3月6日、北京智源人工知能研究院は、マルチモーダルベクトルモデルBGE-VLをオープンソース化すると発表しました。この成果は、マルチモーダル検索分野における新たなブレークスルーを意味します。BGE-VLモデルは、画像テキスト検索、複合画像検索などのマルチモーダル検索タスクにおいて最良の結果を達成し、マルチモーダル検索のパフォーマンスを大幅に向上させました。

北京智源人工知能研究院（BAAI）は先日、エコシステムパートナーと協力して構築し、オープンソース化した異種統一通信ライブラリFlagCXを発表しました。これは、多様な計算能力時代の通信ライブラリが直面する課題を解決し、多様な計算能力のオープンソースソフトウェアスタックにおける重要な空白を埋めることを目的としています。この取り組みは、国家関係部門が組織した「清朗・ネットワークプラットフォームアルゴリズム典型問題治理」の特別行動に応えたもので、アルゴリズムの指向が正しく、公平公正、公開透明といった重要な原則を体現しています。

2024年12月19日の発表会で、智源研究院と騰訊は、大規模言語モデル（LLM）の現実世界の長いテキストにおけるマルチタスクでの深い理解と推論能力を評価するために設計されたベンチマークテスト、LongBench v2を発表しました。このプラットフォームは、長テキストモデルの理解と推論能力の向上を目指しており、現在の長テキスト大規模言語モデルのアプリケーションにおける課題に対応しています。

智源研究院とテンセントグループは、2024年12月18日に戦略的提携契約を締結しました。両者は大規模モデルの研究開発、人工知能技術の最先端研究、オープンソースエコシステム構築など、複数の分野で緊密に協力していきます。提携契約に基づき、智源研究院とテンセントはそれぞれの強みを活かし、大規模モデル技術と産業現場の深い融合を推進し、多様な計算環境下における大規模モデルの学習と推論最適化技術ソリューションを探求します。また、技術開発と応用促進のため、オープンで革新的なソフト・ハードウェアエコシステムの構築を目指します。

北京智源人工知能研究院（BAAI）は最近、大規模な無標識インターネットビデオを用いて学習できる革新的な3D生成モデルSee3Dを発表しました。この技術的ブレークスルーは、「See Video，Get3D」という理念への重要な一歩を意味します。See3Dモデルは従来のカメラパラメーターに依存せず、ビジュアルコンディショニング技術を採用し、ビデオの視覚的手がかりのみを用いて、カメラの方向を制御でき、幾何学的に一貫性のある多視点画像を生成します。この手法は、高価な3Dデータやカメラのキャリブレーションを回避します。

生命のエンジンである心臓の働きは、多くの科学者を魅了してきました。心臓電気生理学の異常は、不整脈などの深刻な健康問題につながるため、心臓病の診断と治療にはその深い理解が不可欠です。しかし、従来の研究方法は倫理的および実験上の制約から、突破口を見出すことが困難でした。近年、科学者たちはコンピュータシミュレーションに着目し、「デジタルツイン心臓」を構築することで、仮想世界で心臓の鼓動を再現しようとしています。しかし、仮想心臓のシミュレーションは非常に高い計算資源を必要とし、数ミリ秒の心臓活動をシミュレートするだけでも、

北京智源人工知能研究院（BAAI）は最近、画期的な新たな万能ビジュアル生成モデルOmniGenを発表しました。OmniGenモデルは、その統一性、簡潔性、そしてクロス・タスク知識転移能力が特徴で、テキストから画像生成、画像編集、テーマ主導型生成、ビジュアル条件付き生成など、複数の画像生成タスクを単一のフレームワーク内で処理できます。さらに、OmniGenは画像ノイズ除去やエッジ検出などの古典的なコンピュータビジョンタスクも処理可能です。

北京智源人工知能研究院は、上海交通大学、中国人民大学、北京大学、北京郵電大学などの大学と共同で、超長動画理解大規模言語モデルVideo-XLを発表しました。このモデルは、マルチモーダル大規模言語モデルの中核能力を重要な形で示しており、汎用人工知能（AGI）への重要な一歩です。既存のマルチモーダル大規模言語モデルと比較して、Video-XLは10分を超える長尺動画の処理において、より優れた性能と効率性を示しています。

北京智源人工智能研究院は、次世代マルチモーダル世界モデルEmu3を発表しました。このモデルの最大の特徴は、次のトークンの予測能力のみで、テキスト、画像、ビデオという3つの異なるモーダルにおける理解と生成を可能にする点です。画像生成において、Emu3はビジュアルトークンの予測に基づいて高品質な画像を生成できます。これにより、ユーザーは柔軟な解像度と多様なスタイルを期待できます。ビデオ生成においては、Emu3は他のモデルとは異なる、全く新しい方法で動作します。

