Ai2、HTML不要で画面のみからブラウザを操作する「MolmoWeb」を公開
Ai2はオープンウェイトの視覚Webエージェント「MolmoWeb」（4Bおよび8B）を公開した。HTMLやアクセシビリティツリーを解析せずスクリーンショットのみで動作する。3万件の人手タスク軌跡を含むデータセットも提供され、WebVoyager等の実サイト評価でオープン系競合を上回った。
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
ByteDance、マルチエージェント基盤「DeerFlow 2.0」をオープンソース公開
ByteDanceは、複数AIエージェントの協調動作基盤「DeerFlow 2.0」をMITライセンスでオープンソース公開した。複雑な長時間タスクを分解し、子エージェントに並列処理させる。各タスクは独立したDockerサンドボックス内で実行され、GPT-4やDeepSeekなど任意のモデルと連携可能だ。
ブラウザ完結のオープンソース3D建築エディタ「Pascal Editor」が登場
Webブラウザ上で動作する無料のオープンソース3D建築エディタ「Pascal Editor」が公開された。WebGPUとReact Three Fiberを採用し、壁やスラブ、ゾーンのリアルタイム編集やアンドゥ・リドゥに対応。高価なデスクトップソフトをインストールすることなく、軽量かつ高速なモデリング環境を提供する。
gsap-skills：AI エージェントに GSAP アニメーションを教える公式スキル集
GreenSock が公式スキル集「gsap-skills」を公開した。Cursor や Claude Code など 40 以上の AI エージェントに対応し、コア API や ScrollTrigger などの正しい記述法をエージェントに教え込むことで、古い文法の生成や誤りを防げる。
MetaClaw：会話から自動進化するAIエージェント、空き時間にクラウドで重みを更新
対話を通じて自律的に進化するエージェント向け継続学習フレームワーク「MetaClaw」がオープンソースで公開された。失敗履歴から即座に新スキルを合成するほか、就寝中や空き時間にクラウド LoRA で重みを更新する。ローカル GPU なし・停止時間ゼロでモデルの精度を大幅に向上させる。
Unsloth Studio：コード不要で500種超のモデルを微調整、VRAMを70%削減
Unslothはローカルで動作するノーコード学習ツール「Unsloth Studio」のベータ版を公開した。PDFなどの文書からデータセットを自動生成し、VRAM消費を70%抑えながら2倍速で訓練できる。500種以上のモデルに対応しGitHubで提供中。
SegviGen：3Dモデルのパーツを自動分割、クリックや2D画像での指示に対応
SegviGenがTRELLIS.2をベースにした3Dパーツ分割フレームワークをオープンソースで公開した。3Dモデル上の部位をクリックするか2D参考画像を渡すだけで、高精度に個別パーツへ切り出して出力できる。対話型分割の性能は従来SOTAより40%向上したが、ローカル実行には24GB以上のVRAMが必要となる。
Spark VSSR：Googleが動画超解像ツールを公開、重みと学習コードを完備
Googleが動画超解像ツール「Spark VSSR」をオープンソース公開した。低画質な映像を鮮鋭化し、古い映画の修復やアニメのアップスケールにも対応する。推論用モデルだけでなく学習コードやデータセットも同梱され、全体で約42.2GBあり高性能GPUを要する。手元環境で最高水準の動画拡大パイプラインを調整・運用できるのが強みだ。
Googleが「Colab MCP Server」をオープンソース公開：AIがColab上でコード実行可能に
Googleは「Colab MCP Server」をオープンソースで公開した。MCP対応のAIエージェントがCLIからGoogle Colabノートブックを直接操作し、セルの作成やコード実行、可視化を自動で行える。ローカル環境のマシンスペック不足やコード実行リスクを避け、Colabを安全なクラウド実行基盤として活用できる。
オープンソース構造「Mamba-3」登場：遅延を抑えTransformer比で4%性能向上
カーネギーメロン大学のAlbert Gu氏とプリンストン大学のTri Dao氏が、Apache 2.0ライセンスのオープンソース状態空間モデルアーキテクチャ「Mamba-3」を公開しました。MIMO版はベンチマーク精度57.6%を記録し、Transformerに対して約4%向上。状態サイズを半減させつつMamba-2と同等の品質を維持し、複素数値状態の導入で推論遅延を削減します。
