WeLM-Image、統合画像基盤モデルを発表 理解・編集・生成を統一
huggingface.coは2026年11月5日(現地時間)、視覚的知能を目指す統合画像基盤モデル「WeLM-Image」を発表しました。このモデルは、テキストからの画像生成、指示に基づく画像編集、および複数参照からの合成といった機能にマルチモーダルな理解を統合しています。単一GPUでの展開と、WeChatの大規模コンシューマーアプリケーションでの利用を想定して設計されています。
Tag
5 件の関連記事
huggingface.coは2026年11月5日(現地時間)、視覚的知能を目指す統合画像基盤モデル「WeLM-Image」を発表しました。このモデルは、テキストからの画像生成、指示に基づく画像編集、および複数参照からの合成といった機能にマルチモーダルな理解を統合しています。単一GPUでの展開と、WeChatの大規模コンシューマーアプリケーションでの利用を想定して設計されています。
huggingface.coは2026年11月5日(現地時間)、論文「TailSteer: Trajectory-Tail Steering for Drift-Resistant Multi-turn Image Editing」を公開した。この論文は、多段画像編集で発生する累積的なドリフト(ずれ)を大幅に削減しつつ、基盤モデルが持つ本来の生成および編集能力を維持する新手法「TailSteer(テールステア)」を導入している。
build.nvidia.comは2026年10月20日(現地時間)、ブラック・フォレスト・ラボ (Black Forest Labs) が提供する複数のAIモデルをサイトに掲載していることを明らかにした。これには、最先端のオープンウェイト画像生成および編集モデルであるFLUX 3 イメージ・クライン (FLUX 3 Image Klein) が含まれる。同サイトでは、他にも複数のFLUXシリーズモデルが紹介されており、一部はエヌビディア (NVIDIA) NIM APIを介して利用可能であることが示されている。
研究チームは7月30日(現地時間)、生成型画像編集技術による画像修正から画像を保護する「VETO (ヴィートー)」に関する論文をarXiv cs.CVで公開した。VETOは、現代の画像編集モデルがソース画像を読み取る内部メカニズムを妨害する「subtle anti-edit cloak」として導入されている。研究チームは、既存ベンチマークでは評価が不十分だった広範な文脈シフトへの防御を測る評価ベンチマーク「VetoBench (ヴィートーベンチ)」も同時に発表した。
arXivは7月6日(現地時間)、複雑な画像作成と編集を支援する新たなマルチモーダルエージェント「CanvasAgent(キャンバスエージェント)」と、大規模なツール利用データセット「CanvasCraft(キャンバスクラフト)」に関する研究論文を発表した。本研究は、既存の画像生成技術が抱える単一モデルでの多様な視覚タスク対応の限界や、ツール利用エージェントにおける教師データ不足の課題を克服することを目指す。複数のビジュアルツールを連携させることで、画像合成やオブジェクトの局所化、領域分割、コンテンツ編集といった広範なプロセスを最適化する。