Stability AIが「SDXL 1.0」公開、手や文字の描写力が大幅向上
Stability AIは主力画像生成モデル「SDXL 1.0」をオープンソース公開した。ネイティブ1024x1024解像度に対応し、苦手だった手や文字の描写、複雑な構図の再現性が向上。「masterpiece」などの呪文を使わず高画質を出力でき、8GB VRAMの一般GPUでも動作する。
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
Hugging Face、JavaScript向けエージェント基盤「Agents.js」公開
Hugging Face はブラウザや Node 環境から LLM にツール実行権限を与える新ライブラリ「Agents.js」を公開した。画像生成やキャプション作成などのマルチモーダルツールを標準搭載し、独自のモデルやツールも拡張可能。ただし環境上で任意コードを実行する仕様のため、セキュリティリスクへの注意も呼びかけている。
InvokeAI 3.0が公開：ノード設計へ全面刷新、SDXLにも先行対応
画像生成ツールInvokeAIがv3.0.0を公開した。内部構造をノードベースへと全面刷新し、実験的なノードエディタを搭載。ControlNet連携やダイナミックプロンプト、SDXLの先行サポート、長文プロンプト対応、Macでの半精度ロードによる省メモリ化などを実現した。
Hugging Faceが「AI WebTV」公開：オープンソースモデルで自動動画配信を実現
Hugging Faceは動画と音楽の自動生成を検証する実験的デモ「AI WebTV」を公開した。ChatGPTでプロンプトを展開し、Zeroscope V2で動画を生成、FILMによるフレーム補間とMusicGenの音楽を組み合わせてFFmpegで常時配信する。生成品質には課題が残るものの、完全自律型のオープンソース動画配信パイプラインを実証した。
MetaのオープンソースLLM「LLaMA」、規制なき成人向けチャットボットに悪用
米Washington Postによると、Metaが公開したLLM「LLaMA」が、安全フィルターのない成人向けチャットボットの構築に利用されている。暴力的な描写を生成する事例も報告されており、フロンティアAIをオープンソース化すべきか閉じるべきかの議論が再燃している。
Microsoftが13Bモデル「Orca」発表：GPT-4の思考プロセスを模倣
Microsoft Researchは130億パラメータの言語モデル「Orca」を発表した。GPT-4の段階的な思考プロセスを模倣して学習することで、BBH推論ベンチマークでChatGPTに匹敵する性能を達成した。巨大なデータセンターに頼らず手元で動作する小型モデルでも、高度な推論が可能になることを示している。
Meta、抽象表現を学習する画像AI「I-JEPA」をオープンソース公開
Meta は視覚モデル「I-JEPA」をオープンソース公開した。画素単位ではなく抽象的な意味表現で欠損部分を予測するのが特徴で、16 基の A100 GPU で 72 時間以内に学習を完了する。ヤン・ルカン氏が提唱する世界モデル実現に向けた重要な一歩となる。
オープンLLM「Falcon」がHugging Faceに登場、商用利用可能に
Hugging Face はアブダビ TII が開発したオープン言語モデル「Falcon」ファミリーへの対応を発表した。Apache 2.0 ライセンスで商用利用が可能で、Falcon-40B は LLaMA-65B を抑えてオープン LLM リーダーボードの首位を獲得。Multi-Query Attention により推論時のメモリ消費も大幅に抑えられている。
歌詞と指示文から楽曲を丸ごと作れるオープンソースAI音楽生成モデルが登場
テキスト指示文と歌詞を入力するだけでボーカル入り楽曲をフル生成できる、新しいオープンソースのAI音楽生成モデルがGitHubで公開された。レゲエやカントリー調などクリアなステレオ音源を出力できる一方、一部で発音の甘さも残る。ローカル実行手順も案内されている。
Meta、1100以上の言語に対応する音声AIモデル「MMS」をオープンソース公開
Metaは音声AIモデル群「Massively Multilingual Speech（MMS）」のモデルとコードを公開した。音声認識と音声合成の対応言語を従来の約100言語から1100以上に拡大し、4000以上の話し言葉の識別も実現。聖書などの多言語音声データを活用して学習データ不足を克服し、言語多様性の保護を支援する。
