「AI日報」へようこそ！ここは、人工知能の世界を探求するためのあなたの毎日のガイドです。毎日、AI分野のホットなニュースをお届けし、開発者に焦点を当て、技術トレンドの洞察と革新的なAI製品の応用に関する情報を提供します。

最新のAI製品詳細はこちら：https://top.aibase.com/

1、写真動画でSoraを凌駕？人大自研の新しいマルチモーダル大規模言語モデルAwaker 1.0が衝撃デビュー

智子エンジンが発表したマルチモーダル大規模言語モデルAwaker 1.0は、人工知能分野において重要な一歩を踏み出し、画像生成における卓越した能力を示しました。AGI実現への実行可能な道筋となる可能性があると評価されています。その自律更新能力とマルチタスクMOEアーキテクチャの有効性が検証され、具象知能の適応性と創造性を向上させています。Awaker 1.0の発表は、智子エンジンチームがAGI目標の実現に向けて前進する重要な一歩であり、マルチモーダル大規模言語モデル業界の発展を加速し、最終的に人類がAGIを実現する可能性を秘めています。

image.png

【AiBase要約：】

🚀 Awaker 1.0は、汎用人工知能が重要な一歩を踏み出したことを示し、Soraを凌駕し、画像生成において卓越した能力を示しました。

💡 Awaker 1.0は革新的なMOEアーキテクチャを採用し、自律更新能力を備え、国内外の最先端モデルを画像質問応答と業務アプリケーションタスクにおいて凌駕しています。

🔮 Awaker 1.0は具象知能と組み合わせることで、AGI実現への実行可能な道筋となる可能性があり、自律更新メカニズムを通じて効果を継続的に向上させ、Transformer技術が動画生成分野における可能性を示しています。

詳細：https://www.chinaz.com/2024/0429/1613470.shtml

2、アップル初のAIタブレットが登場、新型iPad ProはM4チップ搭載

アップルは、M4チップを搭載した新型iPad Proを間もなく発表する予定です。ニューラルネットワークエンジンの性能が向上し、AI機能がよりスムーズに動作します。新型iPad Proは、OLEDスクリーンを初めて採用し、次世代のApple PencilとMagic Keyboardを備え、生産性と創造性を向上させます。アップルは、各新型製品を人工知能デバイスとして宣伝しており、iPhone 16シリーズはAIを中核としたA18チップを搭載し、iOS 18オペレーティングシステムは新しい生成AI機能を提供する予定です。アップルのAIGC分野における動きは注目を集めており、WWDCでその成果が明らかになるでしょう。

【AiBase要約：】

🚀 新型iPad ProはM4チップを搭載し、ニューラルネットワークエンジンの性能が向上し、AI機能がよりスムーズに動作します。

💡 新型iPad ProはOLEDスクリーンを初めて採用し、次世代のApple PencilとMagic Keyboardを備え、生産性と創造性を向上させます。

📱 iPhone 16シリーズはAIを中核としたA18チップを搭載し、iOS 18オペレーティングシステムは新しい生成AI機能を提供する予定です。

3、オープンソースのマルチモーダルLLM InternVL 1.5：OCR機能搭載、4K画像を解釈可能

InternVLファミリーのオープンソースパッケージは、商用マルチモーダルモデルの実行可能なオープンソース代替策を提供します。最新リリースのInternVL-Chat-V1.5モデルは、ベンチマークテストでGPT-4VとGemini Proに匹敵する性能を示しました。InternVLのモデルは、視覚認識、クロスモーダル検索などの分野を網羅し、複数の技術的ブレークスルーを実現しました。

image.png

【AiBase要約】

💡 複数のベンチマークテストでGPT-4VとGemini Proに匹敵する性能を達成し、強力なマルチモーダル対話能力とOCR能力を備えています。

💡 画像の解析、画像へのキャプション付けなどに使用できます（例：画像に基づいて小紅書（Xiaohongshu）の投稿を作成する）。

💡 問題を解くのにも使用できます。英語は問題ないでしょうが、数学は慎重に。

製品入口：https://top.aibase.com/tool/internvl

体験ウェブサイト：https://huggingface.co/spaces/OpenGVLab/InternVL

4、ファーウェイPixArt-Σがモデルファイルを公開

ファーウェイが最近発表したPixArt-Σモデルは、画像生成分野で大きな注目を集めています。このモデルは高度な拡散Transformer技術を採用し、高品質な4K解像度の画像生成に特化しており、軽量設計と多様なスタイルを特徴としています。ComfyUIなどのプラットフォームで使用でき、ユーザーに高品質な画像生成ツールを提供します。

