本文へ移動
assaynotes
EN日本語中文

マルチモーダル

テキスト以外の能力：画像理解、画像とテキストの混在、音声と動画の入出力に関するモデルとプロダクト。

精選 80件関連トピック画像生成AI 動画音声・オーディオ

最新の精選

1–20 件目 · 全 80 件

11月16日

月曜日今日

11月15日

日曜日

  1. 美団、1.6兆パラメータのエージェントモデルLongCat-2.5をオープンソース化、Nvidia GPUを一切使用せず

    美団のLongCatチームは、モデル公開から1週間後に1.6兆パラメータのLongCat-2.5の重みをオープンソース化した。長い連鎖の自律タスク、特にコーディングを想定したモデルだ。MoEアーキテクチャで、トークンあたり約480億パラメータを活性化する。APIは100万トークンのコンテキストと最大128000トークンの出力に対応し、テキスト・画像・動画を理解でき、推論のオン・オフを切り替えられる。

11月13日

金曜日

11月12日

木曜日

  1. Google、意思決定モデルGemini Decision 1とDecisions APIを発表

    GoogleはGemini Decision 1と付属のDecisions APIを発表した。はい／いいえ、多肢選択、評価スケールなどの閉集合の意思決定に対応し、1リクエストあたり最大1000問、255個の多肢選択肢を扱える。入力はテキスト、画像、音声、動画、PDFに対応し、コンテキストは256K。エンドツーエンドの応答時間は150～250msで、信頼度スコアも付与される。

11月11日

水曜日

11月10日

火曜日

11月6日

金曜日

  1. Thinking Machines、Inkling 2 Smallを公開：総パラメータ594B・アクティブ17B、68時間で事前学習

    Thinking Machinesは、総パラメータ594B・アクティブ17BのマルチモーダルMoEモデル「Inkling 2 Small」を公開した。テキストと画像の入力に対応し、1Mのコンテキストウィンドウを持つ。Tinkerで提供を開始しており、Apache 2.0の重みは来週の外部安全テスト完了後に公開される予定だ。

10月29日

木曜日

10月28日

水曜日

  1. Liquid AI、LFM3シリーズを発表：2B級の統合バックボーンでテキスト・視覚・音声・全モダリティ・意思決定モデルをカバー

    Liquid AIは次世代のLiquid Foundation Models「LFM3」を発表した。LFM3-1.7B-Baseを統合バックボーンとして、テキスト、視覚、音声、全モダリティ、意思決定の計6モデルを2B級で派生させ、すべての重みをオープンソース化してHugging Faceで公開している。

10月23日

金曜日

  1. Allen AI、衛星埋め込みモデルOlmoEarth v1.3を公開　全球の事前計算済み埋め込みとブラウザツールも提供

    Allen AIは衛星埋め込みモデルOlmoEarth v1.3を公開した。1年分のSentinel-1、Sentinel-2、Landsatの時系列データを読み込み、地球上の10メートルピクセルごとに128次元のベクトルを生成する。最初の64次元だけでも利用できる。

10月22日

木曜日

10月16日

金曜日

  1. Meta、Muse Spark Openを公開　816Bパラメータでオープンウェイト路線に復帰

    MetaはオープンウェイトモデルMuse Spark Openを公開し、米国最強のオープンウェイトモデルと位置づけた。コーディングとエージェントタスク向けで、8160億パラメータ（アクティブ420億）、最大100万トークンのコンテキスト、テキスト・画像・動画・音声に対応する。

  2. Meta、816BパラメータのMoEマルチモーダルモデル「Muse Spark Open」をオープンソース化

    Metaはオープンウェイトモデル「Muse Spark Open」を公開した。MoEアーキテクチャを採用し、総パラメータは約816B、トークンあたりのアクティブパラメータは約42B。テキスト、画像、音声、動画の入力に対応し、コンテキストウィンドウは最大100万トークン。

  3. Google DeepMind、Google Antigravityで抗菌ペプチド探索を加速

    Google DeepMindは、エージェント開発プラットフォームGoogle Antigravityを用いて抗菌ペプチドの探索を加速する取り組みを紹介した。複数のデータベースに分散していた検索を単一のセッションに集約する。アミノ酸配列から生物学的機能を予測するモデルProtNLMを組み合わせ、UniProtの数百万件の未解析タンパク質を走査し、呼吸器感染症に関連する病原体に対して活性が予測される新規抗菌ペプチド候補を1件見出した。現在、ウェットラボでの検証が進められている。

  4. Meta の Muse Spark Open、Amazon SageMaker JumpStart で提供開始

    Meta のコーディング最適化オープンウェイトモデル Muse Spark Open が Amazon SageMaker JumpStart で利用可能になった。100 万トークンのコンテキストウィンドウに対応し、MoE アーキテクチャを採用。総パラメータ数 816B、トークンあたり 42B を活性化し、テキスト、画像、ドキュメント、音声、音声付き動画を入力として受け取り、テキストを出力する。

  5. Meta と Apple が協力、Muse Spark Open モデルを Mac でより快適に動作へ

    Meta が Muse Spark Open モデルを発表。これまでで最も能力の高い米国のオープンウェイトモデルだとし、同クラスで初めてデスクトップ上で動作するモデルで、最新の MLX フレームワークを搭載した Apple M5 Ultra の Mac Studio 2 台が必要だとしている。