LAMはWindowsプログラムを自律的に操作し、現実世界のタスクを実行できます。テキストを理解でき、

smolagentsは、Hugging Faceが開発した軽量なオープンソースライブラリで、インテリジェントエージェントの構築プロセスを簡素化します。最小限のコードサイズ（約1000行）と直感的なAPI設計により、開発者はインテリジェントエージェントを迅速に構築およびデプロイできます。smolagentsは、インテリジェントエージェントの構築とデプロイを容易にします。