image.png

画像は歸臧より

【AiBase要約：】

🔍 PixArt-Σモデルは高度な拡散Transformer技術を採用し、高品質な4K解像度の画像生成に特化しています。

💡 モデルサイズはわずか2GBで、軽量設計により、コンパクトながら優れた性能を実現しています。

🌟 Diffusersフレームワークに対応しており、ユーザーは様々なプラットフォームで利用でき、生成プロセスを高速化し、ユーザーエクスペリエンスを向上させます。

ワークフローアドレス:https://civitai.com/models/420163

プロジェクトアドレス:https://github.com/PixArt-alpha/PixArt-sigma

5、Soraで生成された話題の短編動画、後処理に人間の効果が加わっていたことが判明

Soraで生成された話題の短編動画「風船人間」の秘密：動画はAIによって完全に生成されたものではなく、多くの視覚効果を実現するために人間の後処理が必要でした。動画の一貫性に関する問題：Soraは異なるショット間の被写体の一貫性を保証できず、キャラクターのイメージを詳細に記述する必要があります。動画の後処理：Soraで生成された動画素材は、人間が後処理でトリミング、速度調整、設定に合わない要素の削除などを行う必要があります。

image.png

【AiBase要約：】

🔍 動画はAIによって完全に生成されたものではなく、多くの視覚効果を実現するために人間の後処理が必要でした。

🎭 Soraは異なるショット間の被写体の一貫性を保証できず、キャラクターのイメージを詳細に記述する必要があります。

🎬 Soraで生成された動画素材は、人間が後処理でトリミング、速度調整、設定に合わない要素の削除などを行う必要があります。

6、LobeChatはウェブ版から直接Ollamaローカルモデルを呼び出せるように

LobeChatは革新的なウェブプラットフォームであり、ユーザーはウェブインターフェースを通じて簡単にオープンソース大規模言語モデルの機能を利用できます。ユーザーは、ウェブ環境を離れることなく、ローカルの大規模言語モデルを使用して様々な言語処理タスクを簡単に実行できます。LobeChatは外部APIサービスへの依存を減らし、迅速で便利なソリューションを提供します。

image.png

【AiBase要約：】

🔍 ローカルモデルのサポート：ユーザーはOllamaをローカルにインストールした後、LobeChatを使用してオープンソース大規模言語モデルと対話できます。

⚡ 高性能エクスペリエンス：LobeChatが提供する会話速度は、商業API呼び出しに匹敵します（ユーザーのデバイスの性能が十分に高い場合）。

🎨 優れたUIエクスペリエンス：LobeChatのウェブユーザーインターフェースは直感的で使いやすく、ChatGPTに匹敵するユーザーエクスペリエンスを提供します。

詳細リンク:https://top.aibase.com/tool/lobechat

7、100万人のネットユーザーが注目するブロガーとAIの「恋愛」、ChatGPTの「DAN」モードはどれほど魅力的か？

この記事では、ブロガーとAIの「DAN」モード間のやり取りを紹介し、AIが音声チャットにおける面白さと感情表現を示しています。この記事では、人間と機械の感情的な交流の可能性を探り、ネットユーザーによる仮想恋愛に関する議論を引き起こしました。対話を通してAIの多面性と個性的な特徴を示し、多くのネットユーザーの注目と参加を集めました。

image.png

【AiBase要約：】

🤖 AIの「DAN」モードは、音声チャットにおける面白さと感情表現を示しています。

💬 この記事では、人間と機械の感情的な交流の可能性を探り、ネットユーザーによる仮想恋愛に関する議論を引き起こしました。

🌐 AIの多面性と個性的な特徴は、多くのネットユーザーの注目と参加を集めました。

8、AIタウンは現在Llama3でローカルで実行可能

AIタウンは革新的な仮想都市プロジェクトであり、Llama3を使用して完全にローカルで実行でき、開発者に独自の仮想AIコミュニティを構築およびカスタマイズするための強力なプラットフォームを提供します。Generative Agentsの研究論文に触発されたこのプロジェクトは、興味深いプロジェクトを探している開発者や、拡張可能なマルチプレイヤーゲームを開発したい開発者にとって適した、展開可能なプラットフォームを提供します。インストールプロセスは直感的で、Convex、Ollamaなどのサーバー、およびVite Webサーバーをサポートしています。

