Microsoft、画像生成モデル「MAI-Image-2.6」発表 Arenaで2位に浮上
Microsoftは画像生成モデル「MAI-Image-2.6」を発表し、Arenaのテキスト画像生成リーダーボードで2位にランクインした。GoogleやMeta、xAIのモデルを上回り、前バージョンから総合Eloスコアが79ポイント、テキスト描画では91ポイント向上している。
AI画像
新しいニュースを見る
テンセントが「WorldClaw」発表：テキスト1文から探索・編集可能な3D世界を生成
テンセントは単一のテキストプロンプトから大規模で編集可能な3D空間を構築する「WorldClaw」を発表した。地形生成からオブジェクト配置までをエージェントが段階的に行い、接触面やポーズも自動調整。各アセットは個別インスタンスとして再利用できる。
結晶構造の欠損原子を97％の成功率で復元 オープンソースAI「XtalPaint」登場
スイス・ポール・シェラー研究所などの研究チームは、画像インペインティング技術を応用して結晶内の欠損原子を高精度に復元するオープンソースAI「XtalPaint」を開発した。未知の原子位置にのみ拡散ノイズを加え、既存の原子を手がかりに復元を進める。X線測定では見落とされがちな水素原子を補完でき、電池や水素貯蔵材料のシミュレーション研究を後押しする。
LM Arenaに謎のモデル「mona-lisa-1」が登場：OpenAIの新型画像生成モデルか
LM Arenaに「mona-lisa-1」という謎のモデルが登場し、OpenAIが新型GPT画像生成モデルをテスト中ではないかとの憶測を呼んでいます。生成画像にSynthID透かしが含まれていることや、従来のImage 2を大きく上回る性能が報告されていますが、OpenAIはまだ公式に認めていません。
xAIが「Imagine Image 2.0」公開、部分編集や最大5枚の参照に対応
xAIは画像生成・編集モデル「Imagine Image 2.0」を公開し、grok.comやアプリでQuality Modeとして提供を開始した。マジックハンドによる部分修正や背景透過、最大5枚の画像参照合成、文字レイアウトの正確性に注力。Arenaの生成および編集リーダーボードで世界2位を記録したとしている。
自然言語から3D CADモデルを自動生成するオープンソース「MAC」
自然言語から編集・印刷可能な3D CADパーツやアセンブリを生成できるオープンソースフレームワーク「MAC」v2が公開された。マルチエージェント協調と検証ループにより、従来手法比でトークン消費を最大116分の1、コストを13分の1に削減。STEP、STL、URDF出力に対応する。
JDが「JoyAI-Video-Edit」公開：指示文で720p動画をリアルタイム編集
JDがリアルタイム動画編集モデル「JoyAI-Video-Edit」をオープンソース公開した。16Bパラメータの自己回帰拡散モデルを採用し、自然言語の指示でWebカメラ映像や動画の服装変更・物体除去を即時反映できる。720pで30FPS、RTX 5090単体でも24FPSで動作する。
テンセント、3D生成・理解・編集を統合した「Hunyuan3D-Buffalo 1.0」発表
テンセントは2026年8月、3D生成、理解、指示ベースの編集、パーツ分割を1つのパイプラインで処理する統合マルチモーダルモデル「Hunyuan3D-Buffalo 1.0」を発表した。共有VLMとDiTモジュールを基盤とし、自然言語の指示だけで3Dモデルの修正や部品分解が可能になる。
MiniMaxがH3を発表：立体音響付き2K動画を生成、重みもオープン化へ
MiniMaxはテキスト・画像・動画・音声を統合して理解・生成するオムニモーダルAI「H3」を発表しました。最大2K解像度・15秒のネイティブ立体音響付き動画を生成できます。数日中にモデル重みのオープン化を予定しており、2K生成の単価は主要モデルの3分の1未満に抑えられています。
Ideogram、画像生成モデル「P-Image」発表 1枚0.003ドルから
Ideogram は Pruna AI と共同開発した画像生成モデルファミリー「P-Image-Ideogram」を発表した。画質・速度・コストの最適バランスを掲げ、1 枚あたり 0.003 ドルから生成可能。ネイティブ 1K および 2K 解像度に対応し、API や ComfyUI、Replicate などで即日利用できる。
