アリババが「Qwen-Image-2.1」をオープンソース化：7Bパラメータで画像生成・編集・透過背景を統合
アリババは画像モデル「Qwen-Image-2.1」をオープンソース公開した。視覚生成部は7Bパラメータと軽量ながら、画像生成、編集、透過RGBA出力のネイティブ対応を1モデルに統合。最大10枚の参照画像を扱え、デザイン素材の切り抜きや合成作業を大幅に効率化する。
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
Google、AIエージェントのクラスタ制御基盤「AX」をオープンソース公開
Googleは数百万規模の自律型AIエージェントをクラスタ上で管理・実行するオーケストレーション基盤「AX（Agent Executor）」をオープンソース公開した。Kubernetesに似た宣言的YAMLでサンドボックス隔離やMCP連携を定義でき、一時停止やSSH接続によるデバッグにも対応する。
VASTがMira-Sceneをオープンソース化：単一画像から編集可能な3Dシーンを構築
VAST AI Researchは1枚の写真から編集可能な3Dシーンを再構築する「Mira-Scene」を公開した。物体分割や深度推定を組み合わせ、原画と位置関係がピクセル単位で一致した独立オブジェクト群を生成する。シーンはBlenderでのアニメ制作やロボットの物理シミュレーションに即座に活用できる。
Cua、フォーム自動入力に特化した小型モデル「CUA-S1-FORMS」をオープンソース化
Cuaはコンピューター操作向け小型特化モデル「CUA-S1-FORMS」をオープンソース公開しました。提供された文書から値を抽出し、4つのアクションを選択してフォーム全体を1回で一括処理します。MITライセンスで提供され、コードやモデル、データセットが利用可能です。
prism-mlがBonsai-2公開、3値量子化で27Bモデルを6GB未満に圧縮
prism-mlは超圧縮モデル集「Bonsai-2」を公開した。重みを-1、0、+1のみに制限する3値量子化技術により、27B規模のモデルを9分の1以下の5.9GBまで縮小。性能を落とさず、一般的な家庭用GPUやMacで手軽に動作させられる。
JEPA-Anything：異なる領域の予測モデルを統一するオープンソース基盤
オープンソースフレームワーク「JEPA-Anything」が公開された。JEPAを基盤に「直交予測分解」を採用し、複雑な潜在状態を独立した要素に分解して別々に予測・再統合する。各分野固有のインターフェースを保ちつつ共通の予測コアを活用できる。現在は設計ツールと合成データ例が提供されており、学習済み重みは含まれない。
網易有道、リアルタイム音声認識モデル「Confucius4-R2T2」をオープンソース公開
網易有道がリアルタイム音声認識モデル「Confucius4-R2T2」を公開した。Qwen3-ASRを基盤に、200〜600ミリ秒の低遅延と確定テキストを書き直さない追記専用出力を両立。字幕のちらつきを抑えつつ、オフライン認識並みの精度を維持している。
CopilotKit、自律型個人エージェント「OpenMuse」をオープンソース公開
CopilotKitはセルフホスト可能な個人向けAIエージェント「OpenMuse」を公開した。Chromiumブラウザ、隔離されたLinuxターミナル、ファイルシステムを備え、タスクを自律的に進行しながらいつでも人間が操作を引き継げる。個人データを大手テック企業に預けたくない人にとって実用的な選択肢となる。
中関村、7.39Bモデル「ZGCM-1」公開：数学と検索特化、訓練手順も全開放
中関村学院と中関村人工知能研究院は数学的推論とエージェント検索に特化した7.39Bモデル「ZGCM-1」をオープンソース公開した。256Kコンテキストに対応し、MATH-500で97.13%を記録。事前学習からSFTまでの全訓練パイプラインがMITライセンスで提供され、コンシューマー向けGPUでも動作する。
Edge0：SSDをメモリ代わりに活用、35B MoEモデルがわずか2.5GBメモリで動作
MoE推論フレームワーク「Edge0」がオープンソース化された。SSDからオンデマンドでエキスパート重みを読み出すことで、35B規模のモデルを約2.5GBのアクティブメモリでiPhoneやMac上で実行可能にする。事前のルーティング予測で読み込み遅延を隠蔽し、メモリ制限のある端末での大規模モデル運用を容易にする。
