SUPRA-Tex переносит видимые детали референса на меш и достраивает скрытые стороны объекта. Модель создаёт PBR-карты albedo, metallic и roughness, а также принимает дополнительные ракурсы или отредактированные изображения без переобучения. Её обучали только на открытых данных.
По приведённому сравнению, SUPRA-Tex точнее открытых Pixal3D и TRELLIS.2 и Hunyuan3D 2.1. Результат сопоставим с коммерческими Hunyuan3D 3.1 и Hi3D 3.0, хотя те немного лучше совпадают с референсом.
В PhysAg3D VLM-агент по фотографии определяет части объекта, возможные взаимодействия и физические свойства, а TRELLIS.2 параллельно создаёт текстурированный меш. Иерархическое представление связывает намерение, механизм и поверхность. Затем агент собирает части, joints и деформируемые зоны с помощью геометрии и симуляции, сохраняя готовые грани; рендеры и замеры помогают ему точечно исправлять ошибки в пределах бюджета.
Результат можно получить как GLB, Blender-файл или MuJoCo-сцену. Для работы нужны Blender, Codex CLI и Linux-хост с TRELLIS.2 и минимум 28 GB VRAM.
The Mac app Firstform lets illustrators circle parts of a hand-drawn character to request changes while preserving the original artwork. The workflow generates front, side, and back views and uses Tripo to create a 3D model that can be opened in Blender. Props can be created separately; a Windows version is in testing.
Dinovi сканирует объекты в гауссовы сплаты на iPhone. Последняя версия работает без LiDAR на iPhone 12 и новее, хотя LiDAR по-прежнему лучше и нужен для сканирования целых комнат. Приложение ориентировано на рынок аренды недвижимости и доступно через TestFlight.
Снимать можно в режиме 360 или свободно. Живое облако точек зеленеет, когда ракурсов достаточно, а две мини-карты показывают пройденный путь. Обучение сплата и расчёт меша идут на телефоне, без компьютера и облака. После обработки можно увидеть в 3D позиции снимков и вернуться к нужной точке; все данные экспортируются без ограничений. Белые и невзрачные стены тоже можно снять, если делать это аккуратно.
В открытом TestFlight доступно 12 обработок за 15 дней. В App Store будет 5 бесплатных обработок за 15 дней; подписка за 9,99 евро в месяц или 99,99 евро в год снимает лимит.
Бесплатная обвязка над Tencent Hunyuan3D 2.1 принимает одно изображение и выдаёт GLB-модель с PBR-текстурой. Она вырезает объект, достраивает форму, создаёт metallic-roughness карты, сваривает и очищает меш, ставит его на землю и приводит к unit size. Также выдаёт сжатую для веба версию с Draco и preview с шести сторон.
Инструмент можно вызывать из Claude, Cursor и VS Code через MCP. Без собственного GPU параметр --cloud отправляет задачу на серверы MCPBytes за кредиты. Для локального запуска нужны NVIDIA с памятью от 32 ГБ, CUDA 12.8 и около 19 ГБ под веса; создание модели занимает 3–6 минут. Одинаковые изображение и seed дают побайтово одинаковый файл.
ComfyUI-LATO2 оборачивает LATO.2 в node для ComfyUI и преобразует плотные меши, в том числе из TRELLIS.2 и Hunyuan3D, в low-poly. LATO.2 сам размещает вершины и предсказывает связность, а не просто сокращает число полигонов. Node пересобирает грани в замкнутую поверхность, удаляет невидимую внутреннюю оболочку TRELLIS.2 с помощью voxel flood fill и сохраняет положение и масштаб исходной модели.
Инструмент работает на Windows и Linux без компиляции. Для установки предусмотрена команда, не затрагивающая Python-окружение ComfyUI; в комплекте четыре примера workflow.
A Blender workflow uses the open-source StableGen add-on and Qwen Image 2.1 to generate and apply textures to a 3D street scene. It covers multiple camera angles, object-specific prompts and Masked Edits for adjusting selected texture regions.
