AIモデル・ツール9種、相次ぎ公開

テンセントは10月23日、テキスト指示とカメラの動きに合わせて場面をつなぐワールドモデル「Hy-Nomas」をオープンソースで公開しました。動画の生成中に物体や人物の動き、背景、画風を変更でき、カメラの視点や移動経路も指定できます。前の場面の情報を次の区間に引き継ぐ設計で、モデルの重みと実行コードに加え、RTX 4090 1枚で動かす低メモリ設定も提供します。

ジャック・ドーシー率いるブロックは、テキストデータや事前学習済みモデルを使わず、人の会話音声だけで一から学習した音声AI「デサ」を発表しました。同社は、リアルタイム会話の能力を習得しており、人の音声だけで学習して自然なリアルタイム会話ができる初のAIだと主張しています。文章中心のモデルに音声機能を加える方式とは異なり、音そのものから会話を学ばせたと説明しました。

IBMは、20億パラメーターの「Granite Speech 5.0 2B」を発売しました。英語、フランス語、ドイツ語、スペイン語、ポルトガル語、日本語の音声を処理します。従来版と同じモデル規模を保ちながら、騒音や反響のある環境での認識精度と、長い音声や会話の翻訳性能を改善しました。製品名や専門用語の認識を助けるキーワードを最大2000個指定でき、Apache 2.0ライセンスで提供されます。アントグループ傘下のInclusionAIは、医療専門モデル「Ling 3.0 Flash Santé」の重みを公開しました。「Ling 3.0 Flash」を基に、医学知識、医療推論、文献検索と根拠の統合を強化しています。総パラメーター数1240億のうち、トークンごとに51億を有効化し、最大25万6000トークンを処理します。ツール利用や複数エージェントの協働にも対応しますが、開発チームは独立した診断や処方に使う医療機器ではなく、研究用だと説明しました。

Perplexityは、40億パラメーターの意思決定モデル「pplx-decider-flash-v1.2」をMac上で動かす「ディサイダー・フォー・Mac」を発表しました。テキストと画像を読み取り、分類や選択に必要な確率を返すため、顧客問い合わせの振り分けや文書・スクリーンショットの分類に使えます。入力データは外部サーバーに送らず、APIキーや利用料金も不要です。Appleシリコン搭載のMacと16GB以上のメモリーが必要で、初回起動時に5.8GBのモデルをダウンロードします。Baseten傘下のBaselabsは、270億パラメーターの「Mammoth-1」と90億パラメーターの「Elephant-1」を公開しました。両モデルは状況や質問に応じて選択肢ごとの確率を算出し、MITライセンスで提供されます。開発チームによると、Mammoth-1は「Jev Decision Index 0.4」で208モデル中1位となる71.24点を記録しました。顧客問い合わせの分類、AIタスクの振り分け、安全性の点検などに利用できます。

開発者のアブドゥラ・アババクレは、AIエージェントがスマートフォンの画面を読み取り、タップ、入力、スクロールでアプリを操作する「PhoneUse」を発表しました。Claude Code、Codex、CursorなどにMCPまたはAPIで接続でき、クラウド上のAndroid環境と実機のスマートフォンを提供します。実機のiPhoneでは、カメラで画面を読み取り、物理スタイラスで操作する方式にも対応します。

VAST AI Researchは、ゲーム画面や参考動画をリアルタイムのAI映像に変える「EdenLive」をオープンソースで公開しました。ゲームエンジンの画面、希望する最初の場面、テキスト指示を入力すると、物体の配置や動きを保ちながら、実写風または別の画風で描画します。開発チームによると、50億パラメーターのモデルはRTX 5090 1枚で720p映像を毎秒24フレーム以上生成します。ゲームのルールと物体の位置は既存プログラムが管理し、AIが画面表現を担います。50億および140億パラメーターのモデル重みが提供されます。Kyloneは、参考動画を分析し、注釈で修正方針を加えて自社製品向けの新しい動画に再構成する「Annotation」を導入しました。チームで意見を集め、演出や好みを反映できる協業機能で、新しい生成モデルの重みを公開するものではありません。

