Mobileyeは2025年度に売上高18.94億ドル（前年比15％増）を達成し、堅調な業績を維持。第4四半期は顧客在庫調整の影響で売上減少したものの、営業キャッシュフローは51％増加し、受注残高は過去最高を記録。自動運転分野でのリーダーシップと事業の強靭性を示した。....
Mobileyeは9億ドルでMentee Roboticsを買収し、双方の技術を統合して、より強力な環境認識と人間との対話能力を持つ人間のようなロボットの開発を目指す。この取引は2026年第1四半期に完了する予定で、規制当局の承認が必要である。
Mobileyeは約90億ドルでヒューマノイドロボット企業Mentee Roboticsを買収し、ロボット分野に参入。取引には現金6.12億ドルと最大2620万株の普通株が含まれ、高評価の関連取引と見なされている。....
Quest Mobileの報告によると、2025年後半のAIアプリエコシステムにおいて、ドウバオ、DeepSeek、ヤオビン、アントアフーが週間アクティブユーザー上位4位にランクインし、アリババ・千問は第5位、アントリングウェイは上位10位に入った。トップ10リストでは汎用AIが6枠を占め、特化型AIが4枠を占め、汎用と専門的なシナリオが両方で進展している構図となっている。
複雑なタスク向けに設計された、自己進化型モバイルアシスタントです。
Metaが開発した10億パラメーター以下の言語モデルで、デバイス上での利用に適しています。
デバイス向けアプリケーション用に設計された、効率的に最適化された6億パラメーターの言語モデル。
デバイス向けに設計された、効率的に最適化された10億パラメーター未満の言語モデル
rtr46
meiki.text.detect.v0.1は、ビデオゲームや漫画のテキスト検出に特化した高精度、低遅延のOCRモデルで、日本語関連の内容で優れた性能を発揮します。このモデルはD - FINE検出器アーキテクチャに基づき、MobileNet v4 smallをバックボーンネットワークとして使用し、異なるアプリケーションシーンに対応するために2種類の解像度バリエーションを提供します。
facebook
MobileLLM-ProはMetaが開発した10億パラメータの効率的なデバイス側言語モデルで、モバイルデバイスに最適化されており、128kの文脈長をサポートし、高品質の推論能力を提供します。このモデルは知識蒸留技術を用いて訓練され、複数のベンチマークテストで同規模のモデルを上回り、ほぼ無損失の4ビット量子化をサポートします。
MobileLLM - R1はMetaが公開した高効率推論モデルシリーズで、140M、360M、950Mの3種類の規模があります。このモデルは数学、プログラミング、科学問題に特化して最適化されており、パラメータ規模が小さいにもかかわらず、大規模モデルと同等またはそれ以上の性能を実現しています。
MobileLLM-R1はMetaが発表した高速推論用の言語モデルシリーズで、数学、プログラミング、科学的問題解決に特化しています。このモデルはパラメータ規模が小さいにもかかわらず、優れた性能を発揮し、完全な訓練レシピとデータソースを提供して再現研究をサポートします。
MobileLLM - R1はFacebookが開発した高効率推論モデルシリーズで、数学、プログラミング、科学問題の解決に特化しています。このモデルは約2Tの高品質ラベル付きデータのみで事前学習を行ったにもかかわらず、複数のベンチマークテストで優れた性能を発揮しまし。
MobileLLM-R1は、数学、プログラミング、科学の問題に特化した効率的な推論モデルシリーズで、少ないトレーニングデータで優れた性能を実現し、完全なトレーニングレシピとデータソースを提供します。
MobileLLM-R1はMetaが開発した効率的な推論モデルシリーズで、数学、プログラミング、科学の問題解決に特化しています。このモデルは140M、360M、950Mの3つの規模のバージョンを提供し、優れた推論能力と再現性を備えています。
MobileLLM-R1はMobileLLMシリーズの高効率推論モデルで、数学、プログラミング、科学問題に特化して最適化されています。パラメータ規模が小さいにもかかわらず、より高い精度を実現し、低トレーニングコストと高効率の特徴を持っています。
valentinocc
MobileNetV2アーキテクチャに基づく深層学習モデルで、120種類の異なる犬種を識別および分類するために特別に設計されています。転移学習技術を使用して微調整され、様々な犬種を正確に識別し、信頼度スコアを提供することができます。
Acly
MobileSAMは軽量級の画像分割モデルで、点またはボックスのプロンプトに基づいてターゲットのマスクを生成でき、消費者向けハードウェアでの効率的な推論用に設計されています。
riddhimanrana