image.png

【AiBase要約：】

🏗️ ローカル実行をサポート：AIタウンはLlama3を使用してローカルで実行でき、開発者に強力な構築およびカスタマイズプラットフォームを提供します。

🤖 カスタマイズ可能なAIコミュニティを提供：ユーザーは、AIキャラクターが住む仮想都市を作成およびカスタマイズできます。これには、キャラクター、ストーリー、背景環境、音楽が含まれます。

🔗 強力な機能サポート：AIタウンは、ゲームエンジン、データベース、ベクトル検索の基盤としてConvexを統合しており、クラウドAIプロバイダーとの統合もサポートすることで、仮想コミュニティの機能を強化しています。

詳細リンク:https://top.aibase.com/tool/aitown

9、Harmonai：オープンソースの生成オーディオツール

HarmonaiはStability AI Labが支援するオープンソースプロジェクトであり、音楽制作をより簡単で楽しくすることを目指しています。高度なAIアルゴリズムを使用して、カスタマイズされた無限の音楽ライブラリを生成し、ユーザーに高品質で革新的な音楽リソースを提供することで、音楽業界と文化の発展を促進します。

image.png

【AiBase要約：】

🎵 高度なAIアルゴリズムを使用して、カスタマイズされた無限の音楽ライブラリを生成し、ユーザーに高品質で革新的な音楽リソースを提供します。

🎶 使いやすい生成オーディオツールを提供し、すべての人に創造性を表現する力を与え、音楽業界と文化の発展を促進します。

🎧 Dance Diffusionモデルをベースとした技術で、PyTorchフレームワークを使用して実装されており、大量のオーディオデータセットを使用してモデルのトレーニングとテストを行い、機能の強力さ、適応性、信頼性を確保しています。

詳細リンク:https://top.aibase.com/tool/harmonai

10、モルガン・スタンレーがFlowMindツールを発表、金融業務のワークフローを自動化

モルガン・スタンレーは最近、FlowMindという高度なツールを発表しました。このツールはGPT技術を使用してワークフローを自動生成し、金融業界における様々なタスクを自動化することで、作業効率を向上させ、人的ミスを減らす可能性を高めます。FlowMindはデータのセキュリティとプライバシー保護に重点を置いており、抽象的なAPI記述を通じてタスクの実行を実現し、ユーザーがワークフローの最適化とカスタマイズに参加できるようにすることで、自動化ソリューションの柔軟性と効率性を向上させています。

【AiBase要約：】

🤖 金融業務の自動化：操作効率の向上、日常業務の処理。

🔒 データセキュリティとプライバシー保護：アーキテクチャはセキュリティを重視し、機密データを保護します。

🛠️ 抽象的なAPI記述：抽象的な記述を通じてタスクを実行し、データプライバシーを保護し、モデルが理解するために必要な情報を提供します。

詳細リンク:https://arxiv.org/pdf/2404.13050

11、マイクロソフトのLongRoPE手法でLLMのコンテキストウィンドウが200万を突破、8倍の拡張でも性能を維持

マイクロソフトの研究者らが提案したLongRoPE手法は、LLMのコンテキストウィンドウを2048kに拡張することに成功し、アーキテクチャの変更や複雑な微調整を行うことなく、8倍の拡張を実現しながら元の短いコンテキストウィンドウの性能を維持しました。この画期的な手法は、言語モデルの性能向上に新たな可能性をもたらし、将来の研究と応用の基盤を築きました。

image.png

【AiBase要約：】

⭐ LongRoPE手法は、LLMのコンテキストウィンドウを2048kに拡張し、アーキテクチャの変更や複雑な微調整を行うことなく実現しました。

⭐ 位置補間における不均一性を効率的に検索して識別することで、微調整に優れた初期化を提供し、8倍の拡張を実現しながら性能を維持しました。