ByteDance、画像と動画の理解・生成・編集をこなす統合モデル「Lance」をオープンソース公開
ByteDanceは画像と動画の理解・生成・編集を兼ね備えたネイティブ統合モデル「Lance」を公開した。アクティブパラメータ30億で対話形式の動画連続編集にも対応するが、ローカル環境での動作には40GB以上のGPUメモリが求められる。
オープンソース · デイリー
月
5月18日 月曜日
Tencent、翻訳特化モデル「HYMT2」を公開 最小1.8Bでスマホ動作にも対応
Tencentは多言語翻訳モデル群「HYMT2」をオープンソース公開した。18億から300億パラメータまで展開し、33言語に対応する。指示追従と構造維持に長けており、タグやJSONの書式を壊さずに翻訳できるのが強み。最小の1.8Bモデルはスマートフォン上でも軽快に動作する。
HRM-Text：約1000ドルの計算資源で1B推論モデルをゼロから事前学習
Sapient Intelligenceは10億パラメータの推論モデル向け事前学習フレームワーク「HRM-Text」をオープンソース公開した。階層型再帰アーキテクチャにより、計算コストを最大600分の1に削減し、GSM8kで84.7％を記録した。全コードはApache 2.0でGitHubにて利用できる。
木
5月14日 木曜日
Claude Code向け3D生成ツール公開：画像1枚から物理・音響付き環境を生成
開発者のNeilson氏がAnthropicのClaude Code向け3D生成ツールキットをオープンソースで公開した。1枚の入力画像からメッシュ、物理シミュレーション、照明、音響を含む完全な3D環境を自動生成でき、手作業のアセット制作なしにシーン構築が可能になる。
Articraft公開：コード生成で「動く」関節付き3Dモデルを自動作成
関節構造を持つ 3D 資産を生成するエージェントシステム Articraft のコードと 1 万件超のデータセットが公開された。AI が直接メッシュを描くのではなく、部品や関節を定義するプログラムを書いてテストまで自律実行する。ロボットのシミュレーション環境構築を大きく前進させる試みだ。
NVIDIA、軽量世界モデル「SANA-WM」発表：単一GPUで1分間の映像を34秒生成
NVIDIAは静止画とキーボード操作から対話型映像を生成できる26億パラメータの世界モデル「SANA-WM」を発表した。単一のRTX 5090で1分間の720p映像をわずか34秒で生成可能。視点を変えても空間の一貫性が保たれ、コードとモデルは近日公開される予定だ。
ReactiveGWM公開：動画生成ゲーム世界モデルのNPCを指示文で操れるように
ゲーム世界モデルReactiveGWMが公開された。プレイヤーのキー操作とNPCの行動方針を分離し、プロンプトで相手の攻守戦略を制御できる。Wan 2.2をベースにしており、中上位GPUでローカル実行が可能だ。
LTX-Video向けピクサー風LoRAが登場：3Dアニメ映画の質感を動画生成に追加
Hugging Face にてオープンソース動画モデル「LTX-Video」向けのピクサー風 LoRA が公開された。既存の版権 IP を使わずに学習されており、トリガーワード「P1x4r」を指定することで、滑らかな質感や豊かな表情、映画級のライティングを備えた 3D アニメ動画を生成できる。
水
5月13日 水曜日
ModelBestがMiniCPM-V 4.6を公開：1.3Bモデルが6GBメモリで動作
ModelBestらはエッジ向けマルチモーダル大モデル「MiniCPM-V 4.6」をオープンソース公開した。パラメータ数は 1.3B で、約 6GB のメモリがあればスマートフォンなどの端末上で快適に動作する。Qwen3.5-0.8B を上回る性能を示しつつトークン消費量を大幅に削減し、オンデバイス展開のハードルを引き下げた。
火
5月12日 火曜日
画像生成モデル「L2P」公開：VAEを完全排除しピクセル空間で直接生成
画像生成モデル L2P が公開された。従来の拡散モデルから VAE と潜在空間を取り除き、ピクセル空間で直接画像を生成することでディテールの欠損を防ぐ。最大 4K 解像度に対応し、現在はコードおよび 1K 解像度向けの約 20GB のモデル重みが提供されている。
SenseNovaがU1.5-8Bをオープンソース化：VAE不要、画素空間で直接4K生成
SenseNovaがマルチモーダルモデル「SenseNova-U1.5-8B-MoT」をApache 2.0で公開しました。従来の潜在空間やVAEによるデコードを省き、画素空間から直接ネイティブ4K画像をエンドツーエンドで生成できるほか、自然言語での画像編集にも対応します。ただし重みは約50GBあり、ローカル実行には高性能GPUが必須です。