Для MiniMax H3 Singularity V2 появился workflow с низким расходом VRAM для сцен с активным движением. Другой workflow предлагает исправлять размытые лица отдельным проходом Face Refiner с denoise 0,4, SelfLift и VEDA: на RTX 3060 генерация в 0,6 Мп за 8 шагов занимает около 30 минут, обработка лиц — ещё около 24 минут. ComfyUI-H3-RelayHires масштабирует аниме-видео с 0,5 до 2 Мп примерно в 4 раза быстрее нативного метода; первый проход занимает 20 шагов и обходится без turbo LoRA.
Для длинных роликов опубликован набор ComfyUI nodes, рассчитанный на генерацию видео длительностью 2–3 минуты за один запуск. H3 Continuity Studio позволяет собирать таймлайн из редактируемых клипов и работает с H3 Story для автоматического планирования. Seriesmith строит эпизоды по сценарию: 280–300 шотов, проверка результата и пометки для повторного рендера. Он поддерживает 12 локальных видеомоделей, 16 моделей изображений и 26 моделей через Router.
H3 Motion анимирует объекты по нарисованной траектории и изменению размера, в том числе внутри готового видео: для этого используются SAM 3.1, Qwen3-VL, Qwen Image 2.1 и MiniMax H3. В подборке также есть workflow предвизуализации в Blender, 25 бесплатных workflow для работы с видео в ComfyUI и способ последовательного улучшения ролика до 2K. Для Open-H3-Regenerate-2K предложены два варианта обработки — Keep the Draft и NVIDIA’s Recipe — с настройкой графика шума для сохранения лиц и текста при сопоставимых вычислительных затратах.
L3G-World генерирует мир из одного изображения и поддерживает последовательную генерацию видео длительностью до минуты с сохранением сцены при повторных визитах камеры. Его адаптивная 3D-память L3G-Mem растёт вместе с исследованной областью, а не с длиной видео. Гауссовы примитивы хранят VAE-латенты и отображаются прямо в latent-пространство DiT, без промежуточного RGB-рендеринга.
Система добавляет примитивы для новых областей и уточняет старые при возвращении камеры. Помимо одного изображения, она может начинать с нескольких ракурсов или якорных кадров в заданных позах; предусмотрена и онлайн-реконструкция видеопотока. На A100 память обновляется со скоростью 47 FPS, генерация мира идёт со скоростью 9 FPS. По данным авторов, L3G-Mem использует до 38,6 раза меньше примитивов и читает память в 359 раз быстрее самого экономичного сравниваемого метода с 3D-памятью. Авторы также заявляют SOTA по качеству и долгосрочной согласованности сцены.
WorldCast генерирует видео по одному референсу персонажа, траектории камеры и 1–4 дополнительным видам с разных ракурсов. Среди поддерживаемых движений камеры — орбита на 360°, наклон, лемниската, push-pull и зум. Для согласования ракурсов модель использует 3D-облако точек и многовидовую память персонажа GAMA.
По заявленным сравнениям, WorldCast превосходит CamI2V, GEN3C, Uni3C, Lyra 2.0, ViewCrafter, RecamMaster, DepthDirector и CameraAnything по точности движения камеры и консистентности персонажа. Визуальное качество — конкурентное, но не лучшее. Основа модели — Wan2.1-I2V-14B; требуется около 48 ГБ VRAM.
Mago Studio помогает собирать AI-сериалы и короткие фильмы: workflow ведёт от сценария к готовым кадрам и сохраняет постоянство персонажей. Студия интегрируется с ComfyUI, использует открытые модели MiniMax H3, Qwen и FLUX. В пайплайн можно добавить собственные съёмки; поддерживаются преобразования видео, изображений и сценария в фильм. Код открыт для адаптации.
WaveForcing от SJTU DENG Lab выдаёт по одному чанку видео за параллельный forward-раунд. В causal wavefront новые шумные чанки читают более ранние чистые; стадии денойзинга параллельно выполняются на отдельных репликах модели. После заполнения конвейера, включая store-проход, система работает в режиме 1F1C.
Рантайм WaveRT скрывает передачу K/V за вычислениями и конвейеризует VAE-декодинг. Обучение состоит из трёх стадий: mixed-noise денойзинг, motion-супервизия и causal-адаптация на собственной сгенерированной истории.
