AIニュース

DeepSeek-R1は、杭州に拠点を置くDeepSeek社が開発した高性能AI推論モデルであり、OpenAIのO1公式リリースに匹敵する性能を持つ。DeepSeek-R1推論モデルは、大規模な強化学習技術を用いて事後学習されており、非常に少ないリソースで済む。

k1.5は、Moonlit Dark Side Technology社が発表した最新のマルチモーダル思考モデルであり、強力な推論能力とマルチモーダル処理能力を備えています。ショートCoT（短連鎖思考）モードでは、数学、コード、視覚のマルチモーダル能力、および汎用能力において著しい進歩が見られます。

OmniThinkは、浙江大学とアリババの同義研究所が共同開発した革新的な機械筆記フレームワークです。人間の反復的な拡張と反省のプロセスをシミュレートすることで、機械筆記における大規模言語モデルの知識の限界を打ち破ります。このフレームワークは…

H-Optimus-0は、フランスのスタートアップ企業Bioptimusがリリースした、病理学分野における世界最大のオープンソースAIモデルです。このモデルは11億個のパラメータを持ち、4,000の臨床現場から収集された500件のデータを含む独自のデータセットで学習されています。

Roop-Unleashedは、Roopをベースとしたオープンソースプロジェクトで、ディープフェイク技術の実装と最適化に重点を置いています。ユーザーは、複雑な学習プロセスを経ることなく、画像や動画内の顔を素早く置き換えることができます。

「舒生・普祥」アルゴリズムは、上海人工知能研究所が香港中文大学、浙江大学などの研究機関と共同で開発した超高ダイナミックレンジ画像処理アルゴリズムです。その中核となるのは普祥HDR（UltraFusion HDR）です。このアルゴリズムは、AIGC技術とHDR技術を組み合わせたものです。

DeepSeek R1-Zeroは、DeepSeekチームが開発した推論モデルで、教師ありファインチューニング（SFT）データを一切使用せず、純粋な強化学習（RL）トレーニングのみに依存しています。推論タスクにおいて非常に優れた性能を発揮し、AIME 2024で高得点を獲得しました。

VideoWorldは、北京交通大学、中国科学技術大学、ByteDanceが共同で実施する研究プロジェクトです。このプロジェクトでは、深層生成モデルが、ラベル付けされていない動画データのみから、ルールを含む複雑な知識を学習できるかどうかを検証します。

Step-1o Visionは、Step-1oの最新のネイティブなエンドツーエンドのマルチモーダル生成・理解統合モデルのビジュアル版です。視覚タスクに特化しており、強力な画像認識、知覚、推論、および指示追従機能を誇ります。

3DIS-FLUXは、ディープラーニングに基づくマルチインスタンス生成フレームワークであり、分離インスタンス合成によって高品質な画像生成を実現します。3DISフレームワークの深度駆動型シーン構築とFLUXモデルの拡散トランスフォーマーアーキテクチャを組み合わせ、2段階で実装されています。

DITTO-2は、Adobeとカリフォルニア大学の研究者が共同開発した革新的な音楽生成モデルです。拡散モデルの推論時間を最適化することで、高速かつ制御可能な音楽生成を実現します。このモデルは、拡散モデルの推論時間を最適化することに基づいています。

DiffEditorは、北京大学深圳大学院とテンセントPCGの研究チームが提案した、拡散モデルに基づいた画像編集ツールです。画像プロンプトとテキストヒントを導入しています。

Textoonは、アリババグループのTongyi Labが立ち上げた革新的なプロジェクトで、テキストプロンプトに基づいてLive2D形式の2D漫画キャラクターを生成する初の手法です。高度な言語モデルとビジュアルモデルに基づいて、多様なキャラクターを生成できます。

Ziyue-o1は、NetEase Youdaoが中国で初めてリリースした、段階的な説明を出力する推論モデルです。このモデルは、コンシューマー向けグラフィックカード向けに特別に設計された14Bの軽量アーキテクチャを採用しており、ビデオメモリが少ないデバイスでも安定して動作します。思考連鎖技術を通じて、…

Doubao Big Model 1.5は、ByteDanceがリリースした最新版のビッグモデルです。大規模なスパースMoEアーキテクチャを採用し、活性化パラメータが7倍のDenseモデルと同等の性能を実現しています。知識、コード、推論、中国語性能など、複数の評価基準において高い総合スコアを達成しています。

OmniManipは、北京大学とZhiyuan Roboticsの共同研究室が開発した汎用ロボットマニピュレーションフレームワークです。視覚言語モデル（VLM）の高度な推論機能と高精度な3Dマニピュレーション機能を組み合わせることで、ロボットが非線形な動作を実行できるようになります。

WebWalkerは、Alibabaの自然言語処理チームが開発したツールで、Webブラウジングタスクにおける大規模言語モデル（LLM）の性能を評価・改善することを目的としています。Webナビゲーションタスクをシミュレートすることで、モデルが長いWebページをより適切に処理できるようになります。

VideoChat-Flashは、上海人工知能研究所と南京大学などが共同開発した、長尺動画モデリングのためのマルチモーダル大規模言語モデル（MLLM）です。このモデルは、階層型圧縮技術（HiCo）を用いて長尺動画を効率的に処理します。

EmoLLMは、メンタルヘルス支援に特化した大規模言語モデルであり、マルチモーダルな感情理解を通して、ユーザーに感情的なガイダンスと心理的なサポートを提供します。高度なマルチビュー視点に基づき、テキスト、画像、動画など様々なデータ形式を組み合わせています。

Step-Video V2は、上海傑岳星辰智能科技がリリースしたアップグレード版ビデオ生成モデルです。このバージョンでは、いくつかのコア技術分野で最適化と革新が行われ、より高い圧縮率のVAEモデルと高度に最適化されたDiTを採用しています。

UI-TARSは、ByteDanceが開発した次世代ネイティブグラフィカルユーザーインターフェース（GUI）プロキシモデルであり、自然言語によるデスクトップ、モバイルデバイス、Webインターフェースとの自動的なインタラクションを可能にします。強力な知覚、推論、行動、そして…

EMO2（End-Effector Guided Audio-Driven Avatar Video Generation）は、アリババインテリジェントコンピューティング研究所が開発した音声駆動型アバター動画生成技術です。正式名称は「End-Effector Guided Audio-Driven Avatar Video Generation...」です。

PaSaは、ByteDance Researchが開発した、強化学習に基づく学術論文検索用AIエージェントです。人間の研究者の行動を模倣し、検索エンジンを自動的に呼び出し、関連論文を閲覧し、引用文献を追跡することができます。

白川知能が発表した中国初のフルシナリオ深層思考モデル「Baichuan-M1-preview」は、言語、画像認識、検索という3つの主要領域における推論能力を備え、数学、プログラミング、その他の分野における複数の権威ある評価で優れた性能を発揮しています。