月
5月11日 月曜日
Vivago AIがHiDream-O1 Imageをオープンソース公開：VAE不要で2K文字ポスターを高精度描画
Vivago AIがオープンソースの画像生成モデル「HiDream-O1 Image」を公開した。従来のVAEを排除し、ピクセル空間で直接処理するエンドツーエンド構造を採用。最大2K解像度に対応し、オープンモデルが苦手だった文字描画や複雑なポスターレイアウトを高い精度でこなす。モデルサイズは32GBと大きく、動作には高性能GPUが必要となる。
2BパラメータのオープンソースTTSモデルが登場、数秒の音声で声色やささやき声まで再現
20億パラメータのオープンソース音声合成モデルが公開された。わずか数秒の音声からゼロショットで声色を複製でき、ささやき声や吃音といった細かなニュアンス、他言語での発話にも対応する。サイズは約5GBで民生用GPUで動作し、Apache 2.0で商用利用も可能だ。
Scenema Audio 公開：ト書きで感情を操る LTX 2.3 ベースの音声モデル
ScenemaAI が表現力豊かな音声生成モデル「Scenema Audio」をオープンソース公開しました。LTX 2.3 から抽出した拡散モデルを基盤に、指示タグで感情変化や環境音を制御でき、ゼロショット音声クローンにも対応。16GB の VRAM から動作可能です。
木
5月7日 木曜日
アニメ特化の画像生成AI「Zanime」公開 6B全量微調整、4ステップ生成に対応
開発者のSeeSee21氏は、アリババのZ-Image Baseをフルファインチューニングしたアニメ特化型画像生成モデル「Zanime」を公開した。60億パラメータで、6GBのFP8版や4ステップで高速生成できる蒸留版を用意。従来のタグ列ではなく自然言語プロンプトに対応し、8GBのVRAMでも軽快に動作する。
Anthropic、AI安全性評価ツール「Petri」を非営利団体に移管 Petri 3.0も公開
AnthropicはオープンソースのAIアライメント評価ツール「Petri」の開発を非営利団体Meridian Labsに移管し、Petri 3.0を公開した。監査モデルと対象モデルを分離したほか、実環境を再現する「Dish」の導入やBloomとの連携に対応した。評価の独立性と中立性を担保する狙いがある。
火
5月5日 火曜日
Google、Gemma 4向け「MTP」ドラフトモデル公開：推論速度が最大3倍に
Googleはオープンモデル群「Gemma 4」向けにMulti-Token Prediction（MTP）ドラフターを公開した。投機的デコーディングにより、軽量ドラフトモデルが先読みした複数トークンをターゲットモデルが一括検証することで、精度を落とさずに最大3倍の推論高速化を実現する。Apache 2.0ライセンスで提供され、ローカルやエッジ環境での実用性が大きく向上する。
book-to-skill：技術書を丸ごとAIエージェントのスキル化、オンデマンド読込でトークン削減
オープンソースの book-to-skill は、技術書や社内文書を Agent Skills 規格の構造化スキルへコンパイルするツールです。骨組みを事前抽出し、必要な章だけオンデマンドで読み込むため、PDFを毎回丸ごと投じるよりトークン消費を 24〜51 倍削減できます。Claude Code や Copilot CLI に対応します。
OpenAIらが新ネットワーク規格「MRC」公開：障害を即座に回避しAI学習を止めない
OpenAIはNVIDIA、AMD、マイクロソフトらと共同開発したGPU向け通信規格「MRC」をOCPで公開した。パケットを数百の経路に分散し、マイクロ秒単位で障害を迂回する。すでにGB200超大型クラスタに導入され、最新フロンティアモデルの学習を支えている。
OpenClawが度重なる不具合を謝罪、コア軽量化とLTS提供を発表
OpenClawはバージョン2026.4.29で発生したゲートウェイ遅延やプラグイン依存関係の修復ループなどの障害を謝罪した。ClawHubへの機能移行に伴う過渡期の不具合が原因だという。今後はコアを軽量化し、5月下旬にLTS版を発表するほか、OpenAIの支援を受けて開発体制を強化する。
日
5月3日 日曜日
Sprite-Pipeline：AI動画をUnity・Godot向けの2Dスプライトシートに変換
オープンソースツール「Sprite-Pipeline」が公開された。AIが生成したキャラクター動画からFFmpegでフレームを抽出し、背景を透過処理して256×256の水平スプライトシートへ変換する。UnityやGodotにそのまま読み込めるほか、ブラウザでのプレビュー機能やAIプロンプト指針も備える。
