北京大学と騰訊が提案する多モーダルアラインメントフレームワーク LanguageBind

智譜と生数科技が戦略的提携を締結、大規模言語モデルの共同イノベーションに注力

4月27日、清華大学傘下の2つのAI企業である智譜（Z.ai）と生数科技(shengshu.com)は、戦略的提携を発表しました。この提携は、両社の大規模言語モデルとマルチモーダル生成モデルにおける技術蓄積と強みを活かし、国産大規模言語モデルの技術革新と産業応用を推進することを目的としています。

NVIDIA、多モーダルLLM「Describe Anything」を発表：特定領域の詳細な説明を生成

NVIDIA AIチームは、画像とビデオの精密で領域に特化した説明を生成するために設計された、画期的な多モーダル大規模言語モデル「Describe Anything 3B」（DAM-3B）を発表しました。このモデルは、革新的な技術と卓越した性能により、多モーダル学習分野で大きな話題となり、AI技術発展の新たなマイルストーンとなっています。以下、AIbaseが本モデルの主要なハイライトと業界への影響を整理します。領域特化型説明におけるブレークスルーDAM-3Bは、その比類なき能力で注目を集めています:特定の領域を…

上海人工知能研究所、アップグレード版マルチモーダル大規模言語モデル「書生・万象 3.0」を発表

上海人工知能研究所が小規模言語多モーダルデータセット「万巻・シルクロード2.0」をオープンソース化

上海人工知能研究所が公開した多言語多モーダルコーパス「万巻・シルクロード2.0」が正式にオープンソース化されました。このコーパスは、既存のアラビア語、ロシア語、韓国語、ベトナム語、タイ語の5言語に加え、セルビア語、ハンガリー語、チェコ語の3つの希少言語データを追加し、テキスト、画像、音声、ビデオの4つのモーダルを網羅しています。データ総量は1150万件を超え、音声・ビデオの長さは2万6000時間を超え、小規模言語多モーダル分野における重要なリソースとなっています。

OpenAI、多モーダル推論モデルo4-miniとフルバージョンo3を発表

本日午前1時のテクノロジーライブストリーミングで、OpenAIは最新かつ最も強力な多モーダルモデルであるo4-miniとフルバージョンo3を正式に発表しました。これらのモデルは、テキスト、画像、オーディオを同時に処理できるだけでなく、インテリジェントエージェントとして、Web検索、画像生成、コード解析などのツールを自動的に呼び出すことができます。さらに、深層思考モードを備え、思考連鎖の中で画像を考察することも可能です。

MiniMax MCPサーバー正式稼働 多モーダルAIの新時代へ

人工知能技術の限界は常に押し広げられています。AIbaseはソーシャルメディアから、中国のAIスタートアップ企業であるMiniMax稀宇科技がMiniMax MCPサーバーを正式に稼働開始したことを知りました。このサーバーは、簡単なテキスト入力だけで、ビデオ生成、画像生成、音声生成、音声クローンなどの多様な機能を呼び出すことができ、様々な主要なMCPクライアントと互換性があります。開発者やクリエイターに強力な多モーダルAIツールを提供します。以下は、AIbaseによるこの重要な発表に関する詳細な分析です。

阿里通義千問、次世代エンドツーエンド多モーダルモデルQwen2.5-Omniを発表

阿里巴巴クラウド通義千問Qwenチームは、Qwenモデルファミリーの次世代エンドツーエンド多モーダルフラッグシップモデルであるQwen2.5-Omniを発表しました。この全く新しいモデルは、あらゆる多モーダルな知覚のために設計されており、テキスト、画像、音声、ビデオなど、さまざまな入力形式をシームレスに処理し、リアルタイムストリーミングレスポンスを通じてテキストと自然音声合成出力を同時に生成できます。

大ニュース！中国のAIが新たな主力部隊を投入！昆仑万维 Skywork R1V 多モーダル推論モデルが衝撃のオープンソース化！

中国のテクノロジー企業、昆仑万維が、画期的な多モーダル推論モデルSkywork R1Vをオープンソースとして公開しました。このモデルは、テキスト、画像、音声などを理解し処理できる高度な能力を備え、中国のAI開発における大きな飛躍を示しています。その性能と可能性に世界が注目しています。

アリババ通義、R1-Omniモデルをオープンソース化　多モーダル感情認識能力向上

3月11日、通義实验室チームはR1-Omniモデルのオープンソース化を発表し、全モーダルモデルの発展に新たなブレークスルーをもたらしました。このモデルは強化学習と検証可能な報酬（RLVR）手法を組み合わせ、多モーダル感情認識タスクにおける推論能力と汎化性能の向上に重点を置いています。R1-Omniのトレーニングは2段階で行われます。コールドスタート段階では、Explainable Multimodal Emotioから取得した580本のビデオデータを含む複合データセットを使用して微調整が行われます。

智源がBGE-VLマルチモーダルベクトルモデルを発表、検索の新時代を開幕