アリババ、コーディングエージェント向け「Qwen3-Coder-Next」を公開
アリババはコーディングエージェント向けのオープンモデル「Qwen3-Coder-Next」を発表した。総パラメータ80Bに対しアクティブ時3Bの高効率設計で、80万件の検証可能タスクで訓練。SWE-Bench Proで好成績を出し、Clineなどのツールに対応する。
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
OpenBMBが「MiniCPM-o 4.5」公開、リアルタイム対話と自発的な割り込みに対応する9B全モダリティモデル
OpenBMBは9Bパラメータのオープンソース全モダリティモデル「MiniCPM-o 4.5」を公開した。映像や音声を同時にストリーミング処理しながら遅延なく音声で返答できる全二重通信に対応し、AI側から自発的に会話へ割り込むことも可能だ。単一GPUやMacなどのローカル環境でも動作し、文書解析や視覚認識で大手商用モデルに迫る性能を発揮する。
Zhipu AI、0.9Bの軽量OCRモデル「GLM-OCR」をオープンソース公開
Zhipu AIはわずか0.9Bパラメータの軽量マルチモーダルモデル「GLM-OCR」をオープンソース公開した。OmniDocBench V1.5で94.62点を獲得して首位に立ち、複雑な表や数式、手書き文字を高精度にMarkdownやJSONへ変換できる。MITライセンスで提供され、OllamaやvLLMでローカル実行が可能。
動画の反射や影まで消せる「Omnimat Zero」がオープンソースで登場
動画内の指定した対象だけでなく、水たまりの反射や地面の影まで自然に除去できる動画編集ツール「Omnimat Zero」のコードが公開された。複雑な遮蔽物の保持や前景の透明レイヤー抽出にも対応する。
ACE-Step 1.5公開：VRAM 4GB未満で動作するオープンソース音楽生成AI
ACE StudioとStepFunは音楽生成基盤モデル「ACE-Step 1.5」をオープンソースで公開した。VRAM 4GB未満で動作し、RTX 3090なら10秒未満で1曲生成できる。50以上の言語とMITライセンス商用利用に対応し、ローカル環境での本格的な音楽制作を手軽にする。
オープンソースの統合音声理解モデル「MOSS-Audio」登場：4B/8Bを展開
統合音声理解モデル「MOSS-Audio」がオープンソースで公開されました。4Bと8BのサイズでそれぞれInstruct版とThinking版を用意。音声認識、話者分析、感情検出、環境音や音楽の理解を単一モデルに統合し、タイムスタンプ付きASRの精度でGemini-3.1-Proを大きく上回ります。
Anthropic、非エンジニア向け「Knowledge Work Plugins」公開 MarkdownだけでClaudeを専門職化
Anthropicは、営業や法務、マーケティングなど非エンジニア職種向けプラグイン群「Knowledge Work Plugins」をオープンソース公開した。コードは一切なくMarkdownとJSONのみで構成され、Claude CoworkやClaude Codeと連携する。社内手順をテキストで書き換えるだけで自社専用AIを作れる。
WordPressがAIエージェント向けスキル公開：数秒でテスト環境を起動
WordPressコントリビューターがAIコードエージェント向けスキル「wp-playground」を公開した。Playground CLIを活用し、エージェントが数秒でWordPressを起動してプラグインやテーマの動作検証を行えるようにする。Claude CodeなどのAIが自律的にテストと修正のループを回せるようになる。
OpenMOSSが「MOVA」をオープンソース公開：音声と動画を同時に生成する32B MoEモデル
OpenMOSSは映像と同期した音声を単一モデルでネイティブ生成する「MOVA」をオープンソースで公開した。総パラメータ320億のMoE構成で実行時に180億が活性化し、自然なリップシンクにも対応する。GitHubでコードと重みが提供されているが、720p版は約77GBあり高スペックなGPUが必要となる。
LingBot-World：Wan2.2基盤のオープンソースリアルタイム世界モデル