土
5月2日 土曜日
Open Slide：AIエージェントにReactスライドを書かせるオープンソース基盤
AIエージェント向けのスライド制作フレームワーク「open-slide」がMITライセンスで登場。Claude CodeやCursorと連携し、プロンプトから1080pのReact製スライドを自動生成します。視覚的な微調整やコメント修正に対応し、PDFやPPTX書き出しも可能です。
木
4月30日 木曜日
Mocap Anything v2公開：普通の単眼動画から任意の3D骨格アニメーションを生成
任意の骨格に対応したモーションキャプチャモデル「Mocap Anything v2」が公開された。一般的な単眼動画から人間や動物、架空のキャラクターの骨格回転を直接予測可能。完全なエンドツーエンド学習により従来の関節ねじれやブレを解消し、推論速度も大幅に向上させている。
水
4月29日 水曜日
SenseTimeが「SenseNova U1」をオープンソース公開、画像とテキストを単一モデルで統合生成
SenseTimeは統合マルチモーダルモデル「SenseNova U1」をオープンソース公開した。従来の視覚エンコーダを排してピクセルとテキストをエンドツーエンドで統合し、視覚推論や複雑なインフォグラフィック、テキストと画像の連続生成をこなす。ただし、写実的な人物描写には不自然なプラスチック感が残る。
火
4月28日 火曜日
AIターミナル「Warp」がオープンソース化、公開ロードマップも発表
AI搭載ターミナルアプリのWarpはコードベースをオープンソース化し、開発ロードマップを公開したと発表した。従来はクローズドソースとして提供されていたが、開発者がコードを精査して貢献できるようになる。今後の機能優先度も可視化され、透明性が大幅に向上する。
SymphonyGen公開：コード骨格からフルオーケストラ楽曲を生成
映画音楽向けの管弦楽生成フレームワーク「SymphonyGen」のコードとモデルがオープンソース化された。拍単位の和声骨格を生成してから各楽器のパートへ階層的に展開し、GRPO強化学習で不協和音を抑制する。自前のMIDI骨格を取り込んで編曲させることもできる。
Poolsideがプログラミング特化のLaguna XS.2をオープンソース公開、端末エージェントも登場
Poolside はエージェント型コーディングに特化した基底モデル「Laguna M.1」とオープンモデル「Laguna XS.2」を発表した。XS.2 は総パラメータ 33B・活性 3B の軽量設計で Apache 2.0 の下公開され、単一 GPU で動作する。あわせてターミナルエージェント「pool」などのプレビュー版も提供開始した。
月
4月27日 月曜日
OmniShotCut：動画のカットや各種トランジションを高精度検出、164MBの軽量モデル
OmniShotCutは、動画内のカットやディゾルブ、フェード、スライドなどのトランジションを自動検出しタイムスタンプを特定できる軽量AIツールです。モデルサイズはわずか164MBでローカル動作に対応し、Hugging Face Spaceで無料デモも公開されています。
OpenAI、Codex連携仕様「Symphony」公開：課題看板から自律実行、PR数500%増
OpenAI は Codex エージェントのオーケストレーション仕様「Symphony」をオープンソース公開した。Linear などのタスク管理ツールを制御盤とし、起票された課題ごとにエージェントを自律実行させて人間はレビューに専念する。OpenAI 社内の一部チームではマージされた PR 数が 500% 増加した。
日
4月26日 日曜日
復旦大学、テキストからリアルタイムで音声・動画アバターを生成する「Hallo-Live」を発表
復旦大学の研究チームはリアルタイム音声・動画アバター生成フレームワーク「Hallo-Live」を発表した。2 基の NVIDIA H200 で 20.38 FPS、遅延 0.94 秒を達成。テキスト入力から高品質な映像と音声を低遅延で同期生成でき、インタラクティブなデジタルヒューマンの課題を解決する。
Scenema Audio公開：声質と感情を分離、ト書きで演技を指示できる音声クローン
Scenema AIが音声生成モデル「Scenema Audio」をオープンソース公開しました。動画モデルLTX 2.3から抽出され、声の特徴と感情表現を分離。短い音声参照からプロンプトのト書きだけで怒りや方言の変更、台詞の途中での感情変化を表現できます。量子化版は16GB以上のVRAMでローカル実行が可能です。