fastvlm-0.5b-captionsは、FastVLM-0.5Bの第3段階モデルをファインチューニングした高効率ビジュアル言語モデルで、モバイルデバイス上の構造化画像記述用に設計されています。このモデルは、LoRAファインチューニング、4ビット量子化、およびMobileCLIP-S0ビジュアルタワー技術を採用しており、メモリ使用量を大幅に削減し、iPhoneなどのモバイルデバイスでリアルタイム推論を実現できます。
MobileLLM-ParetoQは、モバイルデバイス向けに最適化された極低ビットの大規模言語モデル量子化フレームワークで、1ビット、1.58ビット、2ビット、3ビット、4ビットの量子化設定をサポートし、高いパフォーマンスを維持しながらリソース消費を大幅に削減します。
qualcomm
YamNetはAudioSetデータセットを基に訓練された音声イベント分類モデルで、Mobilenet_v1の深度分離可能畳み込みアーキテクチャを採用し、モバイルデバイスへのデプロイに最適化されており、様々な音声イベントを正確に識別し分類することができます。
MobileLLMはMetaが開発した最適化されたTransformerアーキテクチャの言語モデルで、リソースが制限されたエッジアプリケーション向けに設計されており、パラメータ規模は125Mから1.5Bまで様々です。
vonjack
MobileLLMはMetaがリソース制限のあるデバイス側アプリケーション用に最適化した自己回帰型言語モデルで、最適化されたTransformerアーキテクチャを採用し、SwiGLU活性化関数、深くて狭いアーキテクチャ、埋め込み共有、グループ化クエリ注意などの重要な技術を統合しており、ゼロショット常識推論タスクで優れた性能を発揮します。
ozair23
MobileNetV2アーキテクチャに基づく植物病害画像分類モデルで、画像分類タスクにおいて97.77%の精度を達成
このモデルはFAIR非営利研究ライセンスを採用しており、非営利研究用途に適しており、FAIRの利用許諾ポリシーに準拠しています。
MobileLLMは、デバイス側のユースケースに特化して最適化された言語モデルで、最適化されたTransformerアーキテクチャを採用し、リソース制限のあるデバイス上でも高効率に動作し、ゼロショット常識推論タスクにおいて著しい精度向上を達成しています。
MobileLLMは、デバイス端アプリケーション向けに最適化された自己回帰型言語モデルで、最適化されたTransformerアーキテクチャを採用し、SwiGLU活性化関数、深くて狭いアーキテクチャ、埋め込み共有、グループ化クエリアテンションなどの重要な技術を統合し、リソースが制限されたデバイス端で強力な言語処理能力を提供します。
Metaが発表した研究モデルで、非営利研究用途に適しています
モバイルネクスト - MCPサーバーは、モバイル自動化のためのプラットフォームに依存しないインターフェースで、iOSとAndroidデバイスの自動化操作をサポートし、特定のプラットフォームの知識を必要としません。
Claude MobileはMCPサーバーで、自然言語を使ってAndroid、iOS、デスクトップ、Aurora OSデバイスを制御でき、統一された自動化操作、スマートスクリーンショット、権限管理、UIインタラクション機能を提供します。
モバイルデバイスの自動化機能を提供するMCPサーバーで、構造化されたUIデータを通じてモバイルデバイスとやり取りできます。
AIによってモバイルデバイスを制御するMCPサービスで、デバイス管理、アプリケーションのインストール、ログの取得などの機能を提供し、AndroidとiOSプラットフォームをサポートします。
モバイル端自動化MCPサービスで、Cursor AIにAndroid/iOSデバイス制御機能を提供し、39個の操作ツール、インテリジェント検証、テストスクリプト生成などの機能をサポートし、AIキーなしでも使用できます。
FastMCP 2.0とクリーンアーキテクチャに基づく、モジュール化設計、クロスプラットフォーム対応、およびクラウドデプロイ機能を備えた、最新のiOS自動化サーバー。
MagentaA11y MCPサーバーは、T - MobileのMagentaA11yプロジェクトからのアクセシビリティ標準を提供し、ローカルおよびリモートデプロイをサポートし、開発者にWebおよびネイティブコンポーネントのアクセシビリティ受け入れ基準を提供します。
モバイル開発用のMCP検証ツールです。タスク計画の強制、コード品質チェック、UI/UX規範の適用により、AIアシスタントの「無計画なコーディング」の問題を解決し、Flutter、React Native、iOSおよびAndroidプラットフォームをサポートします。
Transformers英語%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
