NVIDIA、検索モデル群「Nemotron 3 Embed」オープンソース公開 8B版がRTEB首位に
NVIDIAは商用利用可能な埋め込みモデル「Nemotron 3 Embed」を公開した。首位を獲得した8B版と、Blackwell向けNVFP4対応を含む1B版2種の計3モデル構成。32kコンテキストやコード検索に対応し、エージェントが無駄な推論やトークン消費を抑えられる高精度な検索基盤を提供する。
オープンソース
Llama、Qwen、DeepSeekなどオープンソース・オープンウェイトのモデルと、注目のデータセット、フレームワーク、開発ツール。
新しいニュースを見る
Boltが「Bolt Slides」をオープンソース公開：スライドを動くWebアプリに変える
Boltはプレゼン作成ツール「Bolt Slides」をオープンソースとして公開した。従来の静的なスライドとは異なり、リアルタイムデータや3Dモデル、動作するプロトタイプを埋め込んだWebアプリとして構築できる。完成したスライドはリンクで共有でき、Bolt.newやCursorなどのエージェントで利用可能。
xAI、コーディングエージェント「Grok Build」のソースコードを公開
xAIはコーディングエージェントおよびターミナルUI「Grok Build」をオープンソースとしてGitHubで公開した。コンテキスト収集からツール呼び出しまでの実行機構を明かしており、MCPサーバーやプラグイン拡張に対応する。ローカル環境で自らコンパイルし、ローカル推論モデルと連携して実行できる。
OpenMOSS、11Bのリアルタイム動画理解モデル「MOSS-VL-Realtime」を公開
OpenMOSSは、ストリーミング動画をリアルタイムに処理できる11Bパラメータのモデル「MOSS-VL-Realtime」をオープンソース公開した。動画全体を読み込んでから回答する従来型と違い、フレーム単位で並行処理し、任意のタイミングでの割り込み質問や情報不足時の沈黙に対応する。
PrismML、スマホで動く27Bマルチモーダルモデル「Bonsai 27B」を公開
PrismMLはQwen3.6 27Bベースのマルチモーダルモデル「Bonsai 27B」をApache 2.0で公開した。1ビット版のメモリ使用量はわずか3.9GBで、FP16比で約14分の1に小型化され、iPhone 17 Pro上で毎秒11トークンの推論を実現。クラウド依存だった高度な推論やコード生成をスマホ上で直接実行可能にする。
Wan-Animate-2：画像と動画から高精度アニメーションを生成するオープンソースモデル
アリババがキャラクターアニメーションモデル「Wan-Animate-2」をオープンソースで公開した。1枚のキャラクター画像と参照動画を入力するだけで、体や指の微細な動き、表情を高精度に転写でき、非人間キャラや複数人にも対応する。DiTベースで視点制御も備え、コードと重みが公開されている。
Amicro：Motion を活用した軽量な React マイクロインタラクション UI 集
開発者の Syed Subhan が、Motion と Tailwind CSS を基盤にした React 向けマイクロインタラクション集「Amicro」をオープンソース公開しました。shadcn CLI 経由で TSX コードを直接プロジェクトに取り込め、追加ランタイム不要でハードウェアアクセラレーション対応のアニメーションを実装できます。
「Lucida」登場：ガラスや髪の毛の透過に対応するオープンソース背景除去モデル
半透明ガラスや迷彩、文字の影、細い髪の毛など、一般的なツールが苦手とする境界処理に特化した背景除去モデル「Lucida」が公開された。サイズは 900MB 未満と軽量で、MIT ライセンスのもと一般的な GPU でローカル実行できる。
NVIDIAが超解像モデル「PID 1.5」公開：数秒で2K化、画質と発色が向上
NVIDIAはオープンソースの画像超解像モデル「PID」のバージョン1.5を公開しました。潜在空間のデコードと超解像を一度に処理し、民生用GPUでも数秒で512×512画像を2Kまで引き上げられます。1.0と比べ細部がより鮮明になり、FLUXやQwen-Imageなどの主要モデルに対応しComfyUIでも利用可能です。
MireloとKyutaiが「MuScriptor」公開：楽曲全体から各楽器のMIDIを直接抽出
