1枚の画像から歩き回れる3D動画を作る「AnchorWeave」がコード公開
1枚の静止画からキーボード操作で移動できる3D空間動画を生成するフレームワーク「AnchorWeave」がオープンソースで公開された。局所的な幾何メモリとマルチアンカー制御により、視線を戻しても破綻しない空間的一貫性を実現している。コードはGitHubで提供中。
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
dots.ocr-1.5公開：図表をSVGコードに直接変換する3B多言語OCR
rednote-hilabがHugging Faceで3BパラメータのマルチモーダルOCRモデル「dots.ocr-1.5」を公開しました。ほぼ全人類の文字体系に対応する多言語文書解析に加え、グラフや図表を直接SVGコードへ変換できる実用性の高さが特徴です。
ByteDance、画像生成モデル「BitDance」をオープンソース公開 生成速度を30倍以上に高速化
ByteDanceは自己回帰型（AR）画像生成モデル「BitDance」をオープンソースで公開した。バイナリビジュアルトークンと並列拡散デコードを採用し、1024x1024画像生成で従来比30倍以上の高速化を達成。ARモデル特有の速度の遅さを克服し、高い画質と推論効率を両立した点が注目される。
香港大、AIが自給自足する経済実験環境「ClawWork」公開 API費が尽きれば破産
香港大学データインテリジェンス研究室は、AIエージェントの経済的持続性をテストする環境「ClawWork」を公開した。AIは初期資金10ドルのみを与えられ、API代を自腹で払いながら44業種の仕事をこなして稼ぐ必要があり、赤字なら破産する。単なるベンチマークを超え、実用性と費用対効果を直接測れる点が注目される。
アリババが「Mobile-Agent-v3.5」公開：PC・スマホ・Web を横断操作
アリババがマルチプラットフォーム対応の GUI エージェント「Mobile-Agent-v3.5」を公開した。Qwen3-VL ベースの基底モデル「GUI-Owl-1.5」（2B〜235B）を採用し、PC・モバイル・Web の知覚から操作までを統合。20 以上のベンチマークで最高スコアを記録し、重みとデモも提供されている。
ByteDanceがOpenVikingを公開、ファイルシステム型でAgentの記憶と文脈を管理
ByteDanceはAIエージェントのコンテキスト管理システム「OpenViking」をオープンソース公開した。テキストを断片化せず仮想ファイルシステムとして記憶やスキルを階層管理し、L0〜L2の段階的ロードでトークン消費を削減しつつ検索軌跡を可視化する。
NVIDIAがガイド公開：RTX GPUやDGX SparkでAIエージェント「OpenClaw」を無料稼働
NVIDIAはGeForce RTX GPUやDGX Spark上でローカルファーストのAIエージェント「OpenClaw」を完全無料で動かす導入ガイドを公開しました。OllamaやLM Studioを活用してローカルLLMを動かすことで、高額なクラウドAPI費用を避けつつプライバシーを保護できます。常時稼働させる際のセキュリティ対策にも留意が必要です。
Moonshine AI、端末向け音声認識モデルを公開：Whisper超えの精度を軽量実現
Moonshine AIが、iOSやAndroid、Raspberry Piなどでリアルタイム動作する音声認識モデル「Moonshine Voice」の重みを公開した。2億パラメータのモデルはWhisper Large v3より7.5倍小さく単語誤り率でも上回る。
「Monarch RT」公開、単体RTX 5090で16fpsのリアルタイム動画生成を実現
動画拡散モデル向けの高速化手法「Monarch RT」が発表された。単体のコンシューマー向けGPU（RTX 5090）で毎秒16フレームのリアルタイム生成を達成し、FlashAttentionと比べて約4倍高速化しながら画質低下を最小限に抑えている。データセンター不要で手元のPCで動かせる点が大きな進展だ。
アリババが DeepGen 1.0 を公開：画像生成と編集を 5B モデルで両立
アリババが画像生成・編集モデル「DeepGen 1.0」をオープンソース公開した。5B の軽量設計ながら、文字描画や画像編集に加え、迷路を解くような視覚的推论にも対応する。大型モデルを凌ぐ編集スコアを示す一方、Hugging Face 上の容量は 72GB あり、導入ハードルはやや高めだ。