robbyant がリアルタイム世界シミュレータ「LingBot-World」のコードとモデルを公開した。Wan2.2 をベースに、テキストや画像から 16 FPS・1 秒未満の遅延で 480P/720P の操作可能環境を生成し、分単位の長期記憶も維持する。閉鎖的モデルに対する有力なオープン代替となる。
TeleStyle 公開：画像・動画の画風を参照画像やテキストで自在に変換
画像と動画に対応したスタイル変換モデル「TeleStyle」が発表された。Qwen-Image-Editをベースに開発され、参照画像やテキスト指示から元の構図を崩さずに画風を適用できる。動画向けモジュールでフレーム間の一貫性も維持しており、コードとモデルが公開されている。
アリババ、画像生成AIの基底モデル「Z-Image」をオープンソース公開
アリババの通義チームは画像生成AIの基底モデル「Z-Image」を公開した。蒸留前のフルモデルで、Turbo版で課題だった構図の固定化や顔の重複を解消し、LoRAなどの追加学習に適している。生成ステップ数は50歩に増えるが、ComfyUIで即日利用可能だ。
Clawdbot：チャットからローカルPCを直接操作できるオープンソースAI
オープンソースのセルフホスト型AIアシスタント「Clawdbot」（現Moltbot）が登場しました。Telegramなどのチャットから指示を送るだけで、ローカルPC上でスクリプト実行やファイル管理をこなします。自らコードを書いて新スキルを追加でき、データもクラウドに流れません。
Lettaがオープンソース「Claude Subconscious」公開：Claude Codeに常駐記憶を付与
LettaはClaude Code向けオープンソースプラグイン「Claude Subconscious」を公開しました。バックグラウンドのエージェントがセッションとコードを監視し、8つの記憶ブロックから文脈を非同期でプロンプトに注入します。
NVIDIA、気象AIモデル群「Earth-2」をオープンソース化 計算時間を90％削減
NVIDIAは気象・気候予測AIモデル群「Earth-2」を発表し、オープンソースで公開した。独自インフラで微調整や実行が可能なフルスタックを提供し、イスラエル気象局の検証では計算時間を90％削減したという。Medium RangeなどのモデルはすでにGitHub等で提供されている。
Voicebox：音声クローンと文字起こしをローカルで完結するオープンソースAI
オープンソースのローカル音声アプリ「Voicebox」がGitHubで4.2万以上のStarを獲得し、注目を集めています。数秒の音声から声を複製できるほか、グローバルショートカットであらゆる入力欄に音声入力でき、Claude Code等のエージェントへの組み込みにも対応。有料サービスに頼らずローカル環境で音声ワークフローを構築できます。
マイクロソフトが音声認識モデル「VibeVoice-ASR」を公開、最長60分を一括処理
マイクロソフトが9Bサイズの音声認識モデル「VibeVoice-ASR」をオープンソースで公開した。音声を細切れにせず最長60分の一括処理が可能で、文字起こし・話者分離・タイムスタンプ出力を統合。長時間の会議やポッドキャストでも文脈が途切れず、微調整にも対応する。
テンセント、思考型画像編集モデル「HunyuanImage 3.0-Instruct」をオープンソース公開
テンセントは画像編集・生成モデル「HunyuanImage 3.0-Instruct」を公開した。思考連鎖（CoT）を内蔵し、編集手順や保持領域を推論してから画像処理を行うのが特徴。視点変更や複数画像の合成に対応し、同社アプリ「元宝」で体験可能だが、169GBのモデル重みは高いVRAMを要求する。
リアルタイム画像分割モデル「RF-DETR」公開、最速3.4ミリ秒で動作
リアルタイム画像分割モデル「RF-DETR segmentation」がApache 2.0ライセンスでオープンソース公開された。Nanoから2XLargeまで6つのサイズが用意され、1枚あたり最速3.4ミリ秒（40.3 mAP）から高精度な49.9 mAP（21.8ミリ秒）まで対応する。
アリババが「Qwen3-TTS」をオープンソース公開：97msの超低遅延で即時音声クローン
アリババがオープンソースの音声合成モデル「Qwen3-TTS」を公開した。わずか数秒の音声から声色を再現できるほか、プロンプトで新しい声を生成することも可能。遅延97ミリ秒のデュアルトラック設計を採用し、多言語や方言のリアルタイム出力に対応する。