VibeVoiceは半分しかオープンソース化しなかった——失われた半分こそが教訓
MicrosoftのVibeVoiceは強力な音声認識を提供するが、有名な音声合成コードは誤用を受けて削除された。
ブログ
生成AIに関するヒント、チュートリアル、洞察を発見
NVIDIAのKumo Tabularは、存在しなかったデータで訓練された
Kumo Tabularはどんな表もすぐに予測でき、因果モデルからサンプリングされた合成表だけで学習した。
Seedance 2.5のドラフトモードが、後から考え直すことを安くする
ByteDanceのドラフトモードは、まず480pのサンプルを生成し、確定したときだけ1080pの最終版を生成することで、AI動画の本当のコストに狙いを定める。
EmbeddingGemma 2、写真・音声・動画検索をスマートフォン上で実現
Googleの7億4,000万パラメータの埋め込みモデルは、テキスト、画像、音声、動画を、スマートフォンで動くほど小さな一つの空間にマッピングします。
FreeVideo、MiniMax H3の動画生成をApple Siliconで実現
FlashMLのオープンソースFreeVideoが、H3をローカルで動作させるMacプレビューを公開し、反復試行から秒単位のAPI課金を取り除いた。
なぜカッツェンバーグと元Soraリードが映画制作者向けの動画モデルを構築しているのか
ジェフリー・カッツェンバーグ、ビル・ピーブルズ、スジャイ・ジャスワは、ソーシャルフィードではなく、映画クルーのために動画モデルをトレーニングする会社を設立している。
GitHubのトレンドページは今やエージェントインフラのカタログと化している
今週のトレンドリポジトリは、アプリではなく、メモリ層、エージェントチーム、スキルマーケットプレイス、セキュリティスキャナーです。
Naive AIとポストトレーニングへの14億ドルの賭け
清華大学の教授のスタートアップが、成果は事前学習の間ではなく後に得られると賭けて、14億ドルの評価額に達したと報じられた。
Mistral Large 4：ヨーロッパはオープンウェイトに1兆パラメータを賭ける
Mistralの新たな旗艦は1.05兆パラメータを抱え、約490億を活性化し、10月27日に重みを公開する。
実際に使っているのは誰か：中国モデルが海外の画像生成・動画生成で過半数の利用量を獲得
3160万回のインタラクションの利用量データにおいて、中国モデルは海外の画像生成・動画生成で過半数のシェアを獲得した一方、テキストは依然として米国企業が握っている。
描けば現れる：スクリブルからオブジェクトへの編集が成熟期を迎える
小さな研究用LoRAを使えば、領域に落書きしてオブジェクトの名前を変えられる。画像AIの仕事が生成から編集へ移ったことを明確に示す兆候だ。
現実を撮り直す：Seedance 2.5と存在しないカメラ
Seedance 2.5は、既存の映像を新しいカメラアングルから撮り直せる。それはカバレッジ、連続性、そして映像が証明できるものを変える。