オープンソース音楽モデル「YuE2-3B」登場：楽譜を挟んで編集可能、Sunoに迫る品質
m-a-pがオープンソース音楽生成モデル「YuE2-3B」を公開しました。プロンプトから直接音声化せず、編集可能な楽譜（ABC記法）を生成してからボーカルと伴奏を合成する仕組みで、Suno v5/v6に匹敵する評価を記録しています。RTX 4090でローカル動作も可能です。
Tencentが音声基盤モデル「AuK」を公開：自然言語で音声を自在に編集
Tencentが1.5Bパラメータの音声生成・編集基盤モデル「AuK」をオープンソース公開しました。自然言語の指示だけでゼロショット音声クローンができるほか、テキストを編集するように音声内の単語を追加・削除したり、感情の変更やノイズ除去が可能です。Web上で試せるデモも提供されています。
オープンソースのFire3D：日常の写真から1分未満で編集可能な3Dシーンを生成
研究チームがフィードフォワード型の3D再構成フレームワークFire3Dを公開した。単一の画像や動画から事前指定なしで物体を識別し、テクスチャ付きの3Dメッシュを1分未満で生成する。1台のGPUで最大16個の物体を並列処理でき、ロボットシミュレーターやゲーム開発に即座に組み込める。
OpenBMBがMiniCPM5-2Bを公開：2Bモデルで4B級に迫る性能、学習データも全開示
OpenBMBは20億パラメータの軽量言語モデル「MiniCPM5-2B」をオープンソースで公開した。サイズは約5GBで家庭用デバイスでも動作し、コードや数学などのテストでQwen3.5-4Bに迫る結果を記録。学習データセットも同時公開されており、小型モデルの自作や学習にも活用できる。
Googleが「ARTEMIS」公開：AIがAndroid実機を直接操作可能に
Googleは自然言語でAndroidの実機やエミュレータを操作できるフレームワーク「ARTEMIS」をオープンソース公開した。MCP経由でClaude CodeやCursorと連携し、バグ再現やログ収集を自動化。AndroidWorldベンチマークで99%以上の成功率を達成した。
WorldSculpt公開：動画から何百もの独立した3Dメッシュを個別復元
Alaya Labと東京大学は3D再構築フレームワーク「WorldSculpt」を公開した。従来の3D再構築のようにシーン全体が一体化せず、動画から数百個の物体を独立した編集可能な3Dメッシュとして復元できる。ガウススプラッティングからの変換にも対応する。
UniMate：どんな3D骨格でもプロンプト1つで動かせる単一モデル
プリンストン大学やUCバークレーなどの研究チームがUniMateをオープンソース化。ボーンが設定された3Dモデルと指示文を入力するだけで関節動作を直接生成し、個別モデルごとの再学習は不要だ。人型だけでなく鳥や蛇、機械にもゼロショットで対応し、推論コードや重みも提供される。
オープンモデル「LLaDA-Image」：6B単一モデルで画像生成と編集を両立
inclusionAIは画像生成と指示ベースの画像編集を単一チェックポイントで処理する6Bパラメータモデル「LLaDA-Image」をオープンソース公開しました。日英テキスト描画に対応し、4ステップで動作する高速版TurboやComfyUI対応も用意されています。
長時間の対話型世界モデル「SolarWM」公開、1時間以上の連続生成に対応
研究チームが対話型世界モデルフレームワーク「SolarWM」をオープンソースで公開した。わずか5秒の動画クリップで学習しながら、破綻することなく1時間以上のリアルタイムな対話生成を維持できる。143万クリップ・25TBのデータパイプラインや学習レシピも完全公開され、WanやMinimax H3など複数モデルに対応する。
H3 World：動画生成AI「Miniax H3」を操作可能なゲーム世界に変える
オープンソース動画生成モデル「Miniax H3」を対話型ゲームエンジンに変えるプロジェクト「H3 World」が公開された。キー入力を短いテキストに変換してモデルに渡すことで、操作に追従する映像を生成する。実行コードと学習スクリプトがGitHubで公開中。