2014年から先端テクノロジーの研究を論文単位で記事にして紹介しているWebメディアのSeamless（シームレス）を運営し、執筆しています。 この1週間の気になる生成AI技術・研究をいくつかピックアップして解説する今回の「生成AIウィークリー」（第108回）は、画像生成の原理で言語を生成するAIモデル「Seed Diffusion Preview」や、画像内のテキストを正確に描画する画像生成AI「Qwen-Image」を取り上げます。 また、RTX 4090なら21秒で5秒間のビデオを生成する動画生成AI「FastWan」と、NVIDIAが「LLMよりSLMが主流になる」と主張した論文をご紹介します。 そして、生成AIウィークリーの中でも特に興味深いAI技術や研究にスポットライトを当てる「生成AIクローズアップ」では、大規模言語モデル（LLM）の「思考の連鎖」（Chain-of-Thou

You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert

物体検出（object detection） 物体検出は、与えられた画像から対象とした物体の位置を見つける問題です。画像分類とは異なり、検出の場合、画像に特定の物体が含まれているかどうかを判断するだけでなく、その物体がどこに位置するかまで特定する必要があります。この違いから、検出タスクでは評価基準を決める際、下の画像のように正解の物体とその位置を「バウンディングボックス（bounding box）」の形で記録し、モデルの予測結果をその記録と比較することで性能を評価します。 検出では、上の画像のようなGTをもとに「mAP@[ IoU=0.50 ]」または「mAP@[ IoU=0.50:0.95 ]」などの評価方法を主に使用します。この方法は、特定の正解基準（intersection of union, IoU）での平均予測性能（mean average precision、mAP）を測定する

中国アリババが公開した「Wan2.2」モデルで、快適に動画を生成できるグラフィックボードを実際に検証します。今回はとりあえず20枚のグラボで性能比較です。 定番GeForceシリーズは直近3世代、マニア向けのRadeonシリーズは直近2世代を取り上げます。 やかもち世界中どこを探してもWan2.2ベンチ比較が見つからないから、たぶん需要なさそう･･･なので「ゆるく」検証です。 （公開：2025/8/10 | 更新：2025/8/12） この記事の目次 Toggle 動画生成AI（Wan2.2）におすすめなグラボを検証 検証方法：動画の生成時間をテストする 実際に動画生成させる （指示内容：被写体のまわりを一周して） 動画生成AI（Wan2.2）に適したグラフィックボードをテストする方法はシンプルです。 実際に動画を作らせて、処理にかかった時間を記録します。短時間で動画を生成できればできるほ

アリババの動画生成モデル「Wan2.2 14B」i2vを使い、明日来子さん（この連載によく登場する作例キャラクター）に銃を構えさせた動画の一部（筆者作成） 7月28日に公開された中国・アリババの動画生成AIモデル「Wan2.2」がすさまじい性能を発揮しています。ローカルPC環境で利用できるオープンモデルとして公開されましたが、ヘタな商用AIクラウドサービスを超えていると感じさせるほど、高品質なAI動画が生成可能です。2月リリースの「Wan2.1」でも高い評価を得ていましたが、それを遥かに超えており、業界を席巻しそうな雰囲気を感じました。 ※記事配信先の設定によっては図版や動画等が正しく表示されないことがあります。その場合はASCII.jpをご覧ください 実写もアニメも高性能 Wan2.2の性能の高さは触れば触るほどわかってきます。カップ麺、箸、麺など、複数のオブジェクトが関わるため、画像や

AlibabaのAI開発チームであるQwenが画像生成AI「Qwen-Image」を2025年8月4日(月)に発表しました。Qwen-Imageは既存の画像生成AIが苦手とする「テキストの正確な描画」を得意としており、「複数行にわたる中国語の文章を含む画像」や「英語と中国語の両方を含む画像」を正確に描画できます。また、一般的な画像生成や画像編集も高品質であることがアピールされています。 Qwen-Image: Crafting with Native Text Rendering | Qwen https://qwenlm.github.io/blog/qwen-image/ Qwen-Imageは画像表現とテキスト表現に別々のウェイトを用いる「マルチモーダル拡散変換器(MMDiT)」と呼ばれる技術を基盤に開発された画像生成AIで、高いテキスト描画性能を備えていることを特徴としています。Q

