kun432🇯🇵

しがないフリーランスエンジニア。zennのscrapに生息。競馬好き。

[Ettore Di Giacinto @mudler_it]

NVIDIA just dropped Nemotron-3.5-ASR: one 0.6B model, 40+ languages, streaming.

parakeet.cpp already runs it. On a plain CPU, 2.5x faster than @NVIDIAAI 's Nemo runtime, output byte-for-byte identical (WER 0).

No GPU needed. Offline or real-time. Pick a language with --lang, or auto.

GPU numbers are coming to compare with Nemo framework.

[Google for Developers @googledevs]

The new @GoogleColab bridges the gap between local environments and the cloud, providing a zero-friction execution platform for developers and AI agents alike. The CLI Supports:

⚡️ Agent-driven Colab workflows
⚡️ Instant GPU/TPU provisioning
⚡️ Remote script execution
⚡️ Interactive runtime access (console/REPL)

Learn more in the blog: https://t.co/n8TOYStlrp

[Liquid AI @liquidai]

本日、日本語向けの新モデルを2つ公開しました🇯🇵
音声モデル：LFM2.5-Audio-1.5B-JP
言語モデル：LFM2.5-1.2B-JP-202606

LFM2.5-Audio-1.5B-JP は、Liquid AI 初の日本語音声モデルです。
日本語で話しかけると、日本語の音声で応答します。ASR・TTS を別々に組み合わせるのではなく、単一のモデルで完結するエンドツーエンドの音声モデルです。
> 日本語に対応した、このスケールでは初の汎用エンドツーエンド音声モデル
> 15億（1.5B）パラメータで、J-Moshi（約77億）を上回る性能
> Qwen2.5-Omni-3B（約55億）にも匹敵する性能
> 追加学習を想定したベースモデル

LFM2.5-1.2B-JP-202606 は、最新版の日本語言語モデルです。
前バージョン（LFM2.5-1.2B-JP）はすでに、JMMLU、M-IFEval、GSM8K において Qwen3-1.7B や Llama 3.2 1B を上回っていました。
今回のアップデートでは、日本語データミックスの改善と新しい中間・事後学習により、さらに広範な日本語ベンチマークで 最高性能を達成しています。

どちらのモデルも本日より利用できます。
モデル:
音声: https://t.co/okF9tWGB5l
言語: https://t.co/5F69Z7obPS
ドキュメント: https://t.co/DyoBE2zOJQ

[Liquid AI @liquidai]

Today we’re releasing two new models for Japanese: LFM2.5-Audio-1.5B-JP (audio) and LFM2.5-1.2B-JP-202606 (text).

🧵

[Liquid AI @liquidai]

Introducing LFM2.5-VL-1.6B-Extract and LFM2.5-VL-450M-Extract: Vision-language models that return structured JSON, not free-form text.

Pass in an image and a list of fields. Get back a clean JSON object.

> Two sizes: 1.6B parameters and 450M
> open-weight
> run on any device SoC

🧵

[BosonAI @boson_ai]

Higgs Audio v3 TTS is here.

Built for voice AI that speaks, not just reads:
• 100 languages with single-digit WER/CER
• inline control over emotion, style, prosody, and sound effects
• API, Workspace, and open weights
• Blog 👉 https://t.co/C8frDlfO5D

Watch the demo 👇

[OpenAI @OpenAI]

We’ve been researching new ways for ChatGPT memory to carry context across conversations and keep it useful over time.

Today, that work is rolling out as a more capable memory system in ChatGPT. https://t.co/0MyFKCe2Mu

[Piotr Żelasko @PiotrZelasko]

Second big release from us today: Nemotron-3.5-ASR-Streaming!
🌎40 languages
⚡️80ms - 1s controllable latency
🔥240 - 2400 concurrent streams on 1xH100
🧱FastConformer Cache-Aware RNN-T architecture

https://t.co/lxmcAnKeOl

[kwindla @kwindla]

https://t.co/9b5cQpa2lq

[kun432🇯🇵 @kun432]

https://t.co/7CLGreYDa4

[kun432🇯🇵 @kun432]

"speech-core — open-source C++17 runtime for on-device VAD + streaming STT + diarization + TTS"
https://t.co/sNiWpJD79D

[kun432🇯🇵 @kun432]

@gosrum @uzuki425 元モデルがどうやら全部更新されていて、UnslothのGGUFも2時間前に更新されているので、再ダウンロードしてみてはどうでしょうか？

手元で試してみた限りは、当初の日本語のおかしさは修正されているように思えます。

[kun432🇯🇵 @kun432]

UnslothのGGUFも2時間前に全部更新されてるように見える

[kun432🇯🇵 @kun432]

Gemma 4 12B、自分が試した時点以降で更新されてるように見える。軽く試してみた感じ、最初に試したときのような日本語のおかしさもなさそう。

[kun432🇯🇵 @kun432]

Gemma4 12B、日本語がなんか変・・・？

[kun432🇯🇵 @kun432]

Gemma4 12B、日本語がなんか変・・・？

[Ideogram @ideogram_ai]

Introducing Ideogram 4.0: the best open image model in the world.

Think it. Make it. Own it.

Download the weights, fine-tune on your own data, and run it on your hardware. Live on every Ideogram plan and the API today.

[kun432🇯🇵 @kun432]

RT @UnslothAI: Gemma 4 12B can now run locally on just 8GB RAM.

Google's new model, Gemma 4 12B Unified supports image, audio and 256K con…

[Google AI Developers @googleaidevs]

We’re launching Gemma 4 12B: Our unified, encoder-free model that brings powerful multimodal intelligence straight to your laptop 🚀

The model bridges the gap between our mobile E4B model and larger 26B MoE models, packaging frontier-class reasoning and native audio into a highly optimized footprint, all under a permissive Apache 2.0 license.

Here’s what makes it unique:

+ Encoder-Less Architecture: We removed the multimodal encoders. The vision and audio inputs flow directly into the LLM backbone.
+ Agentic Performance (16GB VRAM): Run complex, multi-step workflows locally, with performance nearing our 26B model.

[Microsoft AI @MicrosoftAI]

Seven new models launching at Build: let’s go!
Reasoning. Code. Image. Transcribe. Voice.

Built from scratch on a clean data lineage, designed for efficiency, working seamlessly as a family of models

Thread 🧵
#MSBuild

[ぱぷりか炒め @WMjjRpISUEt2QZZ]

cyberagentさんが公開しているCAT-Thinking-8Bのggufフォーマット変換版です
imatrixのデータはTFMC/imatrix-dataset-for-japanese-llmを使用して作成しました。
https://t.co/LSdh1Fx6KJ