ByteDance、長尺動画のリアルタイム生成モデル「Helios」をオープンソース公開
ByteDance は長尺動画をリアルタイム生成できる 14B モデル「Helios」をオープンソース公開した。単一の NVIDIA H100 上で 19.5 FPS を記録し、最大 1 分間の生成でも画風が崩れない。コードや実行パイプラインが GitHub で提供されている。
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
オープンソース「Paperclip」：複数AIを会社組織として編制・自律運用
複数のAIエージェントを企業組織として編制し自律運用するオープンソース基盤「Paperclip」が登場した。ユーザーが会長として事業目標と予算を決めるだけで、AIチームが役職やチケット制、ハートビート機能を通じて自律的に業務を進める。完全自動収益化はまだシミュレーションの域を出ないが、ガバナンス設計として注目される。
Showlabが「Kiwi-Edit」を完全公開：指示文や参照画像で720p動画を自由編集
Showlabが動画編集フレームワーク「Kiwi-Edit」のコード、モデル、データセットを完全公開した。マルチモーダルLLMと5Bの動画拡散Transformerを組み合わせ、自然言語や参照画像をもとに720p動画の背景変更や被写体の追加・削除を行える。時間的一貫性を保った編集をオープンモデルで実現している。
アリババ、Qwen3.5小型モデル群を公開：0.8Bから9Bでエッジ特化
アリババのQwenチームが0.8B、2B、4B、9Bの4サイズを揃えたQwen3.5小型モデル群とBase版を公開した。ネイティブマルチモーダル設計と強化学習を採用しており、リソースの限られたエッジ端末や軽量エージェント開発での活用を見込む。
ByteDanceとスタンフォード、画像・動画拡散モデルを4倍超高速化する「Spectrum」公開
ByteDanceとスタンフォード大学の研究チームが、画像や動画の拡散モデルを最大4.7倍高速化するフレームワーク「Spectrum」をオープンソース公開した。チェビシェフ多項式で未来のステップを予測する仕組みで、追加学習なしにFLUX.1やHunyuan Videoの画質を保ったまま生成を大幅に速くできる。
Google、AIエージェント対応の「Workspace CLI」をオープンソース公開
GoogleのWorkspaceチームがCLIツール「gws」をオープンソースで公開した。GmailやDriveなど全Workspace APIに対応し、出力を構造化JSONで統一。40以上のAIエージェント向けスキルを標準搭載し、LLMからの直接操作を可能にする。
マイクロソフト、1時間の音声を一括処理する「VibeVoice-ASR」を公開
MicrosoftはHugging Face上で音声認識モデル「VibeVoice-ASR」を公開した。音声を細切れに分割せず、最大60分の連続音声を64Kトークン内で一度に処理可能。話者識別、タイムスタンプ、カスタムホットワードに対応し、50以上の言語の混在音声も認識できる。
Pinchtab：12MBの単一ファイルでChromeを操作、トークン消費を13分の1に
AIエージェント向けの軽量ブラウザ制御ツール「Pinchtab」が登場しました。12MBのGoバイナリだけで設定不要でChromeを起動し、HTTP API経由で操作できます。トークン消費を1万から800へと大幅に削減し、言語やフレームワークを問わず呼び出せます。
3枚の写真で破綻しない動画を生成、美団が「WildActor」を公開
美団の研究チームが、動画生成で人物の一貫性を保つ「WildActor」のコードを公開した。3枚の参照画像を使うことで、激しい動きでも顔や衣装が崩れず、実写とアニメキャラの双方に対応する。Wan2.2-5Bと連携して動作する。
CAD版Cursorを目指すオープンソース「SynapsCAD」が登場、3D部品クリックでコード修正
オープンソースプロジェクト「SynapsCAD」が、CAD向けのCursor型エディタを公開した。左側でOpenSCADコードを書き、右側でリアルタイムに3D描画しながら、画面上のパーツをクリックしてAIに該当箇所のコード修正を指示できる。AIの変更がブラックボックスにならず、常にバージョン管理可能なコードとして残るのが強みだ。
