2026年6月30日にGoogle ResearchからリリースされたTabFMは、構造化された表形式データの処理に特化した基盤モデルです。数値列とカテゴリ列が混在する分類および回帰タスク向けに設計されており、企業および研究分野における表形式予測ワークフローに新たなパラダイムを提供します。TabFMは、表形式予測をコンテキスト学習問題として革新的に再構築します。これにより、従来の教師ありモデルにおける人間の介入への依存が排除され、単一の順伝播で予測結果が生成されるため、面倒な重みの微調整、ハイパーパラメータの探索、特徴量エンジニアリングの必要性が完全に排除されます。TabFMは独自のアーキテクチャのおかげで、調整を必要としないゼロサンプル構成で、強力な従来の教師ありベースラインモデルを大幅に上回り、データ処理効率を大幅に向上させています。

HyperAIのウェブサイトに「tabfm-1.0.0-pytorch: Zero-Shot Table-Based Model Benchmark」が掲載されましたので、ぜひお試しください！

オンラインでの使用:https://go.hyper.ai/acMZd

より詳しい情報については、弊社の公式ウェブサイトをご覧ください。

https://hyper.ai

hyper.aiの公式サイトにおける7月11日から7月17日までの更新内容の概要は以下のとおりです。

* 高品質な公開データセット：8件

* 厳選された高品質チュートリアル：7件

* コミュニティ記事分析：1件

* 人気のある百科事典のエントリ: 5

公式ウェブサイトにアクセスしてください:ハイパーアイ

公開データセットの選択

1. Nemotron-Personas-India インド人合成人物データセット

Nemotron-Personas-Indiaは、NVIDIAが公開したインド向けの合成キャラクターデータセットです。インドの実際の地理的および人口統計的分布を反映することで、合成データの多様性を向上させ、モデルのバイアスを軽減し、モデルの崩壊を防ぐことを目的としています。このデータセットには300万件のレコードが含まれており、各レコードには7つの仮想キャラクターロールが設定されています。合計で約2100万件のキャラクター記述と約77億個のトークンが含まれています。

* オンラインで利用する：https://go.hyper.ai/CBnWF

2. Nemotron-Personas-Korea 韓国人合成人間データセット

Nemotron-Personas-Koreaは、NVIDIAが公開した合成人間キャラクターのデータセットで、韓国の人口の多様性と特徴を包括的に反映するように設計されています。このデータセットには100万件のレコードが含まれており、各レコードには7体の仮想人間キャラクターが収録されています。合計で約700万件のキャラクター記述と約17億個のトークンがあり、そのうち10億個のトークンはキャラクターに関連するものです。データは韓国の17の広域自治区と252の市町村を網羅しており、209,167件の固有名が含まれています。

* オンラインで利用する：https://go.hyper.ai/FDU8d

3. Nemotron-Personas-Japan（日本語合成キャラクターデータセット）

Nemotron-Personas-Japanは、NVIDIAが公開した合成人間キャラクターのデータセットです。日本の人口の多様性と豊かさを紹介することを目的としており、主に主権型AIシステムの開発、大規模言語モデルのトレーニング、合成データのバイアス低減などに活用されています。このデータセットには100万件のレコードが含まれており、各レコードには6体の仮想人間キャラクターが収録され、合計で約600万件のキャラクター記述が含まれています。データは日本の47都道府県すべて、1,500以上の職業分類、95万件以上の固有名詞を網羅しています。

* オンラインで利用する：https://go.hyper.ai/5vLQd

4. Nemotron-Personas-Vietnam（ベトナム合成人物データセット）

Nemotron-Personas-Vietnamは、NVIDIAが公開した合成人間キャラクターのデータセットで、ベトナムの人口の多様性と特徴を包括的に反映するように設計されています。このデータセットには10万件のレコードが含まれており、各レコードには6人の仮想人間キャラクターが配置されています。合計で約60万件のキャラクター記述と約1億1800万トークンがあり、そのうち5200万トークンはキャラクターに関連するものです。このデータは、ベトナムの中央政府管轄下の6つの市と省を対象としており、約1万3000の固有名が含まれています。

