DeepSeek-OCR 2リリース:ビジュアル・インコーズフローにより文書や図の認識がより「人間らしく」
1. 要旨 DeepSeek-OCR 2は、DeepSeekのオープンソースOCR/ドキュメント理解モデルのアップグレード版であり、「DeepSeek-OCR 2: Visual Causal Flow」をテーマに、より人間に優しい視覚コーディング手法を強調し、複雑なレイアウト(ドキュメント、チャー...
Admin •
288
Kimi K2.5 オープンソースマルチモーダルエージェント完全ソリューション:ビジュアルプログラミングおよびエージェントスウォームとの並列協働
1. 要旨 Kimi K2.5はMoonshot AIがリリースしたオープンソースの「ビジョン+エージェント」マルチモーダルモデルで、統一された画像/映像およびテキスト入力をサポートし、ダイアログモードとエージェントモードを提供します。 ビジョン駆動型コーディングと視覚的デバッグ、ロングリンクツール...
Admin •
318
Qwen3-TTSオープンソースリリース:12Hz高圧縮トークナイザー+3秒のトーンクローン 遊び方
1. 要旨 Qwen3-TTSは、Qwenチームによるオープンソースのテキスト読み上げ(TTS)モデル群で、VoiceDesign(テキスト説明から新しい音声を生成する)、CustomVoice(あらかじめ決められた高品質音声のコマンド制御)、Base(高速音声クローン作成および基礎の微調整)などが...
Admin •
227
Chroma 1.0 リリース:世界初のオープンソースのエンドツーエンドリアルタイム音声間モデル
- 要旨 Chroma 1.0は、FlashLabsによって訓練され、完全にオープンソース化されたエンドツーエンドのリアルタイム音声間モデルで、パーソナライズされた音声クローン作成を可能にします。 このモデルは従来のASR→LLM→TTSパイプラインを不要にし、エンドツーエンドの応答を約150msで...
Admin •
186
オープンソース画像生成の新たな選択肢:GLM-Imageのアーキテクチャ、機能、実装シナリオ
1. 要旨 GLM-Imageは Z.ai 年のオープンソース画像生成モデルで、「離散的自己回帰生成+拡散復号」というハイブリッドパラダイムを採用しています。自己回帰モジュールはグローバルセマンティクスとレイアウト計画を担当し、拡散デコーダは高精度な詳細で補完されます。 公式情報によると、全体的な画...
Admin •
180
Baichuan-M3-235BがHugging Faceを発表:Qwen3に基づく235B医療意思決定モデルの解釈
1. 要旨 Baichuan-M3-235Bは、Baichuan Intelligenceがリリースした医療強化型大規模言語モデルで、「臨床意思決定プロセス」を訓練目標として強調しています。モデルは質問に答えるだけでなく、主要な病歴情報を積極的に求め、鑑別診断のアイデアを整理し、生成における信頼性の...
Admin •
233
DeepSeek Engram 解釈:O(1) を使って条件付きメモリを検索し、大型モデルに「新しいスパース軸」を追加してください
1. 要旨 EngramはDeepSeekのオープンソース「条件付きメモリ」モジュールであり、その核心はTransformerに拡張可能なフォームルックアップメモリプリミティブを追加することです。より静的なパターンや知識の一部がNグラムメモリテーブルの形で保存され、推論時におおよそO(1)の方法で取...
Admin •
233
Qwen3-VL-EmbeddingおよびQwen3-VL-Reranker:2段階マルチモーダル検索スキームの完全な分析
1. 要旨 Qwen3-VL-EmbeddingおよびQwen3-VL-Rerankerは、Qwen3-VLを基盤としたオープンソースのマルチモーダル検索モデルシリーズであり、「テキスト+画像+スクリーンショット+ビデオ+混合入力」のクロスモーダル理解と取得を目指しています。 全体の2段階アーキテク...
Admin •
495