画像生成AI「Stable Diffusion」のオリジナル開発陣が立ち上げたAI企業「Black Forest Labs」が、写真のようなリアルな画像をテキストから生成できる最先端のオープンウェイトモデル「FLUX.1 Krea [dev]」をリリースしました。 FLUX.1 Krea [dev]: An ‘Opinionated’ Text-to-Image Model https://bfl.ai/announcements/flux-1-krea-dev Flux.1 Krea Dev ComfyUI Workflow Tutorial - ComfyUI https://docs.comfy.org/tutorials/flux/flux1-krea-dev Black Forest LabsとKreaが共同開発した高度なテキスト画像生成モデルが「FLUX.1 Krea [dev

Morphic is transforming the future of storytelling using breakthrough technologies. Stories have the power to shape the world. Our mission is to fuel profound narratives with advanced machine learning, turning visions into cinematic realities.

Appleが独自の視覚言語モデル(VLM)となる「FastVLM」を発表しました。従来のVLMは精度が高くなると効率性が低下するという問題を抱えていたのですが、FastVLMは高い精度を保ちながら効率の面でも優れた性能を発揮しており、オンデバイスでのリアルタイムビジュアルクエリ処理に適したAIモデルになっているとのことです。 FastVLM: Efficient Vision Encoding for Vision Language Models - Apple Machine Learning Research https://machinelearning.apple.com/research/fast-vision-language-models GitHub - apple/ml-fastvlm: This repository contains the official impl

原著論文タイトル：Illustrious: an Open Advanced Illustration Model（2024年9月30日に発表） 著者：Onoma Research arXivリンク：https://arxiv.org/abs/2409.19946 ライセンス：本論文は Creative Commons Attribution 4.0 International (CC BY 4.0) ライセンスのもとで公開されています。 本翻訳も同ライセンスに準拠しており、著作者のクレジットを保持したうえで自由に再利用・再配布・改変が可能です。 Illustrious：オープンで高度なイラスト生成モデルサン・ヒョン・パク（Sang Hyun Park）、コ・ジュンヨン（Jun Young Koh）、イ・ジュンハ（Junha Lee）、ジョイ・ソン（Joy Song）、 キム・ドンハ（Do

独Black Forest Labs（BFL）が6月26日、画像生成AIモデル「FLUX.1 Kontext [dev]（フラックス.1 コンテキスト）」をオープンウェイトモデル（重み）として公開したことが話題になっています。今、画像生成AIの高性能モデルでは“一貫性ある画像”をいかに簡単に出力するかの競争が激しくなっていますが、FLUX.1 Kontextは今までの水準を大幅に上回っています。5月にAPIのみで使用できるクラウドバージョンが公開されていて、すでに高い評価を集めていました。ローカルPC環境でも使えるモデルを出すとアナウンスしてから約1ヵ月でのリリースです。その実力を探りました。 ※記事配信先の設定によっては図版や動画等が正しく表示されないことがあります。その場合はASCII.jpをご覧ください クラウドサービスなら1枚6円で試せる BFLは、「Stable Diffusio

画像生成AI市場でOpenAIのDALL-E 3が1年で約80%ものシェアを失う中、GPT-4oは1億3000万人以上が利用する人気機能へと急成長を遂げた。グーグルも2025年5月にImagen 4を発表し最大10倍高速化を予告するなど、競争は激化の一途を辿っている。この状況下でアップルが独自開発するのが「STARFlow」だ。正規化フローと自己回帰トランスフォーマーを組み合わせた革新的手法により既存プレイヤーとはまったく異なるアプローチを採用している。アップルの「ズルすぎる」戦略を解説しよう。 バークリー音大提携校で2年間ジャズ／音楽理論を学ぶ。その後、通訳・翻訳者を経て24歳で大学入学。学部では国際関係、修士では英大学院で経済・政治・哲学を専攻。国内コンサルティング会社、シンガポールの日系通信社を経てLivit参画。興味分野は、メディアテクノロジーの進化と社会変化。2014〜15年頃テ

