AIニュース

テスト時選好最適化（TPO）は、推論フェーズ中に言語モデルの出力を動的に最適化し、人間の選好により合致させる新しいAI最適化フレームワークです。TPOは報酬シグナルをテキストフィードバックに変換します...

PDF to Podcastは、NVIDIAが提供するAIツールで、PDF文書を音声に変換します。NVIDIA NIMマイクロサービスアーキテクチャに基づいており、PDF文書をポッドキャストなどの魅力的な音声コンテンツに変換します。大規模言語モデル（LLM）とテキスト読み上げ技術を活用しています。

InternVideo 2.5は、上海人工知能研究所、南京大学、および中国科学院深圳先進技術研究院が共同開発したオープンソースのマルチモーダル動画ビッグデータモデルです。動画理解の分野、特に長尺動画処理において大きな進歩を遂げています。

HumanDiTは、浙江大学とByteDanceが共同で提案した、ポーズ誘導型の高忠実度人物動画生成フレームワークです。拡散変換（DiT）をベースとしており、大規模データセットで学習し、動画を生成できます。

ProtGPS（タンパク質局在予測モデル）は、MITとホワイトヘッド生物医学研究所が開発した深層学習ベースのタンパク質言語モデルです。タンパク質の局在を予測するために使用されます。

potpie.aiは、AI技術を用いてコードベース向けにカスタマイズされたエンジニアリングエージェントを作成するオープンソースプラットフォームです。コードベースから構築されたナレッジグラフに基づき、potpie.aiはコードコンポーネント間の関係性を深く理解し、自動生成を実現します。

MoMaskは、テキスト記述に基づいて高品質な3D人体モーションを生成するために、生成マスキングモデリング技術を使用する革新的な3D人体モーション生成ツールです。MoMaskは階層的な量子化スキームを採用し、人体モーションを複数の離散的なレイヤーとして表現します。

UltraMemは、ByteDanceのDoubao Big Modelチームが提案した、斬新な超疎モデルアーキテクチャであり、推論時に従来のMoEアーキテクチャで発生する高いメモリアクセスコストの問題に対処します。このアーキテクチャは、メモリアクセスと計算効率を最適化することで、推論コストを大幅に削減します。

AxBenchは、スタンフォード大学が開発した言語モデル（LM）制御手法を評価するためのベンチマークフレームワークです。合成データで生成された学習データと評価データに基づいて、概念検出とモデル制御におけるさまざまなモデル制御手法を比較します。

Lumina-Videoは、上海AI研究所と香港中文大学が開発した動画生成フレームワークです。Next-DiTアーキテクチャに基づいており、動画生成の時空間的な複雑さを最適化します。様々なスケールを持つマルチスケールNext-DiTアーキテクチャを採用しています。

Pippoは、Meta Reality Labsが開発した画像から動画を生成するモデルで、1枚の写真から1K解像度のマルチビュー高解像度ポートレート動画を生成できます。このモデルはマルチビュー拡散トランスフォーマーに基づいており、30億枚のポートレート画像で事前学習されています。

Animate Anyone 2は、アリババグループのTongyi Labsが開発した高精細キャラクターアニメーション生成技術です。環境情報を組み合わせることで、よりリアルなキャラクターアニメーションを生成します。従来の方法とは異なり、環境情報を抽出して…

DeepClaudeは、DeepSeek R1とClaudeモデルを深く統合した高性能オープンソースAIツールで、推論、創造性、コード生成機能を兼ね備えています。DeepClaudeは、遅延ゼロの瞬時応答を提供し、...

AuraFusion360は、仮想現実や建築ビジュアライゼーションなどの分野で主に用いられる、360°境界のないシーン復元のための新しい参照ベースの手法です。ガウス散乱で表現された3Dシーンの高品質な復元を実現します。

RWKV-7-2.9Bモデル（RWKV-7-World-2.9B-V3）は、RWKV財団が発表した高度なRNN大規模言語モデルです。RWKV World V3データセットで学習されており、29億個のパラメータを持ち、世界中のすべての言語をサポートしています。このモデルは…

Data Formulatorは、Microsoft Researchが開発したオープンソースのAI駆動型データ視覚化ツールで、シンプルな操作とコマンドでユーザーが豊富なデータ視覚化を素早く作成できます。グラフィカルユーザーインターフェイス（GUI）と…

Magic 1-For-1は、北京大学、Hedra Inc.、Nvidiaが共同開発した高効率ビデオ生成モデルです。メモリ消費量と推論レイテンシを最適化することで、高品質のビデオクリップを高速に生成します。このモデルは、複雑なテキストをビデオに変換します。

Praison AIは、ローコードソリューションを使用してAIエージェントを作成および管理し、単純なものから複雑なものまでさまざまなタスクを自動化および解決する、本番環境レベルのマルチエージェントフレームワークです。Praison AIは、シーケンシャル、区切り、シーケンシャルワークフローなど、さまざまなプロセスタイプをサポートしています。

Goedel-Proverは、プリンストン大学、清華大学、その他の機関によって開発されたオープンソースの大規模言語モデル（LLM）です。数学の問題に対する形式的な証明の生成を自動化するために使用されます。自然言語処理に基づいており、

CineMasterは、Kuaishouが開発したテキストから動画を生成するフレームワークで、3D認識機能を備えています。ControlNetの動画版に似ており、様々な制御信号を用いて動画内のオブジェクトの位置やカメラの動きを正確に制御できます。

GAS（Generative Avatar Synthesis from a Single Image）は、カーネギーメロン大学、上海人工知能研究所、スタンフォード大学の研究者らが提案した技術で、1枚の画像から高品質で視点指向のアバターを生成するものです。

OpenThinker-32Bは、スタンフォード大学、カリフォルニア大学バークレー校、ワシントン大学などの機関が共同開発したオープンソースの推論モデルです。328億個のパラメータを持ち、16,000トークンのコンテキスト長をサポートしています。このモデルはわずか114kのデータしか使用しません。

ソーシャル メディア エージェントは、入力された URL に基づいて Twitter や LinkedIn の投稿を生成するインテリジェントなソーシャル メディア コンテンツ管理ツールです。ソーシャル メディア プラットフォームの認証を処理するために、人間とコンピュータの対話プロセスを使用します。

Matrix-Zeroは、Kunlun Techが開発した世界モデルであり、大規模3Dシーン生成モデルと大規模インタラクティブビデオ生成モデルの2つのサブモデルから構成されています。Matrix-Zeroは、ユーザーが入力した画像を、自由に探索可能なリアルな3Dモデルに変換することができます。