FrameForge использует LoRA поверх HunyuanVideo-1.5 и трактует условие и результат как кадры виртуального видео. Роутер MoTE выбирает temporal RoPE-эксперта с интервалом 17, 69 или 121 кадр, а латент CoTR связывает условие с результатом через промежуточное состояние. Один checkpoint решает три задачи: генерацию по референсу объекта, Canny→изображение и редактирование по инструкции. Размер входа и выхода — 512×512.
Среди сравниваемых методов FrameForge показала лучший общий результат на DreamBench и первое место по SSIM на COCO, хотя у ControlNet ниже FID. На GEdit-Bench она лидирует среди открытых моделей для редактирования, особенно в задачах с движением и пространственными правками; закрытые GPT-4o и Gemini 2.5 впереди.
IV Studio is a Windows desktop app for making short films with open-source tools and models. A six-step wizard takes users from an idea to a finished film; a staging board supports scene direction and camera placement, and built-in editing tools let users adjust footage and enhance shots.
It uses Qwen3-VL through Ollama to generate prompts from reference images and supports multiple AI voices and character training.
WeVisCut принимает сценарий и собирает длинное видео. Одна 9B-политика на базе Qwen3.5 сама выбирает следующий шаг: планирование кадров, TTS, поиск футажа, музыку или склейку — без жёстко заданных стадий. Агент пересматривает рендеры и исправляет то, что не прошло проверки качества.
В Studio есть интерактивный таймлайн: кадры можно править после монтажа или через чат, а повторно рендерятся только изменённые части. WeVisCut обходит Claude Opus 5, Gemini 3.1 Pro, Qwen3.5-397B, VideoAgent и Crayotter, но немного уступает Opus 5 по визуальному разнообразию. При этом расходует в разы меньше токенов, чем большие модели. Лицензия — Apache-2.0, требуется около 24 ГБ VRAM.
Reshoot 4D converts video of one person into a 4D scene, with quick and detailed capture modes. Its virtual camera editor supports keyframes, previews and a ReDirector feature for reshooting along a new camera path. A photoreal pass uses the original footage as reference.
Camera settings can be changed at each keyframe, and animated cameras can be imported as .fbx, .abc or .usd files; Blender exports have been tested. Shot controls include focus, aperture, distortion and chromatic aberration. The Finish Node supports output up to 60 fps, motion blur and audio retention. A browser demo is available.
IllusionFX — программа для композитинга, которую композер написал в свободное время. В ней есть node-граф и таймлайн со слоями для монтажа, тримминга и анимации кейфреймами или выражениями. Пайплайн работает на GPU с 32-битным float; поддерживаются OpenColorIO и многоканальные EXR.
Встроенные ИИ-инструменты для рото и трекинга работают локально, без загрузки материала. Среди GPU-эффектов — merge, keyer, зерно, blur, glow, цветокоррекция и искажения; для собственных эффектов есть SDK. Доступны версии для Windows, macOS и Linux. В планах — редактор графа и 3D-композитинг, предложения собирают в Discord.
PrunaAI’s P-H3-Image has open weights and ComfyUI integration. It generates or edits images 5× faster, taking 2.6 seconds for a 4 MP image, and is 7× smaller than its predecessor. It supports 2–16 MP output and editing with up to 8 input images.
The model targets photorealism, editorial photography, and graphic styles with short text. Its changes include the prompt upsampler, text encoder, diffusion schedule, transformer, and decoder.
LayerShop v0.17.0 Preview 1 adds region-based generation with support for MOSS Image, Flux 3 Klein, Ideogram 4, and FIBO 2 Dev. It is available to download from LayerShop.
A searchable MOSS-Image catalogue offers 314 styles with prompts. New releases include an isometric miniature style, a double-exposure style, a detailer that adds detail without changing style, a Male Flat-Top Hair concept LoRA, and an IDM-2-Steps turbo LoRA. Character LoRA training tips are also available.
Workflow tools include a ComfyUI sampler with adjustable settings and a manga-panel prompt builder for layouts, dialogue and scenes. Other releases include a LoRA for historic handwriting trained on archival papers, an un-GPT LoRA for defined line work and less gloss, and MossInt4 for running MOSS-Image in a browser with WebGPU.
snapref-v1a is an open-source reference-based generation model aimed at improving character consistency in AI-generated content. Its development includes contributions from multiple authors.