智源研究院のEmu3チームは、全く新しいマルチモーダルモデルEmu3を発表しました。このモデルは、次のトークン予測のみを基にトレーニングされており、従来の拡散モデルや複合モデルのアーキテクチャを覆しています。生成タスクと認識タスクの両方で最先端の性能を達成しています。長らく、次のトークン予測は人工知能の汎用人工知能（AGI）への道筋として期待されてきましたが、マルチモーダルタスクでは不十分な結果に終わっていました。現在、マルチモーダル分野では、Stable Diffusionなどの拡散モデルが依然として主流です。

北京智源人工知能研究院は、ネイティブマルチモーダルワールドモデルEmu3を発表しました。このモデルは、ネクストトークンプレディクション技術に基づいており、拡散モデルや組み合わせ手法に依存することなく、テキスト、画像、ビデオの3種類のモダリティデータの理解と生成を実行できます。Emu3は、画像生成、ビデオ生成、ビジョン言語理解などのタスクにおいて、SDXL、LLaVA、OpenSoraなどの既存の著名なオープンソースモデルを上回る性能を示しました。

北京智源人工知能研究院（BAAI）は最近、世界初の中国語大規模言語モデル論争プラットフォームFlagEval Debateを発表しました。この新しいプラットフォームは、モデル間の論争という競争メカニズムを通じて、大規模言語モデルの能力評価のための新しい測定方法を提供することを目的としています。これは、智源モデル対戦評価サービスFlagEval大規模言語モデル競技場の拡張であり、大規模言語モデル間の能力の違いを識別することを目標としています。

2024北京文化フォーラムにおいて、北京智源人工知能研究院（BAAI）は、新世代の中文インターネットコーパスCCI3.0（Chinese Corpora Internet）の正式発表を行いました。データの共同構築と共有を促進します。CCI3.0は1000GBのデータセットと498GBの高品質サブセットCCI3.0-HQを含み、2023年11月のCCI1.0の最初のオープンソース化、2024年4月のCCI2.0発表に続く重要なアップデートとなります。

北京百度網訊科技有限公司と北京智源人工知能研究院は本日、正式な戦略協力協定を締結したことを発表しました。両者は大規模言語モデルなどの分野で深層的な協業を行い、人工知能の産学連携エコシステムを共同で構築します。百度は2010年から人工知能の全面的な展開を開始しており、昆侖チップ、飛槳深層学習プラットフォーム、文心大模型から応用まで、全スタック展開を行っている世界でも数少ない人工知能企業です。

北京智源人工智能研究院は、大規模言語モデルの対話性能向上を目指した、数千万件の命令微調整データセットInfinity-Instructを発表しました。最近、Infinity-Instruct-7M基本命令データセットとInfinity-Instruct-Gen対話命令データセットを含む、新たなバージョンが公開されました。

北京智源人工知能研究院と中国人民大学高瓴人工知能学院は、革新的な人工知能モデルフレームワークであるMemoRAGを共同で発表しました。このフレームワークは長期記憶に基づいており、検索拡張生成（RAG）技術の開発を促進し、単純な質疑応答だけでなく、より複雑なタスクにも対応することを目指しています。

2024年9月4日、北京智源人工知能研究院（BAAI）は、テキストからビデオ生成を含むモデルの対抗評価サービス「FlagEval大規模モデル闘技場」の世界初の提供を発表しました。このサービスはユーザー向けに公開されており、国内外の約40種類のLLMを網羅し、言語応答、マルチモーダル画像テキスト理解、テキストから画像生成、テキストからビデオ生成の4つのタスクに対応した、オンラインまたはオフラインでのカスタム評価をサポートしています。

智源研究院は最近、ベクトル検索タスクにおいて優れた性能を示し、複数の評価基準で最高水準を更新した3つの新しいベクトルモデルを発表しました。これら3つのモデルは次のとおりです。BGE-EN-ICL：タスク関連のクエリとドキュメントの例を少量の例として導入することにより、モデルのセマンティック表現能力を強化した英語ベクトルモデル。

北京智源人工知能研究院と中国電信人工知能研究院は共同で、Tele-FLMシリーズ大規模モデルのアップグレード版を発表しました。これには、52B指令モデルFLM-2-52B-Instructと兆パラメーターモデルTele-FLM-1Tが含まれます。FLM-2-52B-Instructは指令微調整を通じて、中国語での対話能力の向上に重点を置いており、GPT-4レベルの90％に達しています。Tele-FLM-52Bベースモデルに基づき、特定のデータセットとパラメーター最適化を使用しています。Tele-F