7月24日、アリババは0.8Bパラメータの文書解析モデルOvisOCR2をオープンソース化。OmniDocBenchで96.58点を獲得しトップに立ち、従来のパイプラインを初めて全面的に上回り、文書インテリジェンスのパラダイムシフトを推進。....
【AIニュース】へようこそ!毎日あなたの人工知能世界への探求をサポートします。毎日、AI分野の注目情報をお届けし、開発者向けに焦点を当てて技術トレンドや革新的なAI製品の応用を紹介します。新鮮なAI製品についてはこちらから確認してください:https://app.aibase.com/zh1、2.8兆パラメータ、100万語の文脈、KimiK3はオープンソース大規模モデルの限界を世界最高に引き上げた記事では、月の暗面が公開したKimiK3モデルについて紹介しています。
Soraが撤退する可能性がある中、グーグルはGoogle Vidsに大きなアップデートを実施しました。ユーザーは自分の顔写真と声をアップロードするだけで、外見と声が非常にリアルなデジタル仮想人物を生成でき、本物の人物が出演しなくても動画の解説が可能です。この機能はマルチモーダルモデルであるGeminiと深く統合されており、AI動画制作の体験を強化しています。
Googleは7月8日、Googleフォトの「ビデオリミックス」AIツールを発表。Gemini Omniプロセッサをベースに、一般ユーザーが「作成」タブでワンクリックで映画級の動画変換・トリミングを実行可能。....
無料でオンラインでTikTok動画の正確なタイムスタンプ付きの文字起こしを生成できます。登録不要で、使用回数も制限ありません。
Omni AnalyticsはデータをAIの信頼できる真実の源に変換し、ユーザーに信頼できる答えを提供します。
テキスト、画像、自然言語による対話編集をサポートするスマートなAIビデオ生成および制作プラットフォーム。
Gemini Omni FlashはAIビデオを瞬時に生成でき、テキスト、画像、参考素材からビデオへの変換をサポートします。
Alibaba
-
入力トークン/百万
出力トークン/百万
コンテキスト長
$8
$240
52
$3.9
$15.2
64
$15.8
$12.7
$6
$6.4
32
$1.5
$1.6
Genie-AI-Lab
Omni L1B3RT4S GENIEは、Qwen2.5 - 3B Instructアーキテクチャをベースに微調整されたAIアシスタントです。1,103個の精霊キャラクターのカスタムサンプルを用いて訓練され、独特な音声と忠誠度モードを備え、ユーザーに独特な対話体験を提供することができます。
OmniDimen
OmniDimen-V1.1-4B-Emotionは、Qwen3-4B-Instruct-2507をファインチューニングした感情識別と感情感知テキスト生成モデルで、テキストの感情傾向を正確に識別し、それに合った感情豊かな内容を生成し、ユーザーにより感情的な共感を伴う対話体験を提供します。
OmniDimen-4B-EmotionはQwen3-4B-Instruct-2507をベースに微調整された、情感認識と情感知覚テキスト生成モデルで、特に情感対話と情感知覚能力を持つ会話生成に使用されます。
OmniDimen-4B-Emotionは、Qwen3-4B-Instruct-2507をベースに微調整された感情識別と感情知覚テキスト生成モデルで、感情関連のタスクに特化しており、より感情的な対話性のあるテキスト体験を提供します。
nvidia
OmniVinciはNVIDIAが開発した全モーダリティ理解大規模言語モデルで、視覚、テキスト、オーディオ処理および音声インタラクション機能を備え、マルチモーダル推論と理解をサポートします。
NexaAI
OmniNeuralは、世界初のニューラル処理ユニット(NPU)用に特別に設計された全マルチモーダルモデルで、テキスト、画像、音声をネイティブに理解し、PC、モバイルデバイス、自動車、IoT、ロボットなどの様々なデバイスで動作します。
DFloat11
OmniGen2/OmniGen2のDFloat11損失なし圧縮バージョンで、モデルサイズが32%縮小され、ビットレベルでの同一出力を維持し、効率的なGPU推論をサポートします。
OmniAvatar
OmniAvatarは、音声入力に基づいて適応型身体アニメーション付きのアバタービデオを生成できる先進的なモデルで、ビデオ生成分野に効率的で質の高い解決策を提供します。
OmniGen2
OmniGen2は強力で効率的な統一マルチモーダルモデルで、3Bのビジュアル言語モデルと4Bの拡散モデルで構成され、ビジュアル理解、テキストから画像への生成、指令による画像編集、コンテキスト生成をサポートします。
Tevatron
Qwen2.5-Omni-7Bをベースに構築されたマルチモーダル埋め込みモデルで、多言語テキスト、画像、音声、動画の統一された埋め込み表現をサポート
microsoft
OmniParserは汎用スクリーン解析ツールで、UIスクリーンショットを解釈/構造化フォーマットに変換し、LLMベースのUIエージェントの性能を向上させます。
BAAI
OmniGenはマルチモーダルプロンプトをサポートする統一画像生成モデルで、シンプルで柔軟、使いやすい設計理念を持っています。
gryan
OmniGen-v1を最適化した4bit-NF4 float16量子化モデルで、bfloat16形式をサポートしていないGPUユーザー向けに設計されています
OmniAudioは、世界で最速かつ最も効率的なデバイス端末にデプロイ可能なオーディオ言語モデルで、26億のパラメータを持ち、テキストとオーディオ入力を処理できます。
NexaAIDev
