AIニュース

Alignerは、北京大学の研究チームが提案した大規模言語モデルのアライメント手法です。アライメントされた回答とアライメントされていない回答間の修正残差を学習することで、モデルのパフォーマンスを向上させます。自己回帰型のseq2seqモデルを採用し、質問と回答の修正残差の関係に基づいて動作します。

OpenAI o3-mini は、OpenAI が公式にリリースした最新の推論モデルです。科学、数学、プログラミング技術向けに最適化された、OpenAI 推論シリーズの中で最新かつ最もコスト効率の高いモデルです。3 つの推論強度 (低...

EICopilotは、Baidu Research Instituteが開発したAI搭載の企業向け情報検索・探索ツールです。大規模言語モデル（LLM）を基盤とするAIエージェントを通じて、企業ユーザーが大規模な知識グラフ内の情報を効率的に取得・解釈できるよう支援します。

Mistral Small 3は、Mistral AIがリリースしたオープンソースの大規模言語モデルで、240億個のパラメータを含み、Apache 2.0ライセンスで提供されています。低遅延タスク向けに設計されており、英語、中国語、日本語など、複数の言語をサポートしています。

CoA（Chain-of-Agents）は、Googleが開発したマルチエージェント協調フレームワークで、長文テキスト処理時に大規模言語モデル（LLM）が直面する文脈上の制約に対処することを目的としています。CoAフレームワークは、長文テキストを複数の短いテキストに分割します。

Oumiは、データ準備やモデルトレーニングから評価、展開まで、ライフサイクル全体を簡素化する完全オープンソースのAIプラットフォームです。1,000万から4,050億のパラメータを持つモデルトレーニングをサポートし、テキストモデルやマルチモーダルモデル（Lla...など）にも対応しています。

IC-Portraitは、ユーザープロファイル画像の多様性（外見や照明条件の違いなど）によって生じる課題に対処する、斬新なパーソナライズされたポートレート生成フレームワークです。ポートレート生成タスクを「光を考慮したスティッチング」と「視点の一貫性」に分解します。

SyncAnimationは、人間の姿勢や発話アバターのアニメーションを生成するための、リアルタイムかつエンドツーエンドのオーディオ駆動型フレームワークです。上半身の姿勢や表情（唇の動きを含む）をオーディオ信号とリアルタイムで同期させ、高精細なアニメーションを実現します。

BitsAI-CRは、ByteDanceが大規模言語モデル（LLM）に基づいて開発した自動コードレビューツールです。効率的なコードレビューは2段階のプロセスで実現されます。RuleCheckerは、219のルールに基づいて潜在的なコードエラーを検出する役割を担います。

DiffSplatは、テキストプロンプトと単一ビュー画像から3Dガウススプラットを高速に生成する新しい3D生成手法です。強力な2D事前分布に基づく事前学習済みのテキストから画像への拡散モデルを活用しています。

X-Promptは、マルチモーダルビデオオブジェクトセグメンテーションのための汎用フレームワークであり、極端な照明、高速な動き、背景干渉などの複雑なシナリオにおける従来の手法の限界に対処します。RGBデータに基づいてビデオオブジェクトセグメンテーションアルゴリズムを事前学習することで機能します。

VideoRewardは、香港中文大学、清華大学、快手科技が共同で作成した動画生成嗜好データセットおよび報酬モデルです。視覚品質、動きの品質、テキストの配置という3つの側面を網羅した182,000個のラベル付きデータポイントが含まれています。

MILS（Multimodal Iterative LLM Solver）は、Meta AIが提案した手法で、大規模言語モデル（LLM）にトレーニングなしでマルチモーダル機能を与えるものです。多段階推論を通じて、LLMに候補出力を生成するように促し、各出力に対して...

OpenDeepResearcherは、複雑な情報検索と分析タスクを効率的に完了させるのに役立つオープンソースのAI研究ツールです。反復的な検索と推論に基づいて、Webから関連データを自動的に取得し、包括的なレポートを生成します。

OCRmyPDFは、スキャンしたPDFファイルを検索・コピー可能な文書に変換するために設計されたオープンソースのコマンドラインツールです。OCRテキストレイヤーを追加することで、直接編集できないスキャン済みPDFファイルも検索・編集できるようになります。

node-DeepResearchは、オープンソースのAIエージェントプロジェクトであり、Gemini言語モデルとJina Readerツールを使用してウェブページを継続的に検索・読み込み、複雑な質問に対して段階的に推論して回答を見つけ、あるいは期待を上回る結果を出すことを目指します。

OmniHumanは、ByteDanceが開発したエンドツーエンドのマルチモーダル条件付き人間動画生成フレームワークです。単一の人間画像とモーション信号（音声、映像、またはその両方の組み合わせなど）に基づいて、リアルな人間動画を生成できます。OmniHumanは…

DeepRAGは、中国科学院、中国科学技術大学、およびテンセントWeChat AI部門が共同で開発した、新しい検索拡張生成（RAG）フレームワークです。推論および検索タスクにおける大規模言語モデル（LLM）の性能向上を目指しています。これは、検索強化型推論を構築することによって実現されます。

MnnLlmAppは、MNN-LLMフレームワークをベースにAlibabaが開発したオープンソースのAndroidモバイルアプリケーションです。モバイルデバイス上で様々な大規模言語モデル（LLM）のオフライン実行をサポートしています。テキスト間変換、画像生成など、マルチモーダルな機能を備えています。

DynamicFaceは、Xiaohongshuチームが開発した新しい動画顔交換技術です。3D顔の事前知識に基づき、拡散モデルとプラグアンドプレイ式の時間レイヤーを組み合わせることで、高品質かつ一貫性のある動画顔交換効果を実現します。

Gemini 2.0 Proは、Googleが開発した高性能な実験的AIモデルで、プログラミングのパフォーマンスと複雑なヒントの処理に最適化されています。Gemini 2.0 Proは、200万トークンという巨大なコンテキストウィンドウを備え、膨大な量の情報を処理・分析することが可能です。

Open Deep Researchは、オープンソースのAIエージェントであり、Deep Researchオープンソースプロジェクトのレプリカです。大量のネットワークデータの推論に基づいて、複雑な多段階の研究タスクを実行します。Open Deep ResearchはFirecrawlを使用しています...

Chatbox AIは、Windows、Mac、Linux、iOS、Android、およびWeb版をサポートする、オープンソースのクロスプラットフォームAIクライアントアプリケーションおよびインテリジェントアシスタントです。ChatGPT、DeepSeek、Clauなどの複数の高度な言語モデルを統合しています。

RAG-FiT（旧称RAG Foundry）は、Intel Labsが開発したオープンソースのフレームワークで、検索拡張生成（RAG）タスクにおける大規模言語モデル（LLM）の微調整を目的としています。RAG-FiTは…