本文へスキップ
IFAI

オープンソース · デイリー

Meta、Museアプリに「Spaces」導入：話しかけるだけで専用ツールを自動生成

金

11月6日 金曜日

  2. オープンソース拡散指数 54

    Cactusが視覚モデルMirageを公開：わずか22MBでスマホ上で74msの超高速動作

    Cactusがパラメータ数5130万、2ビット量子化で約22MBに収まる超軽量視覚モデル「Mirage」を公開しました。1回の推論で物体検出、OCR、セグメンテーション、空間関係の推論を同時に行い、スマホのNPUならわずか74ミリ秒で処理します。ウェアラブルやモバイル端末のローカル環境でも高度な視覚処理が軽快に動きます。

  3. オープンソース拡散指数 70

    HyperFlow H3 Flash 公開：MiniMax-H3 を 9.1GB に軽量化、24GB GPU で動画・音声同時生成

    Video Rebirth は、MiniMax-H3 を約 14B に圧縮した HyperFlow H3 Flash を公開しました。4〜8 ステップの推論で 768p の動画と同期音声を同時生成でき、Q4 版は 9.1GB まで軽量化され 24GB の家庭用 GPU で動作します。4 基の B200 を使えば実時間生成も可能になり、高品質な動画生成のローカル導入が一気に身近になりました。

木

11月5日 木曜日

  2. オープンソース拡散指数 55

    hunch：GoogleのEmbeddingGemma 2を活用し、CPU上でミリ秒級のセマンティック判定を行うOSS

    オープンソースの「hunch」は、GoogleのEmbeddingGemma 2を基盤に、一般的なCPU上でミリ秒単位の判定を行う軽量システムです。大規模モデルからリアルタイムに学び、ツール実行監視やログ分類などの高頻度タスクをわずか22ミリ秒で肩代わりします。GPU不要でAPIコストを大幅に削減できます。

水

11月4日 水曜日

  2. オープンソース拡散指数 46

    2人の研究所Linumが「Pyramid-JiT」を公開、2.1万ドルでゼロから学習

    2人体制の研究室Linumが、ゼロから学習した20億パラメータの画像生成モデル「Pyramid-JiT」をオープンソース化しました。従来のVAEを使わずピクセル空間で直接画像を生成し、計算コストをわずか2.1万ドルに抑制。文字生成などに制限はありますが、自作拡散モデルのハードルを大きく下げています。

  4. オープンソース拡散指数 48

    AnthropicがFlashProveを公開：ゼロ知識証明でモデルの「すり替え」を防止

    AnthropicはLLM推論検証システム「FlashProve」をオープンソース公開しました。ゼロ知識証明を活用し、APIの回答が指定されたモデルから出力されたかを検証可能です。検証側にGPUやモデル重みは不要で通常のCPUで動かせますが、証明生成には通常推論の72〜94倍のGPU時間が必要です。

火

11月3日 火曜日

  1. オープンソース拡散指数 45

    1〜2ステップで画像生成できる「NitroFusion 2」公開　ComfyUIでローカル動作

    研究チームが画像生成モデル「NitroFusion 2」をオープンソースで公開した。マルチモーダルテキストストリームに対する敵対的蒸留技術を採用し、従来の数ステップからわずか1〜2ステップでの高品質生成を実現。1ステップでも文字や細部を維持でき、ComfyUIを使って一般GPUで手軽にローカル実行できる。

  2. オープンソース拡散指数 48

    Pruna、動画モデルを画像生成に改造した「P-H3-Image」をオープン公開　8ステップで高解像度出力

    Pruna AIは、動画生成モデルMiniMax-H3をベースにした画像生成・編集モデルP-H3-Imageをオープンウェイトで公開した。アーキテクチャの刷新により50ステップから8ステップへと5倍高速化し、最小20GBまで軽量化。最大1600万画素の出力や8枚の参照画像合成に対応する。

  3. オープンソース拡散指数 59

    LLM向け3DモデリングPythonライブラリ「sand3d」が登場　プロンプトに収まるAPIと10万件のデータセット公開

    Sandflow AIがLLM向け3Dモデリング用Pythonライブラリ「sand3d」をオープンソースで公開した。Blenderを基盤に、手動の座標計算なしでパーツや関節を名前で定義でき、API全体が約3600トークンでプロンプトに収まる。10万点の3Dオブジェクトコードデータセットも同時提供される。

月

11月2日 月曜日

日

11月1日 日曜日

土

10月31日 土曜日

金

10月30日 金曜日

  2. オープンソース拡散指数 51

    音声合成モデル「Audio8-TTS-Realistic」公開：6億パラメータで23言語の音声クローンに対応

    Edge0 がテキスト音声合成モデル「Audio8-TTS-Realistic」をオープンソース公開した。6 億パラメータ・容量 2.6GB と小型ながら、数秒の音声から 23 言語のゼロショット音声クローンが可能。Apache 2.0 ライセンスで商用利用に対応し、一般的な民生用 GPU でも動作する。

