AIニュース

Wanxiang 2.1は、アリババがリリースしたTongyi Wanxiangのアップグレード版です。独自開発の高効率VAEとDiTアーキテクチャに基づき、時空間コンテキストモデリング機能を強化し、無制限の長さの1080Pビデオの効率的なエンコードとデコードをサポートし、中国語テキストからビデオへの生成を初めて実現しました。

Spark Minutesは、iFlytekが提供する音声・動画処理プラットフォームで、文字起こし、要約、翻訳、分析機能を統合しています。一般会議、インタビュー、営業会議、研修会など、様々な場面で幅広く利用されています。会議の重要な内容を効率的に要約するのに役立ちます。

Hallo3は、復旦大学と百度が共同開発した、拡散変換ネットワーク（DTN）に基づくポートレート画像アニメーション技術であり、非常にダイナミックでリアルな動画を生成できます。Hallo3は…

rStar-Mathは、Microsoft Research Asiaが立ち上げた革新的な研究プロジェクトです。モンテカルロ木探索（MCTS）に基づく深層思考により、小規模言語モデル（SLM）がOpenAIの大規模数学推論能力に匹敵、あるいはそれを凌駕することを可能にします。

Stability AIとイリノイ大学アーバナ・シャンペーン校が開発したSPAR3Dは、1枚の画像から3Dモデルを生成する高度な手法です。1枚の画像から高品質の3Dオブジェクトを効率的に再構築します。SPAR3Dは2段階設計に基づいており、第1段階では…

Search-o1は、中国人民大学と清華大学が開発した革新的なフレームワークで、複雑な問題に直面した際の大規模推論モデル（LRM）の推論能力を向上させることを目的としています。これは、統合エージェント検索強化生成（RAG）メカニズムとReason...に基づいています。

ConceptMasterは、マルチコンセプトビデオのカスタマイズのための革新的なフレームワークです。テスト中に調整を必要とせずに、拡散トランスフォーマーモデル上で高品質でコンセプトに一貫性のあるカスタムビデオを生成します。このフレームワークは、分離された...

SenseTime社は、マルチモーダル大規模モデルであるSenseNovaを2025年1月10日に正式に発表しました。このモデルはネイティブな融合モダリティを実現し、深層推論とマルチモーダル情報処理能力の両方を大幅に向上させています。

Agent Laboratoryは、AMDとジョンズ・ホプキンス大学が共同開発した研究フレームワークであり、大規模言語モデル（LLM）に基づいており、科学的発見の加速、コスト削減、研究品質の向上を目指しています。Agent Laboratoryは、以下の要件を満たしています。

XinYanYiMaは、AIプログラミングアプリケーション開発を専門とする企業で、海外向け製品「The Dark Side of the Moon」の創業者であるMing Chaoping氏によって設立されました。正式名称はShenzhen XinYanYiMa Technology Co., Ltd.で、2024年9月23日に設立され、広東省深圳市に所在しています。

PPTAgentは、中国科学院ソフトウェア研究所の中国情報処理研究所が開発した革新的なフレームワークです。人間のワークフローを模倣した2段階編集方式に基づき、文書から高品質のプレゼンテーションを自動的に生成します。PPTAgentは、文書を分析し、…

HoloDriveは、SenseTimeや上海人工知能研究所などが提案した、自動運転向けの包括的な2D-3Dマルチモーダル街路シーン生成フレームワークです。このフレームワークは、カメラ画像とLiDAR点群を統合的に生成することで、自動運転における2Dシーン生成のギャップを埋めます。

Perception-as-Controlは、Alibaba Tongyi Labsが開発した画像およびアニメーションフレームワークであり、ユーザーの意図に基づいてきめ細かなモーション制御を実現できます。Perception-as-Controlは、3D知覚モーション表現の構築に基づいており、...

Motion Dreamerは、香港科技大学（広州）の研究者らが提案した、自然な動きのある動画を生成する動画生成フレームワークです。2段階の生成方法に基づいており、まず入力画像と動きの条件に基づいて中間的な動きの表現を生成し、次に…

Sky-T1は、カリフォルニア大学バークレー校スカイ・コンピューティング・ラボの研究チームであるNovaSkyがリリースしたオープンソースの推論AIモデルです。Sky-T1-32B-Previewという名称で、トレーニングデータセットとコードの両方が公開されている初のオープンソース推論モデルです。

FaceLiftは、Adobeとカリフォルニア大学マーセド校が開発した、単一画像から3D頭部モデルを作成する技術です。1枚の顔画像から360度の頭部モデルを再構築できます。FaceLiftは2段階のプロセスに基づいています。…

SVFR（Stable Video Face Restoration）は、テンセントユーチューラボと厦門大学が共同開発した、汎用的なビデオ顔復元のための統一フレームワークです。ビデオ顔復元（BFR）、カラー化、復元タスクを統合しています。

TimesFM 2.0は、Googleの研究チームが開発したオープンソースの時系列予測モデルです。最大2048時点の単変量時系列を扱い、任意の予測期間をサポートするなど、強力な予測機能を誇ります。このモデルは、解のみを求めるアプローチを採用しています。

NeuralSVGは、テキスト駆動型の革新的なベクターグラフィックス生成技術です。小さな多層パーセプトロンネットワークを用いて、テキスト情報を階層的なベクターグラフィックスに変換します。このネットワークは、形状インデックスを入力として受け取り、形状パラメータを出力します。

ViTPoseは、Transformerアーキテクチャに基づいた人体姿勢推定モデルです。標準的なビジュアルTransformerをバックボーンネットワークとして使用し、入力画像をセグメント化して特徴を抽出し、それをTransformerブロックに入力し、その後...

Nemotron-CCは、NVIDIAチームが公開した大規模な事前学習済みデータセットで、Common Crawlデータを長シーケンスの事前学習に適した高品質のコーパスに変換できます。Nemotron-CCデータセットは、分類器アンサンブル、合成データなどを組み合わせています。

NVIDIA Ingestは、複雑で整理されていない非構造化PDFやその他の企業文書を解析するための、NVIDIAが提供するオープンソースのマイクロサービス群です。NVIDIA Ingestは文書をメタデータとテキストに変換し、検索システムへの埋め込みを容易にします。

Ekoは、Fellou AIが開発した、実運用に対応したJavaScriptフレームワークです。自然言語に基づいており、開発者は簡単な指示から複雑なプロセスまで、信頼性の高いインテリジェントエージェントを容易に作成できます。Ekoは、以下のプラットフォームを含むすべてのプラットフォームをサポートしています。

Emotion-LLaMAは、音声、画像、テキスト入力を統合し、特定の感情エンコーダーを通して情報を組み合わせるマルチモーダルな感情認識・推論モデルです。このモデルは、LLaMAの改良版をベースに、感情認識能力を向上させるための指示を追加して調整されています。