復旦大とテンセント、音動画同時生成モデル「Prism」をオープンソース化
復旦大学、テンセント混元、浙江大学の研究チームが、ネイティブ2K解像度対応の音動画同時生成フレームワーク「Prism」を公開しました。動的スパースアテンションを用いて発音部位や動きの激しい領域に計算を集中させ、学習速度を2.5倍に引き上げつつ生成品質を向上させています。現在Hugging Faceにてプレビュー版が利用可能です。
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、AI「Muse」のSDKを公開：ラズパイで自作ハード開発が可能に
MetaはAIエージェント「Muse」を組み込めるSDKをオープンソースで公開した。Raspberry PiやESP32を使って電子ペーパーリマインダーや小型端末を自作できる。あわせて、家電操作が可能な自社製デバイス「Muse Home Link」を5000台限定で無償配布する。
わずか 16.9MB：Cactus が超軽量音声認識モデル「Whistle」を公開
Cactus Compute は単一ファイルで 16.9 MB の音声認識モデル「Whistle」をリリースした。GPU 不要かつ CPU 単体・依存関係なしで動作し、7 言語の文字起こしと単語単位のタイムスタンプに対応。145 MB ある Whisper base をベンチマークで上回る。
Strands、テキスト生成を省き115msで即断する「Decider 2B」をオープンソース公開
Strandsは2B規模の軽量意思決定モデル「Decider 2B」を公開した。Qwen3.5-2Bからテキスト生成部を外しポインタヘッドに置き換えることで、事前定義された選択肢の判定と確信度スコア算出に特化。RTX 3090上で中央値115msの低遅延で動き、ローカルエージェントの検証に役立つ。
筋骨格をシミュレートするAI「Terra」公開、複雑な地形の歩行を実現
筋骨格シミュレーションAI「Terra」がオープンソースで公開された。関節の角度を直接制御する従来手法と異なり、筋肉の収縮で骨を動かす人体の仕組みを再現。9時間超の動作データで学習し、坂道や階段の移動から跳躍まで対応する。Apache 2.0ライセンスで利用可能。
NVIDIA、VAEとエンコーダーを排除した「PixelUMM」公開 生ピクセルで画像・動画を理解・生成
NVIDIAとウォータールー大学がマルチモーダルモデル「PixelUMM」をオープンソース公開した。VAEや視覚エンコーダーを使わず、Qwen3-8Bをベースに生のピクセル空間で直接画像と動画の理解および生成を両立する。潜在空間を介さないシンプルな統合アーキテクチャとして注目される。
CopilotKitが「OpenDots」公開：専用仮想環境を備えたAIエージェント基盤
CopilotKitが「OpenDots」をオープンソースで公開した。各AIエージェントに専用の隔離ブラウザやシェル環境を割り当て、Slack連携や音声通話、MCPツール呼び出しまで自前インフラで実行できる。商用アシスタントに依存せずプライベートな自律型エージェントを構築できるのが強みだ。
自己進化型エージェント基盤「Raven」公開 4日間でFPSゲームと宣伝サイトを自力制作
EverMind-AIがマルチエージェント基盤「Raven」をオープンソース公開した。エージェントを束ねる司令塔として機能し、自身の手順やツール選定をベンチマークに基づいて自己改善する。約4日間の連続自律動作でFPSゲームやポスター、Webサイトを一括制作した実績を持つ。固定された評価基準で検証を通った変更のみを反映する仕組みが特徴。
World Play 2 公開：長期記憶を備え、再訪しても崩れないリアルタイム世界生成器
対話型世界モデル World Play 2 のコードが公開された。仮想空間のリアルタイム探索やオブジェクトとの対話に対応し、過去の出来事をメモリに圧縮保存することで長時間の探索や再訪時も一貫性を維持する。4 ステップで生成できる Turbo 版も用意されているが、完全版は 69GB と巨大だ。
InSpatio-World 1.5：画像1枚とカメラ軌道から4D空間を生成する世界モデル
InSpatioが4D世界モデル「InSpatio-World 1.5」をオープンソースで公開した。単一画像やパノラマ、動画から未知の視点を推論し、指定したカメラ軌道に沿って一貫した空間巡回やバレットタイム映像を生成できる。サイズは6GB未満で、一般的なGPUでも動作する。