Stability AI、「DreamStudio」をオープンソース化 新プロジェクト「StableStudio」公開
Stability AIは画像生成AIツール「DreamStudio」のコードをオープンソース化し、新プロジェクト「StableStudio」として公開した。コミュニティ主導でWebGPUによるローカル推論やプラグイン対応を進める計画だ。従来のDreamStudioもホスト版として継続提供される。
OpenAI、オープンソース言語モデルを公開準備中か 米メディア報道
米 The Information の報道によると、OpenAI が新たなオープンソース言語モデルの一般公開を準備しているという。ただし、同社の主力である GPT シリーズと競合する性能にはならない見込みとされている。
MetaがImageBindをオープンソース化：視覚・音声・動作など6つのデータを統合
Metaはテキスト、音声、画像・動画、赤外線熱画像、深度、IMUセンサーの動作データという6種類のデータを1つの埋め込み空間に統合する研究モデル「ImageBind」をオープンソース公開した。多角的な感覚データを横断処理できるのが特徴だが、現時点では研究段階であり実製品への即時適用はない。
OpenAIが3D生成モデル「Shap-E」をオープンソース公開、数秒でNeRFやメッシュを生成
OpenAIは3Dアセット生成モデル「Shap-E」のモデル重みと推論コードをGitHubでオープンソース公開しました。テキストプロンプトからテクスチャ付きメッシュやNeRFを数秒で直接生成可能で、従来のPoint-Eより高品質ですが、複雑な属性の表現には課題が残ります。
Hugging FaceとServiceNow、無償のコード生成AI「StarCoder」を公開
Hugging FaceとServiceNowはコード生成AIモデル「StarCoder」を公開した。150億パラメータを備え、80以上のプログラミング言語に対応する。最大の特徴は、企業を含め誰もがロイヤリティフリーで商用利用できる点だ。有料のGitHub Copilotに対する透明性の高いオープンな対抗馬となる。
Googleの内部文書が流出：「我々にもOpenAIにも堀はない」
Google の研究者が記した内部文書が流出し、Google も OpenAI も AI 競争における確固たる「堀」を持たないと警鐘を鳴らしました。Meta の LLaMA 流出以降、オープンソース陣営が LoRA などの技術で急速に進化しており、閉じた巨大モデルに固執する戦略は見直しを迫られています。
Stability AI、RLHFで強化学習した初のオープンソース対話モデル「StableVicuna」公開
Stability AIは人間のフィードバックによる強化学習（RLHF）を適用した初の大規模オープンソース対話モデル「StableVicuna-13B」を公開した。Vicuna-13BをベースにtrlXフレームワークとAnthropicなどの公開データセットで学習。ChatGPT同様のRLHF手法をオープンソース界に持ち込んだ点が注目される。Hugging Faceで差分重みが配布されている。
Hugging Faceが「HuggingChat」を公開、ChatGPTに対抗するオープンソース代替
Hugging FaceはChatGPTに対抗するオープンソースチャットAI「HuggingChat」を公開した。Open Assistantの最新モデルと推論APIで駆動する。商用クローズドAPIに対抗するオープンな選択肢として注目される。
NVIDIA、対話AIの暴走を防ぐ「NeMo Guardrails」をオープンソース公開
米NVIDIAはLLMアプリの安全性を保つオープンソースソフトウェア「NeMo Guardrails」を公開した。話題の逸脱防止や安全性確保など3種類のガードレールを備え、LangChainなどのツールとも連携する。専門知識がなくても数行のコードでAIに安全ルールを設定できる。
Cohere、Wikipedia記事の埋め込みベクトル約1億件を無料公開 10言語対応
Cohereは、Wikipedia記事をベクトル化したデータセット「The Embedding Archives」を公開した。日本語を含む10言語に対応し、約1億件の768次元ベクトルをHugging Face経由で無償提供する。開発者は自前でテキスト分割やベクトル化を行わずに、多言語対応のセマンティック検索を即座に構築できる。