DeepSeek-OCR: オープンソースの光学式文字認識 (OCR) ツール
DeepSeek-OCR 是由深度求索（DeepSeek-AI）公司开发并开源的一款光学字符识别（OCR）工具。 它提出了一个名为“上下文光学压缩”的新方法，从大语言模型（LLM）的角度来重新看待视觉编码器的角色。 这个工具不是简单地识别图...
OmniInsert: マスクなしでビデオに参照画像を挿入するツール
OmniInsert 是一个由字节跳动智能创作实验室开发的研究项目。它是一个无需使用蒙版（Mask）就能将任意参考对象无缝插入到视频中的工具。传统的视频编辑流程中，如果想在视频里加入一个新对象，通常需要手动创建一个精确的“蒙版”来框出这个对...
Wan2.2-S2V-14B：音声駆動型キャラクター口パク同期のための映像生成モデル
Wan2.2-S2V-14B是Wan-AI团队开发的一款大型AI模型，专门用于根据音频、文字和图像生成高质量的视频。 它采用了创新的混合专家（MoE）架构，模型总参数量达到27B，但在运行时只激活其中14B参数，有效平衡了性能和计算成本。 ...
SpatialLM：部屋を掃引すると、AIが自動的に3Dモデルを描画します！
SpatialLM是一个专门为处理三维（3D）点云数据而设计的大语言模型。它的核心功能是理解非结构化的3D几何数据，并将其转化为结构化的3D场景表示。这些结构化输出包含了建筑元素（如墙壁、门、窗）以及带方向的物体边界框及其语义类别。与许多需...
VibeVoice-1.5B:マイクロソフトの長音声マルチロール対話用音声生成モデル
VibeVoice-1.5Bは、Microsoft Researchがリリースした最先端のオープンソースTTS（Text-to-Speech）モデルです。 特に、ポッドキャストやオーディオブックなど、表現力豊かで長文、複数文字の対話音声を生成するために設計されています。 VibeVoiceの中核となる技術革新は、7...
Grok-2: xAIのオープンソースハイブリッドエキスパート大規模言語モデル
Grok-2は、イーロン・マスクのxAIが2024年に開発した第2世代のマクロ言語モデルである。このモデルの主な特徴は、より効率的に情報を処理するために設計されたMoE（Mixture-of-Experts）アーキテクチャである。簡単に言えば、モデル内に複数の「専門家」が存在するということだ。
Baichuan-M2：ヘルスケアにおける拡張推論のための大規模言語モデル
Baichuan-M2 是百川智能公司推出的一个参数量为320亿（32B）的开源大语言模型。 该模型专注于医疗领域，旨在处理真实世界的医疗推理任务。它基于Qwen2.5-32B模型进行二次开发，通过引入创新的“大型验证器系统”（Large ...
Genie 3: リアルタイムで相互作用できる仮想世界の生成
Genie 3是谷歌DeepMind发布的一款通用世界模型（world model），它代表了AI在模拟和创建虚拟环境方面的最新进展。这款模型最核心的特点是，它可以仅仅根据一段文字描述，生成一个多样化且支持实时交互的动态世界。用户可以在这个...
Seed-OSS：長い文脈推論と多様なアプリケーションのためのオープンソースの大規模言語モデル
Seed-OSS 是由字节跳动（ByteDance）Seed 团队开发的一系列开源大语言模型，专注于长上下文处理、推理能力和代理任务优化。模型包含 360 亿参数，仅用 12 万亿 token 训练，性能在多个主流基准测试中表现出色，支持 ...
HRM：複雑な推論のための階層的推論モデル
HRM (Hierarchical Reasoning Model) 是一个仅有2700万参数的层级式推理模型，旨在解决人工智能领域中复杂的推理任务。该模型的设计灵感来源于人脑的层级式、多时间尺度的信息处理方式。 它通过一个高层模块（负责缓...
DeepSeek-V3.1-Base：複雑なタスクを効率的に処理する大規模言語モデル
DeepSeek-V3.1-Baseは、DeepSeekによって開発され、Hugging Faceプラットフォーム上でリリースされたオープンソースの大規模言語モデルで、自然言語処理タスク用に設計されています。6850億のパラメータを持ち、複数のデータ型（BF16、F8_E4M3、F32）をサポートし、...
Qwen-Image-Edit: テキストコマンドに基づく画像編集AIモデル
Qwen-Image-Edit 是由阿里巴巴通义千问团队开发的一款图像编辑AI模型。 它基于拥有200亿参数的Qwen-Image模型进行训练，核心功能是让用户通过简单的中文或英文文字指令，对图片进行修改。 这款模型同时利用了视觉语义理解和...
GLM-4.5V：画像や動画を理解しコードを生成できるマルチモーダル対話モデル
GLM-4.5VはZhipu AI (Z.AI)によって開発された新世代の視覚言語メガモデル(VLM)です。このモデルは、MOEアーキテクチャを使用したフラッグシップ・テキストモデルGLM-4.5-Airをベースに構築されており、120億の活性化パラメータを含む1060億の総パラメータを備えています。GLM-4.5Vは、画像やテキストを処理するだけでなく、視覚的...
Qwen-Image：正確なテキストレンダリングで忠実度の高い画像を生成するAIツール
Qwen-Image 是一个由 Qwen 团队开发的 20B 参数多模态扩散模型（MMDiT），专注于高保真图像生成和精准文本渲染。它在复杂文本处理（尤其是中文和英文）以及图像编辑方面表现卓越。模型支持多种艺术风格，如写实、动漫和高清海报，...
MiniMax、Speech 2.5をリリース：音声合成技術が多言語対応と音色の再現を突破
8月7日，MiniMax 公司发布了其新一代语音生成模型 Speech 2.5。据官方资料显示，该模型在前代 Speech 02 的基础上，于多语种表现力、音色复刻精度以及支持的语种数量上实现了提升。 在人工智能生成内容（AIGC）领域，文...
KittenTTS: 軽量音声合成モデル
KittenTTSは、軽量で効率性に重点を置いたオープンソースの音声合成（TTS）モデルです。KittenMLチームによって開発されたKittenTTSは、複数の音声合成を提供します。
GPT-OSS：OpenAIの効率的推論のためのオープンソース・ビッグモデル
GPT-OSSはOpenAIのオープンソース言語モデルファミリーで、gpt-oss-120bとgpt-oss-20bがあり、それぞれ1170億と2100億のパラメータを持ち、Apache 2.0ライセンスでライセンスされている。
SongGeneration: 高品質の音楽と歌詞を生成するオープンソースのAIモデル
SongGeneration 是由腾讯 AI Lab 开发并开源的音乐生成模型，专注于生成高品质的歌曲，包括歌词、伴奏和人声。它基于 LeVo 框架，结合语言模型 LeLM 和音乐编解码器，支持中英文歌曲生成。模型在百万歌曲数据集上训练，能...
Step3: マルチモーダルコンテンツのためのオープンソースマクロモデルの効率的な生成
Step3 是由 StepFun 开发的一个开源多模态大模型项目，托管在 GitHub 上，旨在提供高效、经济的文本、图像和语音内容生成能力。项目以 321 亿参数（38 亿活跃参数）的混合专家模型（MoE）为核心，优化了推理速度和性能，适...
トップに戻る
