バイトダンス傘下のマルチモーダル大規模言語モデルPixelLMは、SAMに依存することなく、高効率なピクセルレベル推論を実現しました。このモデルの強みは、多様な複雑な推論セグメンテーションタスクを処理できる点にあり、複数の実際のセグメンテーション結果を示すことで、オープンワールド問題を効果的に解決できます。これは、マルチモーダル大規模言語モデルが画像編集、自動運転、ロボット工学などのきめ細かいタスクへと進出していることを示しています。
【AIデイリー】へようこそ！ここは、毎日人工知能の世界を探求するためのガイドです。毎日、開発者に焦点を当て、技術トレンドを洞察し、革新的なAI製品アプリケーションを理解するのに役立つ、AI分野のホットなコンテンツをお届けします。
ステップスターとゲンリキ・インテリジェンスは北京において戦略的提携契約を締結しました。両社はそれぞれの技術的優位性を活かし、マルチモーダル大規模言語モデル技術、インテリジェントターミナルエージェント、エンボディッドAIのシナリオにおいて緊密な協力を展開します。今回の提携の目標は「物理世界における推論の実現」であり、共同で「RoboAgent」と呼ばれるインテリジェントロボットを開発し、汎用人工知能（AGI）の現実世界への応用を推進することです。調印式には、ステップスターの創業者兼CEOである姜大昕博士とゲンリキ・インテリジェンスの共同創業者が出席しました。
OpenGVLabは、InternVL3シリーズモデルのオープンソースリリースを発表しました。これは、マルチモーダル大規模言語モデル（MLLM）分野における新たなマイルストーンとなります。InternVL3シリーズは、1Bから78Bまでの7つのサイズからなるモデル群で、テキスト、画像、ビデオなどの様々な情報を同時に処理でき、優れた総合性能を示しています。
4月10日に行われた商湯テクノロジー交流会において、商湯科技は最新のマルチモーダル融合大規模言語モデル「商湯日日新SenseNova V6」と「商湯大装置SenseCore2.0」システムを発表しました。この新型大規模言語モデルは、テキスト、画像、ビデオなど様々な情報形式を統合し、より自然で豊かなインタラクション体験を提供することを目指しています。今回発表されたSenseNova V6シリーズには4つのバージョンが含まれており、中でもSenseNova V6Proが注目を集めています。
Meta社は、最新のオープンソース人工知能モデルLlama 4を発表し、人工知能分野における新たな大きな進歩を示しました。Llama 4はScoutとMaverickの2つのバージョンがあり、AIモデルの機能とパフォーマンスを向上させることを目指しています。Metaによると、Llama 4はテキスト、画像、ビデオ、オーディオなど、複数のデータタイプを処理し、これらの形式間で自由に変換できるマルチモーダル大規模言語モデルです。特筆すべきは、Llama 4シリーズが初めて…
地質科学分野において、地質図は地球の表面と地下構造を理解するための重要なツールです。しかし、これらの複雑な図表を解釈するには専門知識と豊富な経験が必要です。この分野の知能化レベルを高めるため、マイクロソフトアジア研究院は最近、地質図の理解におけるマルチモーダル大規模言語モデル（MLLM）の性能を評価するために設計された新しいベンチマークセット、GeoMap-Benchを発表しました。GeoMap-Benchの発表は、地質図解釈における人工知能の応用における重要な一歩を示しています。マイクロソフトの研究者と…
百度は最近、最新の文心大規模言語モデル4.5と文心大規模言語モデルX1を発表しました。ユーザーは文心一言の公式ウェブサイトで、これらの高度なモデルを無料で体験できます。文心4.5は百度初のネイティブマルチモーダル大規模言語モデルであり、マルチモーダル理解と論理推論に重点を置いています。その性能は、複数のベンチマークテストでGPT-4.5を上回り、API呼び出し価格はGPT-4.5のわずか1％です。この大幅な価格優位性は、多くの開発者や企業の注目を集めることは間違いありません。文心大規模言語モデル4.5は、マルチモーダル理解において著しい進歩を遂げ、…
Ovis2はアリババ国際チームが提案したOvisシリーズモデルの最新バージョンです。前の1.6バージョンと比べて、Ovis2はデータ構築とトレーニング手法において顕著な改善がなされています。小規模モデルの能力密度を強化しただけでなく、指示微調整と好み学習を通じて思考チェーン（CoT）推論能力を大幅に向上させました。さらに、Ovis2は動画および複数の画像処理能力を導入し、多言語能力と複雑なシーンでのOCR能力を強化し、モデルの実用性を大幅に向上させました。
OpenBMBチームは先日、MiniCPM-o2.6を発表しました。これは同シリーズの最新かつ最も強力なマルチモーダル大規模言語モデル（MLLM）です。MiniCPM-o2.6の最大の特徴は、8億パラメーターを持つことで、視覚、音声、マルチモーダルライブストリーミング分野において、GPT-4o-202405に匹敵するパフォーマンスを実現している点です。これにより、オープンソースコミュニティにおいて、多機能で効率的な選択肢となっています。MiniCPM-o2.6は強力な入力処理能力を備え、画像、ビデオ、テキスト、音声を受け入れることができます。