AIニュース

CosmosはNVIDIAのジェネレーティブワールドモデリングプラットフォームであり、特に自動運転やロボット工学分野における物理AIシステムの開発を加速させます。Cosmosはテキスト、画像、動画からのプロンプトを受け入れることができます。

UCloud Computingは、UCloud傘下のGPUコンピューティングパワーレンタルプラットフォームであり、AIアプリケーション向けに効率的かつ柔軟なコンピューティングリソースを提供することに重点を置いています。さまざまなプロジェクトのニーズに対応するため、オンデマンドレンタルをサポートしています。このプラットフォームは、豊富な画像コミュニティを誇り、複数の画像を提供しています。

KAG（Knowledge Augmented Generation）は、Ant Groupが開発したドメイン特化型の知識サービスフレームワークです。知識拡張に基づき、特定のドメインにおける大規模言語モデル（LLM）の質問応答性能を向上させ、垂直分野向けの知識サービスを提供します。

Gemini Coderは、GoogleのGemini API、Next.js、およびTailwind CSSをベースにしたツールで、アプリコードを迅速に生成するために使用されます。Gemini Coderはシンプルな記述に基づいており、リアルタイムでSandpackと組み合わせて使用します。

AIOpsLabは、クラウドサービス運用管理のためのAIOpsエージェントの構築、評価、改善を目的として、マイクロソフト、カリフォルニア大学バークレー校、イリノイ大学アーバナ・シャンペーン校、マイクロソフトリサーチ、およびその他の機関によって開発されたプロトタイプフレームワークです。AIOpsLabは…

浙江大学とアリババDAMOアカデミーが共同開発したVideoReferは、動画内の物体認識と推論のために特別に設計されています。拡張ビデオ大規模言語モデル（Video LLM）の時空間理解能力に基づいて、このモデルは…

JoyCaptionは、拡散モデルのトレーニングに使用されるオープンソースの画像キャプション生成ツールです。JoyCaptionは、幅広い画像スタイル、コンテンツ、民族、性別、および向きに対応し、フィルタリングを最小限に抑えて世界のさまざまな側面を理解しますが、...

MajicFlusは、MajicFlusがFlux.1アーキテクチャに基づいて開発したAIモデルです。高品質なポートレート画像の生成に特化しており、特にアジア人女性の繊細さと美しさを捉えることに優れています。このモデルは、複数の技術を統合して、まるで生きているかのような人物像を生成します。

CHRONOSは、上海交通大学コンピュータ科学工学部、アリババグループの同義研究所、およびその他の機関が共同開発した、ニュースタイムライン要約を生成するための新しいフレームワークです。反復的な質疑応答アプローチに基づいており、大規模なデータを使用します。

香港科技大学、アントグループ、スタンフォード大学、香港中文大学が開発したEdichoは、拡散モデルに基づいた画像編集手法であり、複数の画像にわたって一貫した編集を可能にします。Edichoはトレーニング不要のアプローチを採用しており、...

Mobile-Agentは、ネットワーク上のノード間を移動してユーザーや他のエージェントに代わって動作できる、モバイルでインテリジェントなエージェントソフトウェアです。状況に応じて、現在の実行を中断し、別のデバイスで再開することができます。

VideoRAGは、長尺動画の理解を支援する検索拡張型生成技術です。動画から視覚的に整列した補助テキストを抽出することで、大規模動画言語モデル（LVLM）が視覚的に整列した補助テキストをより良く理解し、生成するのに役立ちます。

SPRIGHT（SPatially RIGHT）は、空間関係に焦点を当てた大規模な視覚言語データセットであり、アリゾナ州立大学、インテルラボ、Hugging Face、ワシントン大学、その他の機関が共同で開発しました。これは、空間関係の問題を解決できます。

LIGERは、Meta AIなどの機関が開発したハイブリッド検索モデルで、生成型検索と密な検索の利点を組み合わせています。LIGERは、生成型検索モジュールを使用して候補アイテムの有限セットを生成し、次に密な検索を使用してランク付けと...

SeedVRは、南洋理工大学とByteDanceが開発した拡散変換モデルであり、高品質な汎用ビデオ復元を実現できます。SeedVRは、導入されたシフトウィンドウ注意機構に基づいており、大きな（64×64）ウィンドウと境界での注意機構を採用しています。

AutoDroid-V2は、清華大学人工知能産業研究所が開発したモバイルGUI自動化スクリプトエージェントです。Small Language Models（SLM）に基づいており、コード生成技術によってデバイス上のGUIエージェントのパフォーマンスを向上させます。AutoDroid...

EnerVerseは、Zhiyuan Roboticsチームが開発したロボット向け初の4Dワールドモデルです。未来の具現化空間を生成することで、ロボットが複雑なタスクを完了できるように導きます。このモデルは、自己回帰拡散モデルとスパースメモリ機構（Spars...）を組み合わせたものです。

Seerは、上海AI研究所、北京大学コンピュータ科学技術学院、北京大学ソフトウェア・マイクロエレクトロニクス学院が共同開発したエンドツーエンドの運用モデルであり、ロボットの視覚予測と動作実行の高度な連携を実現しています。

ArtCrafterは、清華大学、鵬城研究室、およびLenovo Researchが共同開発した、テキストから画像へのスタイル変換フレームワークです。拡散モデルに基づき、スタイル表現、コンテンツの一貫性、出力の多様性といった点で従来の手法の限界を克服しています。

Ingredientsは、複数の本人確認（ID）写真とビデオ拡散トランスフォーマーを組み合わせた、カスタムビデオ作成のための強力なフレームワークです。Ingredientsは、3つのコアモジュールに基づいて高度にカスタマイズされたビデオ作成を可能にします。

MultiBoothは、清華大学深圳国際大学院、Meta、香港科技大学などの機関によって開発された、複数の概念を含む画像生成手法です。テキストからユーザーが指定した複数の概念を含む画像を生成できます。MultiBoothは、以下のような画像を生成します。

Aria-UIは、香港大学とRhymes AIが共同開発した、グラフィカルユーザーインターフェース（GUI）のローカライズタスク向けに設計された大規模なマルチモーダルモデルです。純粋に視覚的なアプローチに基づいており、HTMLやAXTreeなどの補助入力に依存せず、大規模な...

TransPixarは、香港中文大学、Adobe Research、香港科技大学、SmartMooreが共同でオープンソース化した、高度なテキストからビデオへの生成手法です。これは、事前学習済みのRGBビデオモデルを拡張し、透明度情報を含むRGBAビデオを生成します。

STARは、南京大学、ByteDance、西南大学が共同開発した革新的な実世界ビデオ超解像（VSR）フレームワークです。低解像度（LR）ビデオから高解像度（HR）ビデオを生成し、細部を保持することができます。