AIニュース

フェイフェイ・リー氏が設立したワールドラボが開発したアトラスは、世界初のマルチモーダル世界モデルです。このモデルは、テキスト、画像、動画、3D空間情報をネイティブに理解し、空間コンテキストを通じてシーンを3次元座標に固定します。

Muse Voice Transcribeは、Meta初のリアルタイム音声認識モデルで、ストリーミング自動音声認識、話者セグメンテーション、エンドポイント検出を統合しています。このモデルは70以上の言語とネイティブコードスイッチングをサポートし、処理能力も備えています。

Hy4プレビュー軽量版は、Tencent Hunyuanが独自開発したSherry 1.25ビット疎量子化とMIX-STQ1_0レイヤーバイレイヤー混合精度技術を用いて、オリジナルの1.5TB Hy4プレビューオープンソースモデルを圧縮し、約214GBに縮小したものです。

Ling-3.0-flash-Finは、Ant Financial初の金融機能強化モデルであり、Ling-3.0-flashアーキテクチャ（合計1240億個のパラメータ／51億個のアクティベーションパラメータ）に基づいて、実際の金融ワークフロー向けに設計されています。

MiniMax H3 Maxは、MiniMaxが開発したリアルタイム動画生成モデルで、オープンソースのH3プラットフォームをベースに、学習後処理と推論の最適化が施されています。このモデルは、テキストから画像、画像から動画への生成と音声の同時生成をサポートしており、5秒間の768p動画を3秒未満で生成できます。

Headlongは、Laude Instituteが開発したオープンソースのAIエージェントマイクロフレームワークで、コア部分はわずか約1万行のBashスクリプトで構成されています。その最大の特長は、永続的なエージェント機能です。エージェントは決して「眠る」ことがなく、起動コールやスケジュールされたタスクを必要とせず、人間のように機能します。

RomeはオープンソースのエージェントOSです。このツールは、AIがユーザー向けアプリケーションを開発することを可能にし、ユーザーは自然言語でニーズを記述できます。エージェントは、ユーザーインターフェース、データ、バックエンドロジックを備えたアプリケーションを自動的に生成し、それらはインストールして長期的に実行できます。

Zing-0.5は、Loopitが開発したオープンソースのリアルタイムインタラクティブビデオワールドモデルで、5バイトのパラメータを持ち、Wan2.2-TI2V-5Bプラットフォームをベースとし、Apache 2.0ライセンスで提供されています。そのコア機能は「共同制御」であり、キーボード空間操作と自然言語処理を包含しています。

Hy4プレビューは、Tencentの主力オープンソースモデルであり、Hunyuanによって開発されました。パラメータの総数は770バイト、アクティベーションパラメータは49バイト、コンテキスト長は1MBです。このモデルは、Tencentのソフトウェアエンジニアリング、ゲーム、金融、セキュリティ分野の専門家との綿密な協力によって開発されました。

shuohao-skillsは、Claude CodeやCodexといったエージェント向けに特別に設計された、AIを活用した短編ドラマ制作スキルを集めたオープンソースのツールです。このツールは、小説の脚色概要作成、キャラクターデザイン、美術監督、脚本執筆、絵コンテ作成など、幅広いサービスを提供します。

Prime Agentは、Prime Intellect社が提供するオープンソースの長期ライフサイクルAIエージェントランタイムフレームワークです。RLM（再帰言語モデル）を使用してコンテキストを可変化し、サブエージェントを機能化し、Continual Harnessを活用して…

Gemini Omni 1.1 Flashは、Googleが発表したAIビデオ生成モデルで、開発者やプロのクリエイターを対象としており、360pのクイックプレビューから4Kの超高解像度まで、マルチレベルの出力に対応しています。

Hy-MT2-1.8Bは、テンセント・フンユアンが開発した大規模エッジ翻訳モデルです。わずか18億個のパラメータで33言語間の相互翻訳をサポートし、FLORES-200などのベンチマークにおいて、MicrosoftやDoubaoといった商用APIを凌駕する翻訳品質を実現しています。

Gemini 3.5 Transcribeは、Googleの最新の音声認識モデルであり、リアルタイムストリーミングと事前録音音声処理モードの両方をサポートしています。前者はLive APIを通じて1秒未満の低遅延を実現し、後者は話者識別機能をサポートしています。

Omarchyは、Ruby on Railsの作者であるDHHによって作成されたLinuxディストリビューションです。Arch LinuxとHyprlandタイル型ウィンドウマネージャーをベースにしています。Omarchyのコアコンセプトは「柔軟なコンピュータ」であり、デスクトップがユーザーの状況に合わせて変化します。

Qwen3.8-Flashは、アリババクラウド同義千文が開発したマルチモーダルなMoEモデルです。合計1250億個のパラメータを持ち、トークンごとに60億個のみが有効化され、26万2千個のコンテキストをネイティブにサポートしています。

GLM-5.3-Flashは、Zhipuがリリースした最新のオープンソース大規模モデルで、総パラメータ数は320億個、活性化パラメータはわずか18億個です。GLM-5シリーズ初のネイティブマルチモーダルモデルです。モデルの総合的な知能指数は57ポイントに達し、Claud...に匹敵します。

QuickDeskは、Google Chromium Remotingをベースに構築された、世界初のオープンソースAIネイティブリモートデスクトップで、MCPサーバーを内蔵しています。このツールを使用すると、ClaudeやCursorなどのAIエージェントがリモートデスクトップを直接操作できます。

Breeze TTS 2は、BreezeBlueが開発した新世代の音声合成モデルです。自然言語によるゼロサンプル設計でキャラクターの音色を再現し、自然言語コマンドを用いて感情、話速、アクセントといったパフォーマンスの詳細を精密に制御できます。

PixVerse R2は、Aishike Technologyが開発したリアルタイムのマルチモーダル世界モデルであり、PixVerse R1のアップグレード版です。このモデルは、テキスト、画像、音声、モーション信号などのマルチモーダル入力をサポートし、動作中にユーザー制御信号を継続的に受信できます。

EgoSuite-Open100Kは、Lightwheel Intelligenceが発表した、10万時間分のフルモーダルな人間の行動を収録した世界初のオープンソースデータセットです。物理AIと身体化された知能を対象としています。このデータセットには、現実世界のシナリオを一人称視点で撮影した15,000本以上の動画が含まれており、さまざまな側面を網羅しています。

OpenStoryは、スクリプトをワンクリックで短くスタイリッシュな動画に変換することに特化したオープンソースのAI動画制作プラットフォームです。このプラットフォームは、シーンの自動分解、ショットのデザイン、感情分析、そしてFal.aiのような成熟したモデルを利用したグラフィック生成などが可能です。

Agnes 2.5 Pro Alphaは、Agnes AIが開発したオープンソースのマルチモーダル推論モデルで、Apache 2.0ライセンスの下で提供され、重みデータはHugging Faceでホストされています。このモデルはテキストと画像の入力をサポートし、コンテキストウィンドウには最大100万トークンを格納できます。

Huashu-excelは、Huashuが開発したオープンソースのAIデータ分析スキルです。物理検査、クリーニング、アライメント、分析、照合、配信、画像検証、品質管理という8段階のプロセスを通じて、AIによる計算ミスを防止し、エラーを報告するという根本的な問題を解決します。