テンセントは10月23日、テキスト指示とカメラの動きに合わせて場面をつなぐワールドモデル「Hy-Nomas」をオープンソースで公開しました。動画の生成中に物体や人物の動き、背景、画風を変更でき、カメラの視点や移動経路も指定できます。前の場面の情報を次の区間に引き継ぐ設計で、モデルの重みと実行コードに加え、RTX 4090 1枚で動かす低メモリ設定も提供します。

ジャック・ドーシー率いるブロックは、テキストデータや事前学習済みモデルを使わず、人の会話音声だけで一から学習した音声AI「デサ」を発表しました。同社は、リアルタイム会話の能力を習得しており、人の音声だけで学習して自然なリアルタイム会話ができる初のAIだと主張しています。文章中心のモデルに音声機能を加える方式とは異なり、音そのものから会話を学ばせたと説明しました。

IBMは、20億パラメーターの「Granite Speech 5.0 2B」を発売しました。英語、フランス語、ドイツ語、スペイン語、ポルトガル語、日本語の音声を処理します。従来版と同じモデル規模を保ちながら、騒音や反響のある環境での認識精度と、長い音声や会話の翻訳性能を改善しました。製品名や専門用語の認識を助けるキーワードを最大2000個指定でき、Apache 2.0ライセンスで提供されます。アントグループ傘下のInclusionAIは、医療専門モデル「Ling 3.0 Flash Santé」の重みを公開しました。「Ling 3.0 Flash」を基に、医学知識、医療推論、文献検索と根拠の統合を強化しています。総パラメーター数1240億のうち、トークンごとに51億を有効化し、最大25万6000トークンを処理します。ツール利用や複数エージェントの協働にも対応しますが、開発チームは独立した診断や処方に使う医療機器ではなく、研究用だと説明しました。

Perplexityは、40億パラメーターの意思決定モデル「pplx-decider-flash-v1.2」をMac上で動かす「ディサイダー・フォー・Mac」を発表しました。テキストと画像を読み取り、分類や選択に必要な確率を返すため、顧客問い合わせの振り分けや文書・スクリーンショットの分類に使えます。入力データは外部サーバーに送らず、APIキーや利用料金も不要です。Appleシリコン搭載のMacと16GB以上のメモリーが必要で、初回起動時に5.8GBのモデルをダウンロードします。Baseten傘下のBaselabsは、270億パラメーターの「Mammoth-1」と90億パラメーターの「Elephant-1」を公開しました。両モデルは状況や質問に応じて選択肢ごとの確率を算出し、MITライセンスで提供されます。開発チームによると、Mammoth-1は「Jev Decision Index 0.4」で208モデル中1位となる71.24点を記録しました。顧客問い合わせの分類、AIタスクの振り分け、安全性の点検などに利用できます。

開発者のアブドゥラ・アババクレは、AIエージェントがスマートフォンの画面を読み取り、タップ、入力、スクロールでアプリを操作する「PhoneUse」を発表しました。Claude Code、Codex、CursorなどにMCPまたはAPIで接続でき、クラウド上のAndroid環境と実機のスマートフォンを提供します。実機のiPhoneでは、カメラで画面を読み取り、物理スタイラスで操作する方式にも対応します。

VAST AI Researchは、ゲーム画面や参考動画をリアルタイムのAI映像に変える「EdenLive」をオープンソースで公開しました。ゲームエンジンの画面、希望する最初の場面、テキスト指示を入力すると、物体の配置や動きを保ちながら、実写風または別の画風で描画します。開発チームによると、50億パラメーターのモデルはRTX 5090 1枚で720p映像を毎秒24フレーム以上生成します。ゲームのルールと物体の位置は既存プログラムが管理し、AIが画面表現を担います。50億および140億パラメーターのモデル重みが提供されます。Kyloneは、参考動画を分析し、注釈で修正方針を加えて自社製品向けの新しい動画に再構成する「Annotation」を導入しました。チームで意見を集め、演出や好みを反映できる協業機能で、新しい生成モデルの重みを公開するものではありません。