Baidu、オープンソースのマルチモーダルAI公開：画像ズーム推論に対応し商用利用も可能
月曜日、BaiduはApache 2.0ライセンスのマルチモーダルモデル「ERNIE-4.5-VL-28B-A3B-Thinking」を公開した。総パラメータ28Bのうち動作時に3Bのみを活性化し、画像を動的に拡大縮小して詳細を分析する。同社は文書や図表の理解でGeminiやGPT-5超えを主張している。
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
Meta、1600言語対応の音声認識モデル「Omnilingual ASR」を公開
Metaは1600以上の言語に対応する音声認識システム「Omnilingual ASR」をオープンソース公開した。Whisperの99言語を大きく上回り、少量の音声例を与えるだけで5400言語超に拡張できる。従来のLlamaと異なり、商用利用に制限のないApache 2.0ライセンスを採用した点も注目される。
Weibo AI、7800ドルで訓練した推論特化モデル「VibeThinker-1.5B」をオープンソース公開
Weibo AIは15億パラメータの小規模言語モデル「VibeThinker-1.5B」をオープンソース公開した。総トレーニング費用はわずか7800ドルながら、AIME24などの数学ベンチマークで初期のDeepSeek R1を上回るスコアを記録した。英語での競プロや数学問題に特化している。
Manifest AIがBrumby-14Bを発表：Attention全廃、4000ドルでQwen3を再学習
報道によると、AIスタートアップのManifest AIがAttention機構を完全に排除した「Brumby-14B-Base」を発表しました。独自のPower Retention機構を採用し、文脈が長くなっても計算コストが一定に保たれます。わずか4000ドルでQwen3の重みを再学習して同等性能を実現しましたが、現状は既存モデルの重みに依存しています。
PewDiePie、改造GPUを10基搭載した自作PCで大規模AIをローカル運用
YouTuberのPewDiePieが48GBに改造したRTX 4090を含む計10基のGPUを積んだPCを構築し、オープンソースの大規模言語モデルを完全ローカルで動かしていると明かした。独自UI「ChatOS」も開発し、来月には独自のモデルを公開する予定だという。
KREA AI、14B動画生成モデル「Krea Realtime」をオープンソース公開
KREA AIは動画生成モデル「Krea Realtime」をオープンソース公開した。140億パラメータの自己回帰型モデルで、既存のオープンソース同等品より10倍大きく、単一のB200上で11 FPSの長尺動画を生成できる。
Deepseek、文書画像を10倍圧縮する軽量OCRシステムを公開
Deepseekは文書画像を効率的に処理する新OCRシステムを発表した。テキスト画像を最大10倍に圧縮しつつ97%の情報を保持し、ビジョントークン数を劇的に削減。単一のNvidia A100で1日20万ページ以上を処理でき、コードと重みも公開された。
Cisco、AI生成コード向けオープンソース安全フレームワーク「Project CodeGuard」を発表
CiscoはAIプログラミングツールが生成するコードのセキュリティを担保するオープンソース枠組み「Project CodeGuard」を発表した。生成前・生成中・生成後の全ライフサイクルに介入し、ハードコードされた認証情報や脆弱性を自動検知・ブロックする。完全な安全を保証するものではないが、初歩的なバグの混入を防ぐ。
マイクロソフト、実環境模したAIセキュリティ評価「ExCyTIn-Bench」公開
MicrosoftはAIエージェントの脅威調査能力を評価するオープンソースベンチマーク「ExCyTIn-Bench」を公開した。Azure SOCを再現し57のログテーブルを用いて多段階の調査能力を検証。高推論版GPT-5が56.2%で首位となった。
Karpathy氏が「nanochat」公開：8000行・100ドルでChatGPTをフルスクラッチ再現
元OpenAIのAndrej Karpathy氏はChatGPTクローンを一から構築できるフルスタック訓練パイプライン「nanochat」を公開した。約8000行の簡潔なコードで、トークナイザーから事前学習、SFT、強化学習、推論UIまでを網羅する。8基のH100を使えば約100ドル（約4時間）で会話可能な独自LLMを学習できる。
