AIニュース

GR00T-TeleopはNVIDIA Isaac GR00Tシリーズの一部であり、遠隔操作データの取得に重要な技術を活用しています。Apple Vision ProヘッドセットとのNVIDIA CloudXR接続をベースとし、特別に設計されたヒューマノイド遠隔操作システムを使用しています。

MiniRAGは、香港大学が開発した、検索機能を強化した新しい生成型言語生成（RAG）システムであり、リソース制約のあるシナリオで小型言語モデル（SLM）を効率的に展開するために設計されています。MiniRAGはこの目標を、以下の2つの主要技術に基づいて達成しています。...

Riona-AI-Agentは、Node.jsとTypeScriptで構築されたAI駆動型自動化ツールで、Instagram、Twitter、GitHubなどのソーシャルメディアプラットフォームと連携します。Riona-AI-Agentは、以下のようなものを生成できます。

Prometheusは、テキストから3Dシーンコンテンツを高速に生成するために特別に設計された、革新的な3D対応潜在拡散モデルです。オブジェクトレベルおよびシーンレベルの3D生成を数秒で完了させることができ、高品質な出力と優れた汎化性能を維持します。

MinMoは、アリババ傘下のTongyi LabのFunAudioLLMチームが開発したマルチモーダル大規模モデルで、シームレスな音声対話の実現に重点を置いています。MinMoは約80億個のパラメータを持ち、140万時間もの多様な音声データを用いた多段階学習によって訓練されています。

MiniMax-01は、MiniMaxが新たに発表したモデルシリーズで、基本言語大規模モデルMiniMax-Text-01と視覚マルチモーダル大規模モデルMiniMax-VL-01が含まれます。MiniMax-01は、大規模に線形アテンションメカニズムを実装した最初のモデルであり、…

iFlytek Spark X1は、2025年1月15日にiFlytek社から発売された、中国初の深層思考・推論能力を備えた大型モデルであり、完全国産のコンピューティングプラットフォーム上で訓練されている。問題解決プロセスにおいて、人間の「ゆっくりとした思考」方法に非常に近いアプローチを採用しており、…

iFlytekが2025年1月15日に発表したSpark同時音声通訳モデルは、エンドツーエンドの同時音声通訳機能を備えた中国初の大型モデルです。このモデルは、コンテンツの網羅性、情報の正確性、言語品質において業界をリードしています。

Titansは、Googleが開発した新しいニューラルネットワークアーキテクチャで、Transformerが長いデータシーケンスを処理する際に抱えるメモリのボトルネックを克服します。Titansは、人間の脳の記憶メカニズムをシミュレートするニューラル長期記憶モジュールを導入しており、特に予期せぬ事象への対応能力が強化されています。

moonshot-v1-vision-previewは、Dark Side of the Moonが開発したマルチモーダル画像理解モデルです。moonshot-v1モデルシリーズのマルチモーダル機能を強化し、強力な画像認識能力と複雑な画像を正確に識別する能力を備えています。

MiniCPM-o 2.6は、MiniCPM-oシリーズの最新かつ最高性能のマルチモーダル大規模モデルであり、80億個のパラメータを備えています。MiniCPM-o 2.6は、画像認識、音声認識、マルチモーダルライブストリーミングなど、複数の分野で優れた性能を発揮し、GPT-4oに匹敵するパフォーマンスを実現しています。

Flowiseは、オープンソースのローコード/ノーコードのドラッグ＆ドロップツールで、ビジュアルコンポーネントをドラッグ＆ドロップするだけで、カスタムLLMアプリケーションを迅速に構築できます。使いやすいツールとコンポーネントが豊富に用意されており、コーディングはほとんど、あるいは全く必要ありません。

LlamaV-o1は、アラブ首長国連邦のムハンマド・ビン・ザイード人工知能大学などの機関によって提案された、新しいマルチモーダル視覚推論モデルであり、大規模言語モデルの段階的な視覚推論能力を強化します。また、視覚推論チェーンのためのVRC-Bencベンチマークを導入しています。

Kokoro-TTSは、hexgradが開発した軽量テキスト音声合成（TTS）モデルで、8200万個のパラメータを備えています。StyleTTS 2とISTFTNetのハイブリッドアーキテクチャに基づいており、純粋なデコーダ設計を採用し、拡散モデルの使用を避けています。

KHOJは、ユーザーが知識を統合・取得するのを支援するオープンソースのパーソナライズされたAIアシスタントです。PDF、Markdown、プレーンテキスト、GitHub、Notionファイルなど、ユーザーのオンラインおよびローカルドキュメントに接続し、セマンティック検索を使用して迅速に情報を検索します。

Luma Ray2は、Luma AIが開発した最新の動画生成モデルです。Lumaの新しいマルチモーダルアーキテクチャに基づいてトレーニングされたRay2は、Ray1の10倍の計算能力を誇り、高度な機能を備えています。高速かつ一貫性のある動画を生成できます。

RAIN（Real-time Animation Of Infinite Video Stream）は、RTX 4090 GPU 1基などの一般消費者向けハードウェアを使用して、無限のビデオストリームをリアルタイムでアニメーション化できる革新的なリアルタイムアニメーションソリューションです。コア...

Pipecatは、音声およびマルチモーダル対話エージェントの構築に特化したオープンソースのPythonフレームワークです。組み込みの音声認識、テキスト音声合成（TTS）、対話処理機能に基づいて、AIサービスの複雑な連携、ネットワーク伝送、音声処理を簡素化します。

RealtimeSTTは、低遅延アプリケーション向けに設計されたオープンソースのリアルタイム音声認識ライブラリです。強力な音声活動検出機能を備え、音声の開始と終了を自動的に認識し、WebRTCVADとSiloVADを使用して正確な検出を実現します。

Step R-mini（正式名称：Step Reasoner mini）は、Step Star社が開発した推論モデルです。Stepシリーズ初の推論モデルであり、じっくりと時間をかけて考え、繰り返し検証することで、積極的な計画立案、試行錯誤、そして内省に優れた能力を発揮します。

GLM-Realtimeは、Zhipuが発表した全く新しいエンドツーエンドのマルチモーダルモデルで、低遅延のビデオ理解と音声対話機能を備えています。また、歌唱機能も搭載しており、会話中に歌唱能力を披露することができます。このモデルは最大2分間の音声に対応しています。

CogView-3-Flashは、Zhipuが初めてリリースした無料のAI画像生成モデルです。テキスト記述に基づいて美的スコアの高い画像を生成でき、複数の解像度をサポートし、専門分野のニーズを満たします。このモデルは創造性の多様性を誇り、…に基づいています。

MangaNinjaは、正確なマッチングと細かな制御を実現する、参照ベースの線画着色手法です。革新的なパッチ再配置モジュールとポイント駆動制御方式により、着色精度と画質を向上させています。また、以下の処理にも対応しています。

AutoMouserは、ユーザーの操作をインテリジェントに追跡し、OpenAIのGPTモデルに基づいてSeleniumテストコードを自動生成するChrome拡張機能です。クリック、ドラッグ、ホバーなどのユーザーのブラウザ操作を記録します。