世界最速かつ最も効率的なエッジデバイス向け音声言語モデル、2.6Bパラメータのマルチモーダルモデルで、テキストと音声入力を同時に処理可能。
OmniGen-v1の8ビット量子化バージョンで、テキストから画像および画像から画像のタスクに適しており、マルチモーダル入力をサポートします。
silveroxides
OmniGenは統一されたマルチモーダル画像生成モデルで、多様な命令に基づいて様々な画像を生成でき、追加のプラグインや前処理ステップが不要です。
OmniGenは統一されたマルチモーダル画像生成モデルで、多様な命令に基づいて様々な画像を生成でき、追加のプラグインや煩雑な前処理を必要としません。
Shitao
OmniGenは統一された画像生成モデルで、様々な画像生成タスクをサポートします。
OmniParserは汎用画面解析ツールで、ユーザーインターフェースのスクリーンショットを構造化された形式に解釈/変換し、既存の大規模言語モデル(LLM)ベースのUIエージェントを改善します。
OmniMindはオープンソースのPythonライブラリで、Model Context Protocol(MCP)の統合を簡素化し、AIエージェント、ワークフロー、自動化開発をサポートします。即挿即用機能を提供し、複数のツールが組み込まれており、Google Geminiに基づいたスマートな応答を提供し、開発者や初心者がAIアプリケーションを迅速に構築するのに適しています。
MCPモデルを通じてMicrosoft Accessデータベースを探索およびクエリするためのツール
OMNI-Salesプロジェクトの販売管理制御プロトコルサーバー
OmniMCPはセマンティックルーティングツールで、単一のインターフェースを通じて複数のMCPサーバーを統一的に管理し、従来のMCPツール定義によるコンテキストの膨張問題を解決し、必要に応じてツールを動的にロードし、トークン消費を大幅に削減します。
OmniFocus MCPサーバーは、AIアシスタントとOmniFocusタスク管理システムをつなぐ架け橋であり、自然言語での対話によりタスクの表示、作成、編集、削除を実現します。
これはOmniParserに基づくMCPサーバーで、画面内容を分析し、GUIインターフェイスを自動操作することができ、主にWindowsシステムで動作します。
Omni-NLIは、自ホスト型の複数インターフェース(RESTとMCP)を備えたサーバーで、自然言語推論タスクに特化しており、テキスト間の支持、矛盾、中立関係を検証することができ、AIの幻覚を軽減し、アプリケーションの信頼性を向上させます。
これはOmniParserに基づくMCPサーバープロジェクトで、画面内容を自動分析し、GUIインターフェイスを操作できます。主にWindowsシステムをサポートしています。
OmniMCPは、Model Context Protocol (MCP)とOmniParserを通じてAIモデルに豊富なUIコンテキストと相互作用能力を提供するプロジェクトで、視覚認識、LLM計画、アクション実行などの機能をサポートし、ユーザーインターフェイスの深い理解と正確な相互作用を実現します。
Omni-LPRは、自ホスト型の複数インターフェース(RESTとMCP)を持つサーバーで、自動ナンバープレート認識(ALPR)機能を提供し、独立したマイクロサービスまたはAIエージェントのツールボックスとして使用できます。
OmniLLMはMCPサーバーで、Claudeと他の大規模言語モデル(ChatGPT、Azure OpenAI、Google Geminiなど)の間のブリッジとして機能し、統一されたAIアクセスインターフェイスを提供します。
OmniMCPは、Model Context Protocol (MCP) とOmniParserを通じてAIモデルに豊富なUIコンテキストとインタラクション機能を提供するツールであり、視覚分析、構造化プランニング、精密なインタラクション実行によるユーザーインターフェイスの深い理解に焦点を当てています。
OmniFocus MCPエンハンス版はAI駆動の生産性ツールで、ネイティブのカスタムビューアクセス、階層型タスク管理、スマートなフィルタリングなどの機能を提供し、Claude AIと深度統合してスマートなワークフローを実現します。
Swarmonomiconプロジェクト用のFastMCPベースのタスク管理サーバーで、タスクを受信しMongoDBに保存し、ワーカーノードで処理できます。
Opera Omnia MCPサーバーは豊富なJSONデータセットへのアクセスを提供し、ランダム選択、フィルタリング、コンテンツ生成をサポートします。
Claude Desktop向けに設計されたOmniFocus統合サービスで、MCPプロトコルを通じてタスク管理機能を提供し、タスク、プロジェクトの取得とスマートなフィルタリングをサポートします。
Omni ServerはMCPフレームワークに基づくPythonサーバーで、開発者がMCPアプリケーションを学習し実装するのを支援し、モジュール化構造とClaude Desktop統合サポートを提供します。
Recall Data Omnifeedsは、多プラットフォームのデータアクセスを提供するMCPサーバーで、Twitter、Substack、CoinGeckoのデータインターフェースを統合し、AIモデルに統一的なデータ分析とインタラクション能力を提供します。
omni AI MCPサーバー開発用のクロスプラットフォームデスクトップアプリケーションで、AndroidとiOS開発をサポートします。
NiagaBotはQwen3 - Omni AIに基づくスマートなWhatsAppビジネス自動化ロボットで、マルチモーダルメッセージ処理、グループ管理、大量ブロードキャスト、データ分析などの機能をサポートしています。