Google Earth、衛星写真から画像生成できる新機能を1日で緊急停止
GoogleはWeb版Google Earthに画像生成AI「Nano Banana 2」を統合し、実在の場所をプロンプトで再構築できる機能を公開した。だが翌31日、ポリシー違反とみられる生成画像の拡散を受けて即座に機能をロールバック。安全対策を強化した上で再提供を目指すとしている。
Ideogram、画像消去ツール「Object Remover」公開 影や反射も完全除去
Ideogramは画像から不要な被写体やテキストを消去する「Object Remover」を公開した。指定した要素だけでなく、影や映り込み、光の変化まで残さず消し去り、元のテクスチャを自然に再構築する。同社によればRemovalBenchベンチマークで首位を獲得し、処理単価も最安だという。
Replit、誰でもデザインできるAIツール「Replit Design」発表
ReplitはAIを活用した新クリエイティブスイート「Replit Design」を発表した。専門スキルがなくてもアイデアを直感的に形にできる環境を目指す。コーディング支援から総合的なクリエイティブ領域への拡張となる。
Ai2、地球規模の衛星画像AI推論基盤「OlmoEarth Platform」を公開
Ai2は地球観測モデル向けの大規模推論基盤「OlmoEarth Platform」を発表した。大陸規模の衛星画像解析を約1日で処理し、1平方キロメートルあたりのコストを1セント未満に抑える。北米の山火事リスク地図作成では19,600基のCPUと994基のGPUを並行稼働させ、処理速度を155倍に高めた。
ReDesign：1枚の画像を編集可能なレイヤーやベクター構造に復元
ReDesignは、1枚の統合された画像をテキスト、ベクター図形、RGBAレイヤーに分解し、Figmaのように再編集可能な階層構造を復元するツールです。VLMコントローラーがQwen-Image-LayeredやSAM 2を呼び出して画像を段階的に分解し、コードはGitHubで公開されています。
AdobeとJHU、動画世界モデル「Wonder」発表 画像からリアルタイムに探索空間を生成
Adobeとジョンズ・ホプキンス大学はリアルタイム動画世界モデル「Wonder」を発表した。画像や動画から16 FPSで操作可能な空間を生成し、自由なカメラ操作で探索できる。新領域を回って元の場所に戻っても景観が維持され、1分以上の一貫性を保てるのが特徴だ。
Google、高精度な3D頭部モデル「GNM」をオープンソース公開
Googleは、人物の顔や頭部をスライダーで精密に設計できる3Dモデル「GNM」をApache 2.0でオープンソース公開しました。目や歯、舌までカバーする600以上の独立パラメータを備え、AI生成でありがちな顔の画一化や口内構造の不自然さを解消します。
Midjourney、占星術アプリ「Co-Star」を買収 初の単体アプリ開発へ
画像生成AIのMidjourneyは木曜日、占星術アプリ「Co-Star」の買収を発表した。Co-Star創業者のバヌ・ギュレル氏がデザイン責任者（chief design officer）として合流し、画像生成向けを含む同社初の単体アプリ開発を主導する。これまでウェブとDiscord中心だった提供体制の拡大を狙う。
Netflix、動画スタイル変換「ID-V2V」を公開：顔や表情を崩さず背景を一新
Netflix傘下のEyeline Labsが動画生成フレームワーク「ID-V2V」を発表した。キーフレームを1枚編集するだけで、人物の顔立ちや表情、視線を維持したまま動画全体の照明やスタイルを変更できる。最大720pに対応するが、モデルサイズが約80GBあり高性能なハードウェアが必要となる。
OpenDreamer：マインクラフトの世界を生成・操作できるオープンソース世界モデル
Googleの非公開モデル「Dreamer 4」の再現を目指したオープンソースの世界モデル「OpenDreamer」が公開されました。事前プログラミングなしでキー入力に応じたマインクラフト映像をリアルタイム生成でき、モデル重みや学習コード、単一GPUでの検証手法まで詳細に公開されています。