MireloとKyutaiは楽曲全体の音源から楽器ごとにMIDIを自動抽出するオープンモデル「MuScriptor」を発表した。従来の単一楽器向けツールと異なり、完成版の楽曲からボーカル、ドラム、ベース、鍵盤などを同時に個別トラック化できる。
Ant傘下Robbyantが「LingBot-World 2.0」公開：720p 60fpsで操作可能な世界を生成
Ant Group傘下のRobbyantは世界モデル「LingBot-World 2.0」をオープンソース公開した。因果的事前学習により画質劣化を抑えて長時間対話に対応し、蒸留モデルは720p 60fpsのリアルタイム生成を実現。1.3Bおよび14Bの重みが提供されている。
スマホ単体で動く動画生成AI「Mobile-Wan」：5秒の映像を約20秒で生成
Qualcommの研究チームがスマートフォン上でローカル動作する動画生成システム「Mobile-Wan」を公開した。アリババの50億パラメータモデルを蒸留と剪定で圧縮し、スマホだけで5秒の480p動画を約20秒で出力できる。
リアルタイム多人数世界モデル「MIRA」：物理エンジンなし、動画生成だけで4人対戦を実現
研究チームがインタラクティブな多人数世界モデル「MIRA」を公開した。物理エンジンやレンダリングエンジンを一切使わず、50億パラメータの拡散モデルが単一の B200 GPU 上で4人対戦画面をリアルタイム生成する。データセットや学習・推論コードもオープンソース化されている。
TencentがMoEモデル「Hy3」をオープンソース公開、総パラメータ295BでAgent開発に注力
TencentはHugging FaceなどでMoEモデル「Hy3」を公開した。総パラメータ295Bのうち21Bが稼働し、コンテキスト長は256Kに対応する。エージェント向けコーディングや推論に特化し、ハルシネーション率を5.4%に低減。Apache 2.0ライセンスでFP8版も提供される。
テキストをPNG画像化してAPI費用を最大70％削減、オープンソースツール「pxpipe」登場
テキストをPNG画像に変換してClaude Codeのトークン消費を抑えるOSS「pxpipe」が話題となっている。画像が文字数ではなく解像度で課金される仕組みを利用し、費用を平均59〜70％削減できるが、処理遅延やハッシュ値の誤読といったトレードオフもある。
画像生成を最大21倍高速化する「Mr. Flow」公開、追加学習なしで導入可能
画像生成モデルを9〜21倍高速化するオープンソース手法「Mr. Flow」のコードとComfyUIプラグインが公開された。低解像度で大枠を作ってから拡大・微小ノイズ注入を経て高解像度で整える仕組みで、画質を保ったまま約1秒での出力を実現する。
LangChain、コードベースのWikiを自動生成・更新する「OpenWiki」を公開
LangChainはコードベースのドキュメントを自動生成・保守するオープンソースCLI「OpenWiki」を公開した。CLAUDE.mdにWikiへの参照を追加してAgentに文脈を渡し、GitHub Actionでコミット差分を検知して自動更新するため、肥大化したファイルを抱えずに最新情報を維持できる。
マイクロソフトがSkillOptを公開：モデル重みを変えずにAgentスキルを最適化
マイクロソフトはAgentのスキル文書を学習可能なパラメータとして扱うオープンソース「SkillOpt」を発表した。モデルの重みを変更せずテキスト空間で検証と更新を繰り返し、GPT-5.5のベンチマークスコアを23.5ポイント向上させた。
1本の動画から物理シミュレーション対応の4Dシーンを再構築する「OVOW」公開
研究チームは、単眼動画から物体ごとに分離された物理シミュレーション対応の4Dメッシュシーンを生成するシステム「OVOW」を公開した。追加学習なしでQwen3-VLやSAM 3を組み合わせ、物体の動きや変形を含むシーンを再構築する。非商用研究向けに公開されており、40GB以上のVRAMが推奨される。
美団が1.6兆パラメータのLongCat 2.0公開：NVIDIA不使用で訓練
中国の美団が1.6兆パラメータのMoEモデル「LongCat 2.0」をオープンソース公開した。最大の注目点は、35兆トークン超の事前学習をNVIDIA製GPUを使わず、独自のAI ASICクラスタのみで完遂したことだ。代替ハードウェアでも最先端モデルの訓練が可能であることを実証した。