まとめサイトの記事や機械翻訳ではなく、一次情報だけを追っています。興味のあるトピックだけ選んで読めます。
トピック: transformers解除
Hugging Faceは公式ブログで、音声AIがどれだけ人間らしく聞こえるかを測定する新しい取り組み『Real World VoiceEQ』を発表しました。タイトルからは音声合成・音声対話AIの品質評価に関する新しい枠組みであることがうかがえますが、本記事執筆時点では詳細な本文内容が提供されていないため、具体的な評価手法や指標の詳細は不明です。
Hugging FaceのTransformersライブラリがv5.14.0を公開しました。Thinking Machines発の大規模MoEモデル「Inkling」やTIPSv2/DPTモデルが追加されたほか、GPTNeoXとGPTBigCodeの挙動を変更する破壊的変更、生成・キャッシュまわりの性能改善が盛り込まれています。
Hugging FaceがNVIDIAとの協業により、NeMo AutomodelとDiffusersライブラリを組み合わせて動画・画像生成モデルを大規模にファインチューニングする取り組みを発表しました。詳細な技術仕様は原文に記載がないため、ここでは発表の概要のみをお伝えします。
Liquid AIがHugging Face Blogで発表した記事によると、新モデル「LFM2.5-DSpark」は推論処理において従来モデル比で最大3.2倍の高速化を達成したとのことです。ただし本記事執筆時点では、具体的な仕組みやベンチマーク条件などの詳細情報は公開されていません。
Hugging Face上で「TrueSET/verified-code-repair」というコード修復データセットが公開されました。すべての正誤判定をLLMではなく実際のコード実行で行っているのが特徴で、Qwen2.5-7B-Instructを微調整したところ、最も難しい2ファイル横断バグの修正率が17.1%から40.0%へ統計的に有意に向上したと報告されています。評価スクリプトも同梱されており、GPU1台・約15分・1ドル未満で誰でも同じ結果を再現できます。
BilibiliのIndexTeamが、1つの参照音声だけで声質を再現できるゼロショット音声合成モデル「IndexTTS-2.5」をHugging Faceで公開しました。対応言語を5言語に拡大し、感情制御や話速調整、発音制御などの機能を強化しています。
Hugging FaceのブログにMultiverse Computingが投稿した記事「Making Knowledge Distillation Cheap Enough to Run at Scale」を紹介します。知識蒸留のコストを下げ、大規模に運用できるようにする取り組みがテーマとされていますが、今回参照した原文には本文の詳細な記述が含まれていなかったため、具体的な手法や数値には触れず、記事のテーマと背景のみを整理します。
Hugging FaceのTransformersライブラリがv5.15.0を公開しました。Metaのエージェント向けマルチモーダルモデル「Muse Glimmer」など新モデルが追加された一方、線形アテンションのカーネル選択やキャッシュAPI、T5系の実装に関わる破壊的変更も含まれています。今後kernelsパッケージが必須依存になる可能性も示唆されています。
Liquid AIがHugging Face Blogにて、自社の言語モデル「LFM2.5」について、Quantization-Aware Distillation(QAD)という手法を用いて生成した4bit(Q4_0)形式のチェックポイントを公開したと発表しました。低ビット量子化と蒸留を組み合わせることで、性能を保ちながら軽量化したモデルを提供する狙いがあります。
研究者Sidharth GN氏が、テキストキャプションから10.24秒の音声を生成する約1.6億パラメータのLatent Diffusion Transformer「QaDiT」をHugging Faceで公開しました。学習コストはわずか18ドルで、AudioCapsデータセットを用いて2万4千ステップ学習されています。音声合成の研究用途向けに、再現可能な小規模ベースラインとして提供されています。
本記事の元となるHugging Face公式ブログ記事「Multi-Vector (Late Interaction) Embedding Models with Sentence Transformers」の本文が提供されなかったため、事実に基づいた記事を作成できませんでした。原文の内容確認後、改めて記事化が必要です。
LiquidAIがHugging Face Blogで、エッジデバイス向けの視覚言語モデル「LFM2.5-VL-3B」を発表しました。名称が示す通り約30億パラメータ規模のモデルで、従来モデルより高速かつ高性能な画像理解を目指しています。詳細な技術情報は原文本文が確認できていないため、現時点で公開されている範囲にとどめて紹介します。
AlibabaのQwenチームが、オープンモデルとして初めて「Qwen-Maxクラス」の性能を実現した新モデル「Qwen3.8-2.4T-A95B」をHugging Faceで公開しました。総パラメータ2.4兆・活性化95BのMoE構成で、コーディングや長時間の自律エージェントタスクに強みを持ちます。vLLMやSGLangなど既存の推論基盤にもそのまま対応しています。
MiniMaxAIがHugging Face上で音楽生成モデル「MiniMax Music 3」を公開しました。歌詞と詳細な音楽記述から、イントロからアウトロまで構成が破綻しない最長5分の完全な楽曲を32kHzステレオWAVで生成できます。SGLang-Omniやdiffusersでの推論に対応し、8GBのVRAMでも動作可能です。
開発者Owen Songが独自に開発・資金提供したテキスト読み上げモデル「Inflect-Micro-v2」がHugging Faceで公開されました。パラメータ数は9,356,513、FP32重みで37.53MBという軽量さながら、24kHzモノラル音声を生成できます。より小型の姉妹モデルInflect-Nano-v2と共通APIを持ち、CPU/CUDA双方でのローカル推論やONNX Runtime版も用意されています。
開発者Nymboが、390万・930万パラメータという極小サイズの英語向けオープンウェイトTTSモデル「Inflect-v2」を公開しました。CPU上でリアルタイムを大きく上回る速度で音声合成でき、既存の軽量TTSと同等の品質を実現しているとして、コミュニティから驚きの声が上がっています。ライセンスはApache 2.0で、モデルとデモが公開されています。
vLLMのv0.26.0がリリースされ、212人のコントリビューターによる411件のコミットが取り込まれました。新モデルファミリー「Inkling」の追加、DeepSeek-V4向けの推論カーネル最適化、KVキャッシュオフロード機能の成熟化に加え、pickleデシリアライズの脆弱性排除などセキュリティ修正も行われています。
MiniMaxがHugging Faceにて、omni-modal生成モデル「MiniMax-H3」の重みを公開しました。テキスト・画像・動画・音声を統合的に理解し、最大2K解像度・15秒のステレオ音声付き動画を生成できます。SGLangやvLLM、diffusersなどでのローカル推論に対応し、APIやWebアプリからも利用可能です。
Microsoft Research AI Frontiersが、Webブラウザを画面キャプチャだけで操作するマルチモーダルAIエージェント「Fara1.5-27B」をHugging Faceで公開しました。Qwen3.5-27Bをベースにファインチューニングされ、フォーム入力や予約、買い物などのタスクをスクリーンショットの観察とクリック・入力といったツール呼び出しだけで完遂します。個人情報入力や決済など不可逆な操作の前には必ずユーザー確認を挟む安全設計も特徴です。
LiquidAIがHugging Face Blogを通じて、CPU環境での長文脈(long-context)推論を高速に行うことを目的とした新しいエンコーダモデル群「LFM2.5-Encoders」を公開しました。GPUに依存しない推論環境での活用を意識したモデルである点が特徴です。