* オンラインで利用する：https://go.hyper.ai/6BfkJ

5. Nemotron-Personas-Belgium（ベルギーの合成人間データセット）

Nemotron-Personas-Belgiumは、NVIDIAがPleiasおよびルーヴェン・カトリック大学と共同で公開した、ベルギーの合成キャラクターのデータセットです。ベルギー国民の多様性と特徴を包括的に反映することを目的としています。このデータセットには120万件のレコードが含まれており、各レコードには6人の仮想キャラクターが配置され、合計で約180万件のキャラクター記述が含まれています。ベルギーの581の自治体と3つの行政区を網羅し、約26万件の固有名詞が含まれています。オランダ語、フランス語、ドイツ語、英語の4言語で利用可能で、各言語バージョンには30万件のレコードが含まれています。

* オンラインで利用する：https://go.hyper.ai/tvwbu

6. Nemotron-Personas-Singapore合成人物データセット

Nemotron-Personas-Singaporeは、NVIDIAが公開した合成キャラクターのデータセットで、シンガポールの実際の人口、地理、性格特性を反映するように設計されています。このデータセットには148,000件のレコードが含まれており、各レコードには6つの仮想キャラクタープロファイルがあり、合計888,000件のキャラクター記述が含まれています。データはシンガポールの55の計画地区を網羅しており、約146,000の固有名が含まれています。

* オンラインで利用する：https://go.hyper.ai/wFJAn

7. Nemotron-Pretraining-Code-v3 プログラミングコード事前学習データセット

Nemotron-Pretraining-Code-v3は、NVIDIAが大規模言語モデルNemotron 3シリーズ向けに作成したコード事前学習データセットの1つであり、LLMのコード理解、生成、補完、および推論機能を強化するように設計されています。

* オンラインで利用する：https://go.hyper.ai/8IZbu

8. Nemotron-ペルソナ-エルサルバドル サルバドル合成人間データセット

Nemotron-Personas-El Salvadorは、NVIDIAが公開したエルサルバドル人の人物像を合成したデータセットです。このデータセットは、エルサルバドルの人口の多様性と特徴を包括的に反映することを目的としています。14万8000件のレコード、合計約100万件の人物像記述が含まれています。データはエルサルバドルの14の州と44の都市を網羅し、約14万4000件の固有名詞が含まれています。

* オンラインで利用する：https://go.hyper.ai/44dxL

選択された公開チュートリアル

1. tabfm-1.0.0-pytorch: ゼロショットテーブルベースベンチマーク

tabfm-1.0.0-pytorchは、Google Researchが2026年6月にGoogle Research Blogを通じて公開したTabFMのPyTorch版です。TabFMは、数値列とカテゴリ列が混在する構造化表形式データの分類と回帰に特化しています。トレーニング行をコンテキストの例として扱い、単一の順伝播で予測を生成するため、各データセットごとに重みの微調整、ハイパーパラメータの探索、または大規模な特徴量エンジニアリングを行う必要がありません。

オンラインで実行:https://go.hyper.ai/acMZd

2. ComfyUI × Wan 2.2 画像ベースのビデオワークフロー

Wan 2.2は、アリババのWan-AIチームがリリースしたオープンソースの動画生成基盤モデルです。革新的なエキスパート混合（MoE）アーキテクチャを採用し、画像から動画への変換（I2V）タスクにおいて静止画像を動画に変換することができ、動き制御とスタイルの保持において優れた性能を発揮します。

オンラインで実行:https://go.hyper.ai/UNbdm

3. Krea-2-Raw: 12B拡散トランスフォーマーテクスチャグラフモデル

Krea-2は、Krea.aiが2026年6月にリリースした大規模なテキストから画像への拡散モデルです。Krea-2-Rawは、このシリーズのベースとなる事前学習済みチェックポイント（約120億個のパラメータ）です。拡散トランスフォーマー（DiT）アーキテクチャに基づいており、自然言語による説明から高品質で多様な画像を生成できます。 

