タグ: AIのオープンソースプロジェクト 15ページ

包括的な紹介 Unslothは、大規模言語モデル（LLM）の微調整と学習のための効率的なツールを提供するために設計されたオープンソースプロジェクトです。このプロジェクトは、Llama、Mistral、Phi、Gemmaなどの有名なモデルを幅広くサポートしています。Unslothの主な特徴は、メモリ使用量を大幅に削減し、学習を高速化できることです。

包括的な紹介 MaxKB (Max Knowledge Base) は、大規模言語モデルとRAG (Retrieval Augmented Generation) に基づいたオープンソースの知識ベースQ&Aシステムです。このシステムは、インテリジェントな顧客サービス、企業内の知識ベース、学術研究、教育、およびその他のシナリオで広く使用されています。

包括的な紹介 OmniThinkは、人間の認知プロセスの反復的な拡張と反映を模倣することによって、高品質の長文記事を生成するように設計された革新的なマシンライティングフレームワークです。このフレームワークは、知識の境界を広げ、豊かで深い情報を生成することに重点を置いています。OmniThinkは、アウトラインと...

概論 OpenAI Realtime Agentsは、OpenAIのリアルタイムAPIを使用して、マルチインテリジェントボディスピーチアプリケーションを構築する方法を示すことを目的としたオープンソースプロジェクトです。OpenAI Swarmから借用した）ハイレベルなインテリジェントボディモデルを提供することで、開発者は複雑なマルチインテリジェントボディスピーチシステムを短時間で構築することができます...

概要 DeepFaceは、顔認識と顔属性分析（年齢、性別、感情、民族を含む）のための軽量なPythonライブラリです。VGG-Face、FaceNet、OpenFace、DeepFace、DeepID、ArcFace、Dlib、SFace...などの先進的な顔認識モデルを統合しています。

概要 SynthLightは拡散モデルに基づいたポートレートリライティングツールです。合成顔画像の再レンダリングを学習し、実際のポートレート写真の照明効果を調整します。このツールは物理的なレンダリングエンジンを使用して、異なる照明条件下での照明変換をシミュレートするデータセットを生成します。

概論 1-2-1-MNVTON は GitHub ベースのオープンソース・プロジェクトで、"Modality-specific Normalization for Virtual Try-On" (MNVTON) 技術により効率的な仮想トライオンを実現することを目的としています。このプロジェクトは、従来のバーチャル・トライオン技術における高い計算コストの問題を、...

包括的な紹介 Zeroxは、ビジュアルモデルを通してPDF、DOCX、画像やその他のドキュメントをMarkdown形式に変換するために設計されたオープンソースプロジェクトです。このプロジェクトはgetomni-aiチームによって開発され、シンプルで効率的なOCR（光学式文字認識）ソリューションを提供します。ZeroxはNodeとPythonプログラミング言語をサポートし、...

概要 Charlaはエンドポイントベースのチャットアプリケーションで、ネイティブ言語モデルとの対話ができるように設計されています。このアプリケーションはOllamaバックエンドと統合され、コンテキストを考慮した対話をサポートし、チャットセッションをMarkdownファイルとして保存します。ユーザーは簡単なコマンドライン操作で起動し、有効にすることができます...

包括的な紹介 MiniRAGは非常にシンプルな検索拡張生成（RAG）フレームワークであり、異種グラフインデックスと軽量トポロジー拡張検索により、小さなモデルでも優れたRAG性能を実現することを目的としている。香港大学データサイエンス研究所（HKUDS）によって開発され、スモール・ランゲージ・モデル（SLM...

包括的な紹介 Omni-RGPTは、画像や動画の領域レベルでの理解を可能にするために設計されたマルチモーダルな大規模言語モデルである。トークン・マーク（Token Mark）技術を導入することで、Omni-RGPTは、視覚特徴空間内のターゲット領域をハイライトし、これらのトークンを領域キュー（ボックスやマスクなど）を介して直接埋め込むことができる。

総合紹介 ベーリング（Bailing）は、音声を通じてユーザーと自然な会話をするために設計されたオープンソースの音声対話アシスタントです。このプロジェクトは、音声認識(ASR)、音声活動検出(VAD)、大規模言語モデリング(LLM)、音声合成(TTS)技術を組み合わせて、GPT-4oのような音声...

概要 ウィキチャットはスタンフォード大学で開発された実験的なチャットボットで、ウィキペディアからデータを取得することで、大規模な言語モデルの事実性を改善することを目的としています。大規模な言語モデル（ChatGPTやGPT-4など）は、最新の情報や人気のないトピックを扱うときにエラーを起こす傾向があります。

一般的な紹介 OpenAI Edge TTSは、OpenAIと互換性のあるネイティブの音声合成（TTS）APIを提供するオープンソースプロジェクトです。このプロジェクトは、Microsoft Edgeのオンライン音声合成サービスを使用して、ユーザーが高品質の音声出力を生成できるようにします。

概要 AIEvoは、Ant Groupのオープンソースマルチエージェントフレームワークで、マルチエージェントアプリケーションを効率的に作成するために設計されています。AIEvoは、SOPタスクグラフに厳密に従うことで、複雑なタスクの実行成功率を向上させ、 フィードバックと監視メカニズムにより、高い柔軟性とスケーラビリティを保証します。

概要 PPTAgentは、ドキュメントからプレゼンテーションを自動生成する革新的なシステムです。このシステムは、コンテンツの品質と視覚的なインパクトを確保するための2段階のプロセスを使用して、プレゼンテーションを作成する人間のアプローチを採用しています。さらに、PPTAgentは、文書からプレゼンテーションを生成するための包括的な評価フレームワークであるPPTEvalを導入しています。

概論 FlowiseAIは、カスタムLLM（大規模言語モデル）アプリケーションやAIエージェントの開発を支援するために設計された、オープンソースのローコードツールです。ドラッグ＆ドロップのシンプルなインターフェースで、ユーザーはLLMアプリケーションを素早く作成し、繰り返し実行することができます。

はじめに RealtimeSTT は効率的で低レイテンシーのリアルタイム音声テキスト変換ライブラリです。Kolja Beigelによって開発され、高速で正確な音声テキスト変換を必要とするアプリケーションをサポートします。音声アシスタントをする場合でも、音声をテキストに変換する必要がある場合でも、...