Video Diffusion Avatars создаёт аватар из одного изображения, в том числе нарисованного персонажа. Камерой можно вести вокруг головы по любой траектории вплоть до полного облёта; мимика, включая движения языка и рта, и поза верхней части тела управляются отдельно. Тени, отражения и преломления появляются без явного рендера.
Модель дообучена на WAN-Animate-14B. Чтобы мимика не смещалась вместе с камерой, обучение учитывает её зависимость от ракурса и использует кадры одного момента с трёх камер. Ускоренная версия сохраняет согласованность на протяжении 3000 кадров и выдаёт почти 5 fps при разрешении 288 × 512.
Сбер открыл веса Kandinsky S2V: модель анимирует человека на одной фотографии под готовую запись голоса. Она создаёт артикуляцию, мимику, наклоны головы и жесты — не только движения лица. Сам звук модель не генерирует.
Версия Pro на 21B выдаёт HD-видео, Lite на 2B — SD и рассчитана на домашнюю видеокарту. Генерация идёт 5-секундными чанками с памятью FramePack; используется 16 шагов pi-Flow-дистилляции. Модель обучали на более чем миллионе видеофрагментов на 95 языках.
Код и веса доступны по MIT, коммерческое использование разрешено. Pro не помещается целиком даже в 80 ГБ VRAM: нужен CPU-offload, пиковое потребление — около 50 ГБ.
HairDeck создаёт стилизованные hair cards и цепи пружинных костей по одной картинке. Set-DiT генерирует всё множество карточек, представляя каждую одним токеном; второй диффузионный трансформер создаёт цепи костей. Карточки привязываются к ним геометрическим скиннингом.
На выходе — GLB с UV для каждой карточки и готовый к экспорту VRM-аватар. Примерить волосы с физикой можно в браузере через VRMHairMaker. В системе используются SAM 3, DINOv3 и BiRefNet; генерация волос для VTuber-модели или игры занимает секунду.
Rollback — исследование AgiBot Research об обучении робота на альтернативных действиях. Система возвращается к сохранённым состояниям модели мира из реальных и симулированных попыток и пробует другие action chunks. MCTS направляет вычисления на решения, где выбор действия меняет итог; ветки из одного состояния дают метки для отдельных действий без обучения value-модели.
Робот собирает данные во время тренировки, GE-Sim 2.0 дообучается, а поиск проходит в точном симуляторе. Плохие исходы система ищет откатом в симуляторе, без реальных провалов.
EasyComfee V2 adds a side-menu interface, LTX keyframes on a timeline, 14 one-click VFX options, and an advanced mode for 3D-render-to-video work with Blender Bridge. It supports LTX-Video 2B, Wan 2.2, HunyuanVideo 1.5 and Kandinsky 5 for smaller GPUs. Models are grouped by task with one-click installs and update checks; safe mode is on by default, with Stop and Power buttons. Its GitHub repository includes all 39 ComfyUI workflows.
Settings for generating 15-second videos use a video model alongside the Veda Sparse Attention node for ComfyUI, with a focus on video and audio quality.
SwarmUI Layout Editor creates Moss-Image layouts for comics, reference sheets and posters. It supports multiple characters and text, keyboard shortcuts, and either new layouts or edits to existing JSON prompts. Boxes resize automatically to match image resolution.
Geiru Context Suite adds a switch that activates three nodes intended to maintain video quality across long MiniMax H3 clip chains. Geiru Keystone locks a clean source frame into every shot, Geiru Late Lock attaches a clean frame later in processing, and Geiru Context Noise adds noise to held frames to reduce drift. Context noise is also available for Hybrid Windows. The suite includes a noisy_clown_example workflow and builds on ComfyUI-H3-Motion-Context-MultiRef.
The revised SPEED nodes are a drop-in replacement for default sampler nodes, designed to speed up sampling without retraining. They have been tested with H3, MOSS, Krea 2, FIBO 2 and Flux 3. The repository includes benchmarks, tooltips and example workflows for H3, MOSS and Krea 2.
The Krea-2 PoseControl LoRA is available as checkpoints on Hugging Face. A training guide covers data preparation, training and evaluation, and includes a ComfyUI workflow for testing the model.