動画蒸留手法「PDMD」が公開：MiniMax-H3をわずか4ステップで高速生成
研究チームが動画蒸留手法「PDMD」のLoRAモデルを公開しました。MiniMax-H3の生成ステップ数を従来の20〜30ステップから4ステップに短縮します。評価器の誤指導を抑えることで、従来の蒸留で見られたディテールの崩れを防ぎ、滑らかな動きと高画質を両立しています。
容量わずか 164MB：超軽量音声認識モデル「Phonon-2」が公開
Fermion Research が英語音声認識モデル「Phonon-2」をオープンソースで公開した。ダウンロード容量はわずか 164MB ながら単語誤り率 5.21% を達成し、M5 MacBook Air であれば 1 時間の音声を約 20 秒でテキスト化できる。
NVIDIAがエージェント安全基盤を発表：逸脱動作をハード単位でミリ秒遮断
NVIDIAは自律型AI向けの「Open Agent Safety Platform」を発表した。オープンソースの実行環境OpenShellと、BlueField-4 DPUで常時監視するSentry設計を組み合わせ、境界を越えようとしたエージェントをミリ秒単位で隔離する。Anthropicやマイクロソフトなど100社以上が参加している。
オープンソース推論エンジン「Strata」公開：12GBのVRAMで千億級モデルを動作可能に
ローカル推論エンジン「Strata」がオープンソースで公開されました。GPUメモリ、メインメモリ、SSDを連携させて階層実行することで、12GB VRAMの一般的なPCでもQwen3.8-Flash-Nextなどの巨大モデルをローカルで動かせます。OpenAI互換APIも備えており、日常的なPCでの大規模モデル運用の敷居が大きく下がりました。
オープンソース「Magpie」：Claude CodeやCodexのモデルをメニューバーから自由に切り替え
開発者の yetone 氏がオープンソースツール「Magpie」を公開した。Claude Code や Codex などのコーディング Agent の設定を一元化し、メニューバーから DeepSeek や Kimi などのモデルへ即座に切り替えられる。クォータ枯渇時の自動アカウント移行や機密情報マスキングにも対応する。
オープンソース視覚決定モデル「Valen」：画像から行動確率を即座に出力
Valen-Teamは軽量なマルチモーダル意思決定モデル「Valen」をオープンソース公開した。Qwen3.5を基盤に0.8Bから4Bのサイズを展開し、画像や動画に対して候補アクションの確率スコアを直接出力する。GUI操作やロボットの障害物回避など、エージェントの高速な反射神経として機能する。
「CLM-8B」公開：System 1型の高速判断でJev比最大9倍低遅延
状態と行動の対照学習を採用したSystem 1型意思決定モデル「CLM-8B」が公開された。状態と行動の埋め込みを分離してキャッシュすることで、Jevと同等のツール呼び出し性能を維持しながら最大9分の1の低遅延を実現。軽量な微調でコーディング検証ベンチマークでもSOTAを記録した。
inclusionAIが「Ming Image 0.1」公開：透過素材生成とレイヤー分解に対応
inclusionAIは視覚デザイン特化の6Bモデル群「Ming-Image-0.1」をオープンソース公開した。透過背景（アルファチャンネル）付きの2K画像生成に対応するほか、完成した平面デザインを編集可能な複数レイヤーに分解できる。実務のデザイン制作に直結する点が注目される。
SupraLabsがSupra2-IMGを公開：スマホでも動く1億パラメータの超軽量画像生成モデル
SupraLabsは、パラメータ数わずか約1.04億、サイズ約417MBの超小型画像生成モデル「Supra2-IMG」をオープンソース公開した。単一のH100 GPUを使い約9時間で学習を完了。極小サイズゆえ解像度は256×256にとどまるが、スマホやエッジ端末でも直接動かせる軽さが強みだ。
Edge0が「Audio8-ASR-Infinite」をオープンソース化：メモリ一定で24時間ストリーミング文字起こし
Edge0は中英バイリンガル対応のストリーミング音声認識モデル「Audio8-ASR-Infinite」を公開した。遅延を240〜560ミリ秒に抑え、ローリングKVキャッシュによりメモリ消費と遅延を一定に保ち、長時間の連続書き起こしを可能にする。