Mistralが「Mistral Small 4」公開：推論・マルチモーダル・コードを1つに統合
MistralはApache 2.0でオープンソース化した「Mistral Small 4」を発表した。総パラメータ119B、トークンあたり6B稼働のMoE構造で、推論・画像認識・コーディングを1つのモデルに集約。256kコンテキストに対応し、前世代と比べてレイテンシを40%削減した。
MiroMind、自己検証型オープンソース研究エージェント「MiroThinker-H1」公開
MiroMindは深層リサーチ向けエージェント「MiroThinker-1.7」とフラッグシップ「H1」をオープンソースで公開した。推論プロセスに中間監査と全体検証を組み込み、2350億パラメータのフル版と61GBのmini版を提供。BrowseCompなどの難関ベンチマークで主要商用モデルを上回るスコアを記録している。
アリババ、唇の動きに同期する映像吹き替えAI「Fun-CineForge」公開
アリババが映像向け配音モデル Fun-CineForge をオープンソース公開した。動画とテキストを入力すると唇の動きや話者を認識し、顔が隠れた場面でもタイミングを合わせて発声。複数キャラクターの掛け合いも自然な声色で切り替えられる。
清華大学が「OpenMAIC」を公開：テーマ入力だけでAI教師とAI同級生が揃う授業を生成
清華大学の研究チームが、テーマや文書から対話型の仮想授業を自動生成する「OpenMAIC」をオープンソース公開した。AIの教師と生徒がリアルタイムで音声解説やホワイトボード描画、ディスカッションを行い、小テストや演習も自動で組み立てる。動画を眺めるだけの学習からAIと対話する環境へと引き上げる試みだ。
NVIDIAがオープンモデル連合を発表：MistralらとNemotron 4を共同開発へ
NVIDIAはオープンな最先端AIモデルの共同開発を目指す「Nemotron Coalition」を発表しました。Mistral AI、Cursor、Perplexityなどが参加し、第1弾としてNVIDIAとMistralがDGX Cloud上で基盤モデルを共同開発。次世代のNemotron 4シリーズの土台としてオープンソース化されます。
Tencent、全二重音声対話モデル「Covo-Audio」をオープンソース公開
Tencentは7Bパラメータの端対端音声言語モデル「Covo-Audio-Chat」をオープンソース公開した。単一の統合アーキテクチャで連続音声を直接処理し、話しながら聞き取り、割り込みにも即座に対応する全二重対話を実現する。コードと重みはGitHubとHugging Faceで公開中。
Pulse of Motion：AI動画の「時間の歪み」を物理法則に補正する軽量オープンソース
研究チームが「Pulse of Motion」をオープンソース化し、AI生成動画が現実の速度とズレる「計時錯覚」の解消に乗り出した。映像の動きから本来あるべき物理フレームレートを直接推定して速度を補正する。2GB未満の小型モデルで、一般的なPCでも動作する。
Fish Audioが音声合成モデル「S2」公開、テキスト内タグで単語単位の感情制御に対応
Fish Audio はオープンソースの次世代音声合成モデル「Fish Audio S2」を公開した。約 80 言語に対応し、スクリプト内に自然言語タグを挟むだけで単語レベルの感情や息遣いを制御できる。初回パケット遅延は 100ms で、ウェイトと微調整コードが GitHub と Hugging Face で公開されている。
スタンフォード大、ローカル特化の個人向けAI基盤「OpenJarvis」を公開
スタンフォード大学の研究チームは端末ローカルで動作する個人用AIエージェント基盤「OpenJarvis」をオープンソースで公開した。検証によると日常的な対話や推論の88.7％は端末側で処理可能だという。クラウド依存を減らし、プライバシー保護と低コスト化を両立する狙いがある。
自律型AI「OpenClaw」の107万超のインスタンスが公衆網に露出、半数が中国
公衆網に露出したアクティブなOpenClawインスタンスを可視化する監視ボードが公開された。現在107万件以上が確認されており、中国が約50万件、米国が約31万件を占め、一部では認証情報の漏洩も確認されている。権限の大きい自律型ツールが無認証で晒されているため、早急な対策が求められている。