文章からマンガを生成する東大開発の国産AI「MangaFlow」、軽量0.9Bで巨大モデル超える精度のオープンソース文書解析AI「PaddleOCR-VL-1.6」など生成AI技術5つを解説（生成AIウィークリー） | テクノエッジ TechnoEdge
この記事で分かること
東京大学開発の国産AI「MangaFlow」が文章からマンガを生成する技術や、軽量モデルで高精度な文書解析AI「PaddleOCR-VL-1.6」など、最新の生成AI技術5つを解説している。各技術の特徴や性能比較から、自分の用途に合ったツール選びの判断材料が得られる。
詳細要約
この1週間に発表された5つの生成AI技術のうち、実用性が高いのは、ノートPCで動作するGoogleのマルチモーダルAI「Gemma 4 12B」と、軽量ながら高精度な文書解析AI「PaddleOCR-VL-1.6」である。前者はローカル環境で手軽にマルチモーダル処理を試せる点が強みで、後者はオープンソースで提供され、文書解析の精度を巨大モデル並みに保ちながら軽量な点が実務で役立つ。また、NVIDIAの「Cosmos 3」はロボットや自動運転向けに、言語・画像・動画・音声・行動の5モダリティを単一アーキテクチャで統合処理できる世界モデルであり、従来別々だったモデルを統合した点が特徴である。