GLOW-FM сжимает изображение замороженным Tiny-VAE и переводит латент к нормальной экспозиции с помощью HDiT за одну оценку. Для обучения используется Terminal Velocity Matching — впервые для восстановления изображений. Модель доступна в трёх размерах: младшая версия требует 34 GFLOPs, содержит 9,1 млн параметров и обрабатывает 1024×1024 за 53,8 мс.
На наборах MEF, VV, NPE, LIME и DICM у GLOW-FM ниже NIQE, чем у сравниваемых методов.
Pinokio Remote provides a central portal for accessing and managing local AI applications from other devices. It uses Tailscale for remote access, described as requiring no account or special setup.
grinpress v3 is an image model trained from scratch with character-level text conditioning. It generates newsprint-style faces with 7 expressions, choices of color, paper style and layout, and text up to 14 characters long.
Training was distilled from 50 steps to 2- and 4-step versions. An ONNX export uses dynamic INT8 quantization; reported inference times on an Intel Xeon VM are approximately 0.27 seconds at 2 steps and 0.54 seconds at 4 steps. The weights are MIT-licensed, and a live demo is available.
Phosphene is an open-source tool for video, image, and music projects on Apple silicon. It uses MiniMax H3 for video and YuE2 for music, and integrates ChatGPT Images for still images.
Magic Studios is an agent-first tool for creating multi-directional sprite animations from 2D images and short movies from images and scripts, shot by shot. It also supports camera flights between location images, plus screenplay and audio editing.
It is free to use, runs on users’ NVIDIA GPUs, and offers an MCP and API for local coding agents such as Claude Code and Codex.
Autopilot от команды Aura запускает игру, изучает код и выполняет тесты по промпту. Плагин работает с UE5, Unity 6 и Godot 4 на Windows и macOS. Агент может исследовать игровые системы, искать баги в уровне, проверять фичи и выполнять цели — например, убить босса, сохранив здоровье выше 20%.
LLM-агент пишет обвязку для модели принятия решений; опыт предыдущих прогонов помогает ему быстрее уклоняться, лучше выбирать оружие и точнее целиться. По итогам формируется отчёт, а PIE-окно закрывается автоматически. Есть MCP-сервер для запуска через Claude Code или Codex со своей подпиской. Плагин открыт, но сам агент работает в облаке: нужен аккаунт Aura или собственные API-ключи.
The Crestbound developer describes a year-long Godot workflow using Claude Code and Codex for coding and asset generation. The game uses a data-driven architecture and JSON schemas to manage abilities and characters. The developer also discusses how model updates affected asset consistency.
Infinite Language Generator is a work-in-progress tool for creating consistent languages for game environments, including voiced lines and animated glyphs. It aims to fill a gap in language and audio tooling for AI game development.
A developer building a 2.5D cyberpunk side-scroller uses Opus 5.5 for 3D geometry and gameplay code, and ChatGPT to generate building facade art. The workflow shows an iterative rebuild of the street environment to improve its aesthetics and realism.
A tower defense developer starts with a scripted blockout of roads and structures, then uses Nano Banana to repaint it against style references and a building catalog. Custom scripts handle palette reduction, asset layering, and shadow baking. The workflow also covers adding characters and towers and using automated bot playtesting to balance levels.
TEM is a scalable contrastive energy-based model whose authors claim better generalization, out-of-distribution detection, and test-time scaling than existing methods, including diffusion models.
AMBIT превращает текстовое описание в звуковую сцену: составляет ScenePlan с источниками звука, временем их появления, азимутом, расстоянием и траекториями. Сцену можно править командами вроде «перенеси голос вперёд» или «убери шаги», не меняя остальное.
Генерация и редактирование работают на одном Transfusion-бэкбоне. Выходной формат — четырёхканальный First-Order Ambisonics с частотой 44,1 кГц; для редактирования используется референс длиной до ~15 секунд. Проект построен на stable-audio-tools от Stability AI, чекпоинты пока ожидаются.
