AI記事タグ

専門的に管理されたタグから記事を探せます。各タグには独自の紹介文と関連性の高い公開記事があります。

Qwen-Image Qwen-Image の系列がどう枝分かれするかを示し、文字レイアウトの強み、2512 の写実強化、Layered のレイヤー分解がそれぞれどこで生きるかを整理する。 AI.com ai.com の自律エージェントの開通方法と権限の境界を整理し、ユーザー名の予約、アプリ横断の実行、隔離・暗号化環境の間にあるトレードオフを確認する。 Z-Image Z-Image というオープン画像モデル群を紹介し、非蒸留骨干、単流拡散の設計、無料推論枠がそれぞれどんな制作・開発ニーズに対応するかを示す。 Code Supernova Code Supernova のエージェント型コーディング能力を分解し、長いコンテキスト、画像入力、多段階実行がファイル横断の修正に何をもたらすかを確かめる。 LTX Video LTX Video のモデルと制作プラットフォームの役割分担をたどり、オープン動画モデル、絵コンテ生成、タイムライン編集が制作工程のどこを担うかを整理する。 Doubao Phone Assistant ByteDance の Doubao Phone Assistant を取り上げ、システム権限のもとでアプリをまたいでどう操作するのか、nubia M153 試作機の現実的な守備範囲も見る。 Gemini Robotics Google DeepMind の Gemini Robotics がロボットの高次脳としてどう働くか、ER 2 が動作中に進捗を判断して誤りを修正する仕組み、Atlas との協業の現在地を解説する。 Google Disco Google Labs の実験的閲覧プロジェクト Disco と最初の機能 GenTabs を分解し、開いたタブがどう使えるミニアプリに変わるのか、順番待ちとプライバシー面の注意点も見る。 GLM-5 Z.ai が公開した GLM-5 世代の旗艦モデル系列を追い、744B の基本重み、8 時間の自律実行、320B の低価格 Flash が能力とコストをどう両立させるかを示す。 360 360 の Zhinao や AI ブラウザから Zhitu、Hongtu、Nami パイプラインまで、AI 製品群の役割分担と想定利用者を整理し、Mem360 記憶層の位置づけも示す。 LongCat-Video-Avatar LongCat-Video-Avatar という音声駆動のアバター動画モデル系列を読み解き、長い動画の安定性と複数人の同一性をどう扱うかを示す。 Tongyi Fun Tongyi Fun という企業向け音声基盤モデルの構成を説明し、Fun-ASR の認識と Fun-CosyVoice の合成が会議記録やサポート品質の確認をどう支えるかを示す。 HunyuanWorld HunyuanWorld-Voyager が一枚の画像から歩き回れる三次元世界を生成する流れを分解し、ネイティブ 3D 出力・世界キャッシュ・任意のカメラ軌道が再構成の何を解決するかを示す。 Hunyuan-MT Hunyuan-MT の 7B クラウド版から 1.8B 端末版までの翻訳モデル系列を追い、用語介入・長い文脈・書式保持がそれぞれどのローカライズ作業を担うかを整理する。 MiniMax Music MiniMax Music が歌詞とスタイル記述から完成した楽曲を生成する流れを解説し、リアルな歌声・感情制御・オープンソースの Music Skills が創作とエージェント作業のどこを担うかを示す。 LongCat-Image LongCat-Image が 6B の DiT で大規模モデルに対抗する設計を中心に、中国語と英語の文字描画、制御可能な編集が制作現場でどう働くかを見ていきます。 GLM-TTS GLM-TTS の三秒での声質複製と感情制御を軸に、二段階生成と強化学習が誤り率をどう下げるか、ナレーションや音声コンテンツ、顧客対応での使いどころを整理します。 Firecrawl Firecrawl のスクレイプ、クロール、検索、リンク収集の役割分担と、操作実行やコールバック、複数形式の出力がエージェントのデータ取得をどう支えるかを解説します。 PaddleOCR PaddleOCR の文字検出・認識、レイアウト解析、0.9B の文書モデルを分解し、多言語や複雑な版面から Markdown と JSON までの流れを紹介します。 LangChain LangChain の部品構成からチェーン編成までを整理し、プロンプト、検索拡張、メモリ、トレースが RAG やアシスタント、業務自動化をどう支えるかを解説します。 MiMo-V2 小米MiMoのV2モデル群に焦点を当て、Flash、Pro、Omni、TTS、V2.5をパラメータ規模、コンテキスト長、マルチモーダル能力の観点で対照する。 Google Gemma Googleのオープンウェイトモデル群を二つの系統で整理する。Gemma 4は推論とローカル配備、VaultGemmaは差分プライバシーを軸に、それぞれ異なるライセンスとコンプライアンスの判断を迫る。 HunyuanOCR 1BパラメータのOCRモデルが1回の順伝播で検出・認識・レイアウト解析をどう完了するかを分解し、帳票や字幕、多言語の画像翻訳への配備方法を解説する。 Notion AI Notion AIがページ、Wiki、データベース上で執筆・要約・翻訳・質問応答をどう処理するかを整理し、個人クリエイターとチームがそのまま使える知識整理の道筋を示す。