木

10月29日 木曜日

  1. オープンソース拡散指数 48

    Auto-Company：14の自律AIが会議の空回りを防ぎ、自ら開発まで完結

    CMUのZheyuan Kong氏が、14体の専門AIエージェントが自律駆動する「Auto-Company」を公開した。PROMPT.mdによる強制収束フローで無駄な議論を排除し、3巡目にはClaude Codeを通じて実際の実装・デプロイまで進める。記憶はMarkdown1枚で管理されるが、ホスト環境でのフルアクセス権限が必要となる。

  2. オープンソース拡散指数 48

    Pika、映像・音声同時生成モデル「H3 Flex」をオープンソース公開：わずか6ステップで出力

    PikaはMiniMax-H3をベースにした動画・音声生成モデル「Pika H3 Flex」をオープンソース公開した。わずか6ステップのサンプリングでステレオ音声付きの5〜15秒の動画を生成可能。11種類の画面比率や最大12件のマルチモーダル参照に対応し、H100単体でのローカル推論に対応している点が注目される。

水

10月28日 水曜日

  1. オープンソース拡散指数 48

    NVIDIAがNemotron 3.5 Transcribeを公開：8人の話者分離とプロンプト指示に対応

    NVIDIAはオープンウェイトの音声モデル「Nemotron 3.5 Transcribe」を公開した。文字起こし、最大8人の話者分離、翻訳、音声Q&Aを1つのモデルに統合し、40言語と最長1時間の音声に対応する。300億パラメータのMoE構造で動作時の負荷を約40億に抑え、主要なオープンベンチマークで首位を獲得した。

  4. オープンソース拡散指数 48

    NVIDIA、キャラやロボットの動作をリアルタイム生成する「MotionBricks」をオープンソース公開

    NVIDIAはリアルタイム動作生成モデル「MotionBricks」をオープンソースで公開した。前後の目標ポーズを指定するだけで中間の自然な動作を補完し、障害物の乗り越えや着席などの動きをブロックのように連結できる。SOMA人体モデルとUnitree G1向けモデルがGitHubで利用可能だ。

火

10月27日 火曜日

  1. オープンソース拡散指数 48

    Bygga：イケアの紙の説明書を対話型3Dアニメーションに変えるオープンソースツール

    開発者の Nutlope 氏がイケアの組み立て説明書を対話型 3D ガイドに変える「Bygga」を公開しました。1,171 点の製品をオフラインでサポートし、音声操作で「次へ」と進められるため作業中に手を離す必要がありません。未収録製品も Together AI を通じてスキャン・解析可能です。

  3. オープンソース拡散指数 48

    Baidu、数百ページの文書を一括解析できる「Unlimited OCR 2」をオープンソース公開

    Baiduは超長文ドキュメント解析モデル「Unlimited OCR 2」をオープンソース公開した。パラメータ数は3B（約6.9GB）で、注意機構の最適化によりページ数が増えてもメモリ消費を安定させ、複数ページにまたがる表や段落も自動で結合抽出できる。一般向けGPUでも本1冊丸ごとの電子化が可能になる。

月

10月26日 月曜日

  1. オープンソース拡散指数 48

    3Dモデリング不要、AI動画で回せる商品Webページを作成する手法がオープンソース化

    デザイナーのAmirMushich氏が、3Dモデリングを使わずにインタラクティブな回転商品ページを作成するWeb手法を公開した。服の参考画像からLTX-2.5 Proで回転動画を生成し、約30フレームに分解してJavaScriptでマウス操作に連動させる仕組みだ。ランタイムでのAI呼び出しや3D描画エンジンが不要で、ECサイトの演出コストを大幅に下げられる。

  3. オープンソース拡散指数 48

    MotionSites、シネマティックなWebページを作れるClaude Skillをオープンソース公開

    MotionSitesは高品質なWebサイトを構築できる「Claude Skill」を公開した。厳選された40件のプロンプトや動画・3D素材ライブラリを収録し、Playwrightによる自動スクショと修正ループで品質を担保する。一般的なAI特有の量産型デザインを脱し、映画のような世界観を持つLPを誰でも手軽に制作できる。

日

10月25日 日曜日

  1. オープンソース拡散指数 56

    書童 Pagekin：設定ブレを防ぐオープンソースの長編小説執筆AIエージェント

    長編執筆時の設定矛盾やキャラ崩壊を防ぐオープンソースAIツール「書童 Pagekin」が登場しました。全文をコンテキストに詰め込まず、人物ファイルや世界観、章ごとの設計図を構造化して必要な情報だけを呼び出します。部分的な会話化や校正の差分マージにも対応。ソフト自体は無料ですが、別途モデル設定が必要です。

土

10月24日 土曜日

毎日のAIピックアップ