AIニュース

FluxSRは、上海交通大学、ハーバード大学、華南理工大学、およびファーウェイ・ノアズアーク・ラボが開発した、実世界の画像超解像（Real-ISR）タスクに特化した新しい単段階拡散モデルです。FluxSRは…

Meta社が開発したVideoJAMは、ビデオ生成モデルにおける動きの一貫性を向上させるためのフレームワークです。これは、外観と動きを統合した表現を導入することで、モデルがトレーニング中にピクセル情報と動き情報を同時に学習および予測することを可能にし、その後…

SynCD（Synthetic Customization Dataset）は、カーネギーメロン大学とMetaが公開した高品質の合成トレーニングデータセットで、テキストから画像への変換モデルのカスタマイズ機能を向上させるために使用されます。SynCDには、複数の同一のオブジェクトが含まれています。

南洋理工大学のS-LabとSenseTimeが開発したMatAnyoneは、複雑な背景に対して縦長の動画を合成するための高度なフレームワークであり、特定の動画合成タスクに特化しています。MatAnyoneは、一貫性のあるメモリ伝播モデルに基づいています。

JD Technologyと香港大学が開発したJoyGenは、音声駆動型の3D音声顔動画生成フレームワークであり、正確な口の動きと音声の同期、そして高品質な視覚効果の実現に重点を置いています。JoyGenは、音声機能と顔の深度を組み合わせています。

EMAGE（Expressive Masked Audio-condition Gesture Modeling）は、清華大学、東京大学、慶應義塾大学などの研究機関が開発した、全身を使ったコミュニケーションジェスチャーを生成するためのフレームワークです。EMAGEは音声に基づいてジェスチャーを生成することができます。

LIMO（Less Is More for Reasoning）は、上海交通大学の研究チームが提案した効率的な推論手法です。非常に少数の高品質な訓練サンプルを用いて、大規模言語モデル（LLM）の複雑な推論能力を活性化します。その中核となる仮定は…

SANA 1.5は、テキストから画像を生成するタスク向けにNVIDIAがMIT、清華大学、北京大学などの機関と共同開発した、新しい高効率リニア拡散トランスフォーマーです。SANA 1.0をベースに開発されています。

ASAP（Aligning Simulation and Real Physics）は、カーネギーメロン大学とNVIDIAが共同開発した2段階フレームワークで、ヒューマノイドロボットにおけるシミュレーションと現実世界のダイナミクスの不一致に対処することを目的としています。ASAPは…

MAETok（Masked Autoencoders Tokenizer）は、カーネギーメロン大学、香港大学、北京大学などの機関によって開発された新しい画像トークン化手法であり、拡散モデルで使用されています。MAETokはマスクモデリング（Mask Modeling）に基づいています。

Einoは、ByteDanceが開発した大規模AIアプリケーション開発のためのオープンソースフレームワークです。開発者が大規模モデルに基づいたAIアプリケーションを効率的に構築できるよう支援します。EinoはGoプログラミング言語をベースとしており、安定したカーネル、柔軟な拡張性、そして包括的なツールキットを備えています。

NutWorldは、シンガポール国立大学、南洋理工大学、およびSkywork AIによって開発されたビデオ処理フレームワークです。日常的な単眼ビデオを効率的に動的な3Dガウススプラッティングに変換します。NutWorldは…

AstrBotは、さまざまな大規模言語モデル（OpenAI GPT、Google Gemini、Llamaなど）と複数のメッセージングプラットフォーム（QQ、Telegram、WeChatなど）をサポートするマルチプラットフォームのチャットボットおよび開発フレームワークです。AstrBotは…

Lumina-Image 2.0は、拡散モデルとTransformerアーキテクチャに基づいた、26億個のパラメータを持つオープンソースの高効率統合画像生成モデルです。画像生成品質、複雑な手がかりの理解、およびリソース効率に優れています。

BEN2（Background Erase Network 2）は、Prama LLCが開発した深層学習モデルで、画像や動画から背景を素早く除去し、前景を抽出するために特別に設計されています。革新的な信頼度誘導型マッティング（CGM）パイプラインに基づいています。

PartEditは、KAUSTが開発した、事前学習済みの拡散モデルに基づくきめ細かな画像編集手法です。PartEditは特定のテキストマーカー（「パーツマーカー」と呼ばれる）を最適化することで、拡散モデルが画像内のオブジェクトのさまざまな部分を正確に特定し、編集できるようにします。

Agentic Object Detectionは、Andrew Ng氏のチームが開発した革新的な物体検出技術です。インテリジェントエージェントシステムによってラベル付きデータなしで物体検出を実現します。ユーザーはテキストプロンプトを入力するだけで、AIが推論を実行します。

Agnoは、インテリジェントエージェントを構築するための軽量フレームワークです。Agnoは、マルチモーダル（テキスト、画像、音声、動画）およびマルチエージェントコラボレーションをサポートし、LangGraphよりも最大5000倍高速なエージェント作成を可能にし、さらに...

Olaは、清華大学、テンセント渾源研究チーム、シンガポール国立大学S-Labが共同開発したマルチモーダル言語モデルです。段階的なモダリティ整合戦略により、画像やテキストから始まり、言語モデルがサポートするモダリティを徐々に拡張しています。

AlphaGeometry2は、Google DeepMindが開発した高度な人工知能システムで、国際数学オリンピック（IMO）の幾何学問題を解くために特別に設計されています。ニューラルシンボリック手法とGoogleのGeminiシステムを組み合わせたものです。

EliGenは、浙江大学とアリババグループが共同開発した、エンティティレベルで制御可能な新しい画像生成フレームワークです。領域アテンションメカニズムを導入することで、追加のパラメータなしで、任意の形状のエンティティキューと空間マスクをシームレスに統合できます。

Hibikiは、Kyutai Labsが開発した同時音声翻訳用のオープンソースデコーダーモデルで、ある言語の音声を別の言語の音声またはテキストにリアルタイムで翻訳できます。Hibikiはマルチストリーム言語モデルアーキテクチャに基づいており、ソース言語を同時に処理します...

HMA（Heterogeneous Masked Autoregression）は、MIT、Meta、イリノイ大学アーバナ・シャンペーン校が開発した、ロボットの動きの動画のダイナミクスをモデル化するためのオープンソース手法です。HMAは異種事前学習に基づいており、...

DeepRant（中国語名：鲸喷）は、ゲーマー向けに特別に設計された多言語翻訳ツールです。DeepRantは、国際サーバー上でプレイヤーがテキストで素早くコミュニケーションを取り、言語の壁を取り除くのに役立ちます。プレイヤーは…