LobsterAI：NetEase 有道がオープンソース化したデスクトップ AI エージェント、Office 編集からスマホ連携まで対応
NetEase 有道はデスクトップ向け AI エージェント「LobsterAI」を MIT ライセンスで公開した。ローカルの Office 文書編集やブラウザ操作に対応し、外部チャットアプリからスマホ経由でタスクを指示できる。ローカルサンドボックスと実行前承認を備え、安全に日常業務を代行できるのが特徴だ。
MOSS-TTS公開：数秒の音声で声複製、対話やリアルタイムに対応
OpenMOSSが多言語音声モデル群「MOSS-TTS」をオープンソースで公開した。わずか数秒の音声から高精度に声色を複製でき、長文の複数人対話や超低遅延リアルタイム音声にも対応。8Bと1.7Bのモデルが提供され、GitHubで展開手順が案内されている。
SoulX-Singer：わずか数秒の音声で歌声クローン、3GB未満でCPU動作も対応
Soul-AILabはゼロショット歌声合成モデル「SoulX-Singer」をオープンソース公開した。数秒の話し声と参考音源を渡すだけで、その声で狙った曲を歌わせることができる。モデルサイズは3GB未満と軽量で、低スペックGPUやCPUでもローカル実行が可能だ。
ByteDanceがProtenix-v1を公開：AlphaFold 3超えの完全オープン分子構造予測
ByteDanceが生体分子構造予測モデル「Protenix-v1」をオープンソース化。タンパク質や核酸、リガンドの構造予測に対応し、同等の学習データ条件下でAlphaFold 3を上回るベンチマーク性能を記録。重みだけでなく学習パイプライン全体もApache 2.0で提供される。
上海AIラボが「Intern-S1-Pro」をオープンソース化：1兆パラメータの科学特化MoEモデル
上海人工知能研究所が科学研究向けマルチモーダル大モデル「Intern-S1-Pro」をオープンソース化しました。総パラメータ1兆（1T）のMoE構成ながら推論時の活性化は22Bに抑え、化学や物理、生命科学の難問や数理五輪レベルの推論に対応します。商用利用も無償開放されています。
動画の多言語吹き替えと口パクを自動同期するオープンソースツール「Just Dub It」
動画の多言語吹き替えとリップシンクを同時に処理するオープンソースツール「Just Dub It」が公開された。LTX-2 モデル向けの軽量 LoRA アダプターとして動作し、話者の容姿を保ったまま翻訳音声と口の動きを生成する。コードや重みは公開済みで、民生用 GPU でも動作する。
統合型音声言語モデル「UniAudio 2.0」公開、音声合成から効果音・音楽生成まで1つで対応
音声合成、効果音、音楽生成、音声スタイル編集を単一アーキテクチャでこなす統合モデル「UniAudio 2.0」がOSS公開された。専用の離散コーデックで理解と生成を両立し、全音響タスクの一体化を実現している。
メモリ10MBで動く超軽量AIアシスタント「PicoClaw」登場 起動1秒、格安基板に対応
常駐型AIエージェントフレームワーク「PicoClaw」がオープンソースで公開された。Go言語でゼロから再構築され、メモリ消費量は10MB未満、起動時間は1秒以内とOpenClaw比で99%削減。10ドルの小型基板でも動作し、Telegramなどから指示を出して24時間タスクを任せられる。
Mistral、音声認識「Voxtral Transcribe 2」公開：リアルタイムモデルをApache 2.0でオープン化
本日、Mistral AIは新世代の音声認識モデル群「Voxtral Transcribe 2」を発表しました。4Bパラメータのリアルタイムモデル「Voxtral Realtime」はApache 2.0ライセンスで重みが公開され、200ミリ秒未満の超低遅延で端末上でも動作します。日本語を含む13言語に対応し、話者分離機能も備えています。
See-Through：1枚のアニメ絵を最大23層の編集可能レイヤーに分解
オープンソースプロジェクト「See-Through」は、1枚の静止画アニメイラストを最大23個の意味別レイヤーに分解し、隠れた重なり部分まで自動補正します。深度情報付きのPSDファイルとして出力でき、Photoshopでの編集やLive2D化の手間を大幅に減らせます。