半導体大手のAMDが、独自の画像生成AIである「Nitro-T」を発表しました。Nitro-Tは高効率な学習に重点を置いた、テキストから画像を生成することができるDiffusion Transformerモデル(DiTモデル)です。AMDは自社GPUであるInstinct MI300Xを32基使うことで、Nitro-Tをゼロからわずか1日未満でトレーニングすることができたとアピールしています。 Nitro-T: Training a Text-to-Image Diffusion Model from Scratch in 1 Day — ROCm Blogs https://rocm.blogs.amd.com/artificial-intelligence/nitro-t-diffusion/README.html AMDは2024年11月に、高速推論に重点を置いた拡散モデルのNitr

半導体大手のAMDが、独自の画像生成AIである「Nitro-T」を発表しました。Nitro-Tは高効率な学習に重点を置いた、テキストから画像を生成することができるDiffusion Transformerモデル(DiTモデル)です。AMDは自社GPUであるInstinct MI300Xを32基使うことで、Nitro-Tをゼロからわずか1日未満でトレーニングすることができたとアピールしています。 Nitro-T: Training a Text-to-Image Diffusion Model from Scratch in 1 Day - ROCm Blogs https://rocm.blogs.amd.com/artificial-intelligence/nitro-t-diffusion/README.html AMDは2024年11月に、高速推論に重点を置いた拡散モデルのNitr

米Googleは7月10日（現地時間）、「Gemini」アプリに、手持ちの写真から音声付きの8秒動画を生成する新機能を追加したと発表した。5月にリリースした動画生成モデル「Veo 3」で可能にした。 有料プランのAI UltraおよびProの加入者向けで、「一部地域」でロールアウトしていく（日本在住のProユーザーである筆者の環境でも利用できた）。 利用できるようになると、プロンプトバーの「動画」をクリック（タップ）して写真を追加した後、その写真をどのように動かしたいかをテキストで説明することで動画を生成できる。 完成した動画は720pで16：9のMP4ファイルとして共有できる。この動画には、AIで生成されたことを示す目に見える透かしと、SynthIDが含まれる。

社内のAI技術共有会で使用した資料です。 様々なドメインに特化したCLIPモデルについて紹介しました。 以下スライド中の参考文献のリンク [1] https://arxiv.org/abs/2302.00275 [2] https://arxiv.org/abs/2103.00020 […

2025年6月18日、画像生成AI「Midjourney」に待望の動画生成が可能なモデル「V1 Video Model」が追加された。これにより、生成済み画像をもとに最大21秒までの短い動画クリップをWeb上で簡単に作成できるようになったのだ。 AIによる動画生成そのものは、「Runway」や「Pika」をはじめとする先行サービスがすでに実現している。Midjourneyもこれまで、美しい静止画を出力するツールとして多くのユーザーに支持されてきたが、生成した画像をもとに動画を作る場合は、他のサービスに持ち込む必要があった。 今回追加されたV1 Video Modelにより、Midjourney内でそのまま動画が生成できるようになったことで、画像→動画の一連のプロセスがワンストップで完結するようになった。 高い審美性をそのままに、手軽に短尺の映像を作れるという意味では、既存の動画生成AIとは

「FLUX.1 Kontext [dev]」は自然言語で画像を編集可能な画像生成AIモデルで、2025年6月26日にリリースされました。このFLUX.1 Kontext [dev]にはNVIDIAと共同開発したNVIDIA製GPU最適化版が存在しており、基本モデルと比べてVRAM使用量を大幅に削減しつつ処理を高速化することに成功しています。 RTX AI Accelerates FLUX.1 Kontext | NVIDIA Blog https://blogs.nvidia.com/blog/rtx-ai-garage-flux-kontext-nim-tensorrt/ FLUX.1 Kontext [dev]はFLUX.1 Kontextシリーズのオープンウェイトモデル版として開発されたモデルで、画像の特徴を保ったままプロンプト通りの編集を施すことを得意としています。また、FLUX.