オンラインで実行:https://go.hyper.ai/NHNAD

4. VibeThinker-3B：パラメータが少なく、推論性能が高い検証可能な推論モデル。

2026年6月にWeiboAIチームによってリリースされたVibeThinker-3Bは、検証可能な推論タスクに特化した小パラメータ言語モデル（SLM）です。約30億個のパラメータを持ち、数学、コード、STEMなど、明示的な検証信号を伴う推論シナリオを主な対象としています。このモデルはQwen2ForCausalLMアーキテクチャを採用し、最大12万8千トークンのコンテキストをサポートします。VibeThinkerシリーズのスペクトルから信号への原理に基づくトレーニングパラダイムを継承し、カリキュラムベースの2段階SFT、マルチドメイン推論強化学習、オフライン自己蒸留、およびInstruct RLプロセスを通じて、推論能力を段階的に強化しています。

オンラインで実行:https://go.hyper.ai/aO6hb

5. ViiTorVoice-NAR：非自己回帰型音声クローニングおよびローカル編集システム

ViiTorVoice-NARモデルファイルは2026年6月にリリースされました。これは、音声クローン、局所的な音声編集、感情／パラ言語制御のための非自己回帰型音声生成システムです。このモデルは、従来の単語ごとの生成モードを廃止し、代わりに離散的なオーディオトークン空間内でマスクコードブックを完成させます。そのコアには、意味的特徴と音響的特徴を同時に保持する12層のDualCodec 25Hzコードブックが使用されており、話者の音色の保持、コンテンツの一貫性、および局所的なセグメントの再合成を正確に実現します。

オンラインで実行:https://go.hyper.ai/HoBLS

6. CamCloneMaster：参照ビデオに基づいたカメラモーションコントロールビデオ生成

CamCloneMasterモデルは、香港中文大学、浙江大学、Kuaishou Technologyのチームによって2025年6月にリリースされました。その主な機能と革新性には、明示的なカメラパラメータなしで参照ビデオから直接カメラの動きのパターンを学習できる参照カメラ制御、画像からビデオへの変換（I2V）とビデオからビデオへの変換（V2V）の両方の生成モードをサポートする統一フレームワーク、そして自己注意層のパラメータのみをトレーニングすれば済むWan2.1-T2V-1.3B適応に基づく効率的なトレーニング方法が含まれます。

オンラインで実行:https://go.hyper.ai/qehlc

7. ComfyUIワークフローユーザーガイド：既存の公式ワークフローをワンクリックで読み込み、実行する

ComfyUIは、画像や動画生成の分野で広く利用されている、オープンソースのノードベースのビジュアルワークフローフレームワークです。ユーザーは、モデルの読み込み、テキストのエンコード、サンプリング、デコードなどのモジュールをドラッグ＆ドロップで接続することで、完全な生成プロセスを構築でき、コードを記述することなく、さまざまな最先端の生成モデルを呼び出すことができます。

オンラインで実行:https://go.hyper.ai/7wesQ

コミュニティ記事の解釈

1. RNA構造予測がAlphaFold 3に匹敵！バージニア工科大学の研究チームが、進化情報に全く依存しないRNAbpFlowを提案。

バージニア工科大学の研究チームは最近、既存の生成アルゴリズムのいくつかの欠点を克服した、新しいRNA 3D構造予測モデル「RNAbpFlow」を提案した。このモデルは、複数の配列アライメントに依存したり、単一の静的な結果を出力したりするだけでなく、ヌクレオチド配列と塩基対情報のみに基づいて、原子構造の完全なセットを生成したり、全体的なフォールドトポロジーを正確に再構築したりするなど、動的かつ高精度なサンプリングを必要とするシナリオにも対応できる。

レポート全体を表示します。https://go.hyper.ai/Spbq5

人気のある百科事典の項目を厳選

1. 世界行動モデル（WAM）

2. 事前確率

3. マルチエージェントワークフロー CudaForge

4. 報酬の誤指定

5. 量子ニューラルネットワーク 量子ニューラルネットワーク

ここには何百もの AI 関連の用語がまとめられており、ここで「人工知能」を理解することができます。

https://go.hyper.ai/wiki

上記は、今週編集者が選択したすべてのコンテンツです。hyper.ai 公式 Web サイトに掲載したいリソースがある場合は、お気軽にメッセージを残すか、投稿してお知らせください。

また来週お会いしましょう！