AnthropicがAI監査ツール「Petri」公開：エージェントが欺瞞や暴走を自動検証
AnthropicはAI安全性監査ツール「Petri」をオープンソースで公開しました。自動エージェントが標的モデルと複数ターンの対話を行い、欺瞞や自己保存といった危険な振る舞いを自動で検出・採点します。14の主要モデルをテストしたところ、Claude Sonnet 4.5がGPT-5をわずかに抑えて最もリスクが低い結果となりました。
IBMがGranite 4をオープンソース化：Mambaと融合しメモリ消費を6分の1に削減
IBMは木曜日、Mamba-2とTransformerを組み合わせた言語モデル群「Granite 4」をオープンソース公開した。パラメータ数は30億から320億の4種類。70億モデルはメモリ使用量を前世代の6分の1に抑え、長文処理の推論コストを大幅に削減する。
NVIDIAが「Audio2Face」をOSS化：音声から3Dキャラの表情を自動生成
NVIDIAは、音声入力から高精度な3Dキャラクターの表情やリップシンクを自動生成する「Audio2Face」のモデル、SDK、学習フレームワークをオープンソース化した。オフラインレンダリングだけでなくリアルタイム動作にも対応し、ゲーム開発やAIアバター制作における表情アニメーションの敷居を大きく下げる。
アリババ、音声や映像にネイティブ対応した「Qwen3-Omni」をオープンソース公開
アリババはテキスト・画像・音声・動画を単一モデルに統合した「Qwen3-Omni」を発表し、オープンソース公開した。211msの低遅延と30分の音声理解を実現し、InstructやThinkingを含む30B規模の重みを提供する。
H Companyが「Holo1.5」をオープンソース公開：PC操作特化で精度10%向上
H Company は PC 操作（Computer Use）エージェント向けモデル「Holo1.5」をオープンソース化した。3B、7B、72B の 3 サイズを用意し、UI 要素の位置特定精度が前世代比で 10% 以上向上。画面状態を把握する視覚的応答能力も強化され、全重みが Hugging Face で公開されている。
Google、差分プライバシーでゼロから学習した10億規模LLM「VaultGemma」公開
GoogleとDeepMindは差分プライバシー（DP）を適用してスクラッチ学習した1Bモデル「VaultGemma」をオープンソース公開した。ノイズ注入によりデータ暗記を防ぎ情報漏洩を抑える。性能は同規模の初期GPT-2相当だが、プライバシー保護AIの新たな指針となる。
Google、端末向け埋め込みモデル「EmbeddingGemma」公開：完全オフラインで RAG や検索が可能に
Google は端末上での動作に特化したオープンな埋め込みモデル「EmbeddingGemma」を発表した。パラメータ数は 3 億 800 万で、ネット接続なしでセマンティック検索や RAG を実行できる。Gemma 3n と同じトークナイザーを採用し、メモリ消費を抑えつつ高い多言語性能を実現する。
ByteDanceがUI-TARSを公開：画面を直接操作するオープンソースAgent
ByteDanceはGUIやツール利用性能を大幅に高めたAgentモデルUI-TARS-2のリリースを発表しました。視覚言語モデルと強化学習推論を組み合わせ、デスクトップやモバイルの画面要素を認識して自動操作します。OSWorldなどのベンチマークでも高いスコアを記録しています。
テンセント、動画から高精度な効果音を作るHunyuanVideo-Foleyを公開
テンセント混元は映像とテキストから音響効果を生成するフレームワーク「HunyuanVideo-Foley」をオープンソース公開した。10万時間のマルチモーダルデータで学習し、映像の動きや時間軸に合わせた多層的な音声を自動生成できる。
OpenAI、ターミナルで動くコーディングAI「Codex」のオープンソース公開を改めて案内
2025年4月、OpenAIはターミナル上で動作する軽量コーディングエージェント「Codex CLI」をApache-2.0ライセンスでオープンソース公開している。Mac、Linux、Windowsのローカル環境で直接実行でき、VS Codeなどのエディタとも連携可能だ。ChatGPTアカウントで手軽に利用できる点が特徴となる。