OpenAIが「Symphony」をオープンソース公開：看板のタスクをAIが自動で実装
OpenAIはコーディングエージェントのオーケストレーションツール「Symphony」をオープンソース公開しました。Linearなどの看板からタスクを自動取得し、隔離環境でCodexに実装させ、テスト結果やデモ動画とともにPRを提出します。人間がAIのコーディングを常時監視するのではなく、タスク管理に専念できる環境を目指しています。
OpenDataLoader PDF：CPU単体で毎秒100ページのPDFをMarkdown化するRAG向けパーサー
LLMのRAG構築向けに設計されたオープンソースのPDF解析器「OpenDataLoader PDF」が登場しました。GPU不要で、単一CPUコアのみで毎秒100ページ以上をMarkdownやJSONへ変換可能。段組みや表を崩さず抽出でき、プロンプト汚染を防ぐ隠しテキスト除去も備え、商用利用も無料です。
物理法則を理解する画像編集AI「PhysicEdit」公開 水の屈折や融解を正確に再現
物理現象を正確に反映できる画像編集フレームワーク「PhysicEdit」がオープンソースで公開された。Qwen ImageEdit 2.5をベースに開発され、既存モデルが苦手とする水中の光屈折やバターの融解、ドミノ倒しなどの因果動態を破綻なく再現できる。
Nous Research、自己改善型AIエージェント「Hermes Agent」をオープンソース公開
Nous Researchが、CLIやTelegram、Discordなどで常駐稼働するAIエージェント「Hermes Agent」をMITライセンスでオープンソース公開した。対話やタスク実行から自律的にスキルを生成・改善する学習ループを備え、OpenClawからの移行にも対応する。
ベクターフォント生成モデル「VecGlypher」公開：テキストや画像からSVG字形を直接生成
テキスト記述や参考画像から編集可能なベクターフォントを生成するオープンソースモデル「VecGlypher」が発表された。ラスター画像を経由せず直接 SVG パスを出力し、文字盤の欠損補完も行える。字形の安定性やスタイルの再現度において、GPT や Gemini などの汎用大モデルを上回る。
アリババ、「Qwen 3.5」中型モデル群を公開 35Bで前世代235B超えの性能
AlibabaのQwenチームは中型モデル群「Qwen 3.5」を発表した。「Qwen3.5-Flash」や「35B-A3B」など4モデル構成で、35B-A3Bは前世代の235Bモデルを上回る知能を実現したという。Flash版は標準で1Mトークンのコンテキストに対応し、公式ツールも内包する。
アリババが個人用AIアシスタント「CoPaw」を公開：Web UI搭載、ローカル実行にも対応
アリババが個人用AIアシスタント「CoPaw」をオープンソース公開した。専用Web UIを備え、OllamaやMLXを用いたローカル実行に対応するほか、DingTalkやLarkなど各種チャットアプリと直接連携できる。MCP拡張や定期タスクをノーコードで扱えるのが特徴だ。
テスト時訓練で高精度な3D再構成を行う「tttLRM」公開、4GB未満で民生用GPUに対応
3D再構成モデル「tttLRM」がオープンソースで公開された。テスト時訓練（TTT）技術により複数枚の写真から高品質な3D Gaussian Splatsを生成し、従来のノイズや霧状の乱れを抑えて微細な文字や電線まで復元する。サイズは4GB未満で、民生用GPUでも動作する。
Guide Labsが「Steerling-8B」公開、全トークンの学習元を追跡できる新構造
Guide Labsは全トークンを学習データまで遡って追跡できる80億パラメータのLLM「Steerling-8B」をオープンソース公開した。内部に「概念層」を設ける新アーキテクチャにより、ブラックボックス問題を解消しつつ既存モデルの約90%の性能を発揮する。
ブラウザで動く3D建築エディタ「Pascal Editor」がオープンソース化
ブラウザ上で完全に動作する3D建築エディタ「Pascal Editor」がオープンソースで公開された。React Three FiberとWebGPUを採用し、高額な専用ソフトを使わずに壁のドラッグやフロア階層のリアルタイム編集が可能。高価なBIMソフトのワークフローをWeb上で手軽に代替できる。