先日、魔楽コミュニティ（Modelers）で、階躍星辰が開発したオープンソースのマルチモーダル大規模モデルであるStep-VideoとStep-Audioが正式に公開されました。これらのモデルは、それぞれ動画生成と音声対話に使用され、開発者と企業ユーザーにより強力なAIツールを提供することを目指しています。Step-Videoモデルの正式名称はStep-Video-T2Vで、300億パラメーターという世界最大のオープンソース動画生成モデルです。このモデルは、20秒の動画を直接生成できます。

本日、階躍星辰と吉利汽車集団は、階躍Stepシリーズのマルチモーダル大規模モデル2つ——Step-Video-T2V動画生成モデルとStep-Audio音声モデル——を共同でオープンソース化すると発表しました。その中で、階躍Step-Video-T2V動画生成モデルは、パラメータ数と性能において世界をリードするレベルにあります。このモデルは300億個のパラメータを持ち、204フレーム、540Pの高解像度動画を直接生成でき、生成されたコンテンツの情報密度が高く、一貫性が高いことを保証します。評価結果によると、

先日、当虹科技は、同社のBlackEyeマルチモーダル視覚・聴覚大規模モデルが、DeepSeek-R1とDeepSeek Janus Proとの深層融合に成功したと発表しました。この画期的な進歩は、当虹科技が、視覚情報伝達・メディア、産業・衛星、車載インテリジェントコックピットなど、複数の業界における応用可能性をさらに拡大することを意味します。技術の急速な発展に伴い、マルチモーダル大規模モデルは、各業界のイノベーションを推進する重要な力になりつつあります。DeepSeekの技術とBla...

12月30日、アリペイは次世代AIビジュアル検索製品「探一下」を発表しました。独自開発のマルチモーダル大規模モデル技術に基づき、「AIの目で万物を探求」し、より迅速で有用で興味深い生成型検索サービスを提供します。ユーザーは興味のあるものに出会うと、AIがカメラを通して花やペット、コレクタブルアイテムを識別したり、旅行の随時解説を行ったり、商品や医薬品の詳細を検索したりすることができます。さらに、ペットの写真や赤ちゃんの顔写真などを楽しく解説し、写真投稿のキャプション作成も容易になります。現在、この製品はアリペイに搭載されており、ホームページの「スキャン」をクリックした後、左にスワイプすると見つけることができます。

中国は人工知能分野において、自主開発による着実な進歩を遂げています。11月26日、世界初の千億パラメーターマルチモーダル大規模モデル「紫東太初3.0」が武漢で正式に発表され、中国国産AI技術に新たな大きな成果が加わりました。これは単なる技術のアップデートではなく、中国AIエコシステムにおける重要なマイルストーンです。中国科学院自動化研究所、ファーウェイ社、武漢東湖新技術開発区の3者によって共同開発された紫東太初は、世界で初めて画像、テキスト、音声の3つのモダリティを網羅する事前学習モデルを構築することに成功しました。画像出典：画像

Mistral AIは、初のオープンソースマルチモーダル大規模モデルPixtral 12Bを発表しました。このモデルは画像とテキストの両方を処理でき、120億のパラメータを持ち、サイズはわずか23.64GBと、マルチモーダルモデルの中では軽量です。巧妙な設計と高度な技術を備え、オープンな姿勢でモデルウェイトのダウンロードを提供することで、消費電力と導入障壁を大幅に低減し、モデルへのアクセス性を向上させています。Pixtral 12Bは、複数の権威あるベンチマークテストで優れた成果を収め、多くの有名なマルチモーダルモデルを上回っています。Mistral AIの

近年、マルチモーダル大規模モデルの研究開発と応用は目覚ましい進歩を遂げています。OpenAI、Google、Microsoftなどの海外企業は、数々の先進的なモデルを発表しており、国内でも、智譜AI、階躍星辰などの機関が同分野で画期的な成果を上げています。これらのモデルは一般的に、ビジョンエンコーダーを用いて視覚特徴を抽出し、大規模言語モデルと組み合わせることで構築されていますが、訓練の分離に起因する視覚的帰納バイアスの問題があり、マルチモーダル大規模モデルの展開効率と性能を制限しています。

「Lingdong」ブランドは、网易伏羲が独自開発した産業レベルの大規模モデルとAOP（人工知能操作知覚）技術理念に基づいて、丁寧に作り上げられました。ブランドの主力製品である掘削ロボットと装填ロボットは、50以上の省レベル重点プロジェクトに導入され、鉱山、港湾、ミキシングプラント、学校など、多様な用途で活用されています。

OpenAI、Microsoftがニュース機関から著作権侵害で訴訟マルチモーダル大規模モデルが将来の大規模モデル分野の主流トレンドにOpenAIは出版社と積極的に交渉中AI関連政策が次々と発表され、高品質データセットの著作権問題が重視される中信出版と大規模モデル企業が連携言語トレーニングVisual ChinaのAIGC時代におけるコアアドバンテージ

Qwen-VLは、阿里云が発表した大規模ビジョン言語モデルであり、画像とテキストの入力をサポートします。他のビジョン言語モデルと比較して、Qwen-VLは視覚的ローカリゼーション、画像テキストの理解などの機能が追加されています。Qwen-VLはGitHubで3400以上のスターを獲得し、ダウンロード数は40万回を超えています。