Musio Studio предлагает тысячи записанных инструментов, включая оркестры, хоры и солистов; среди библиотек — CineStrings, записанная на MGM Scoring Stage. Это не ИИ-приложение в целом, но оно принимает команды в чате. Артикуляции legato, spiccato и pizzicato переключаются кликом, динамику и экспрессию можно рисовать под нотами, а играть — с компьютерной клавиатуры без MIDI-контроллера.
Приложение поддерживает видео на таймлайне с timecode, hit-маркерами, streamer и punch, мастеринг под целевую громкость площадок, в том числе −14 LUFS для стриминга, и импорт MIDI или аудио с назначением звуков Musio партиям. Доступно до 512 треков с использованием всех ядер компьютера.
Есть отдельное приложение для Mac, Windows и Linux, а также плагины AU/VST3/AAX. Бесплатная версия с аккаунтом включает 21 звук; Complete стоит $15 в месяц.
ComfyUI_YuE2 переносит официальный пайплайн YuE2 в ComfyUI: стили, текст песни, ABC-планирование, семантические токены, синтез и декодинг доступны одной node или по этапам. Заявлено сильное превосходство над официальными моделями и нодами. Отдельный проект Auto-Vocal PRO v2 добавляет вокал к инструменталу: переносит мелодию из ABC-партитуры на заданные слова, различает куплет, припев и соло и не поёт во время инструментальных проигрышей.
В YuE2-ComfyUI v0.15.0 добавили выбор checkpoint для fine-tune, включая RS-FW, отдельные выходы текста, seed, стиля и шагов в Generation Info и метроном в редакторе партитуры. Также вышли NAR LoRA для евро-диско и итало-диско 80-х и пара адаптеров для demoscene-чиптюна: 8- и 16-битных звуков, трекерных square/pulse/triangle, FM- и wavetable-арпеджио и чип-барабанов.
DeepSeek опубликовала исследовательский прототип агента для DeepSeek Harness. Он получает задачи из событий GitHub и, при подключении, из Feishu, принимает запросы от авторизованных участников, выделяет под каждую задачу отдельную сессию и каталог, работает с кодом и открывает PR. Ответ приходит в то же обсуждение, а веб-панель показывает вопросы, требующие участия человека.
Агент действует по запросу или по заранее заданным командой правилам и обращается к людям, когда нужно их решение или готов результат. Опубликованный код адаптирован для публикации, отличается от внутренней версии и реализует не все описанные идеи.
ffmpeg-skill даёт агенту 42 инструмента для монтажа через FFmpeg: нарезку, склейку с переходами, удаление тишины и пауз, субтитры и karaoke, вертикальный кроп, HDR→SDR, LUT, обработку звука, мультикам и экспорт под разные площадки. Перед монтажом инструмент измеряет параметры файла, а после проверяет результат и создаёт контактный лист. Субтитры можно размещать в безопасной зоне шаблонов TikTok, Reels и Shorts.
Устанавливается через `npx ffmpeg-skill`. Работает локально, без облака и API-ключей; нужны FFmpeg и Python. Агент может сам собрать цепочку действий по запросу вроде «убери паузы, добавь субтитры, сделай вертикаль» и отчитаться о результате.
NVIDIA построила модель на Gemma 4 E4B и дообучила с подкреплением для выполнения инструкций, многошаговых вызовов инструментов и диалогов. У неё 8B параметров, из них 4B активных, контекст 64K и поддержка 35 языков. В 4-битном формате она занимает около 4 ГБ памяти и рассчитана на RTX, Jetson и мини-ПК Spark.
Рассуждения можно включать и выключать, а их длину — сокращать ради скорости. Модели-черновики DFlash дают до 21% прироста. На RTX 5070 первый токен появляется за 548 мс, затем модель выдаёт 133 токена в секунду; на Jetson Orin Nano — за 5,8 с и 15,5 токена в секунду. Поддерживаются llama.cpp, Ollama, LM Studio, vLLM и SGLang.
Заявлен прирост на 40% относительно Nemotron 3 Nano 4B при экономии до 80% токенов. Модель превосходит исходную Gemma почти во всех сравнениях, но уступает Qwen3.5 4B в работе с инструментами и длинным контекстом.
Автор эксперимента обнаружил, что изменение двух нейронов локальной Qwen3.5-4B — L14 N8949 на +1 и L13 N7956 на −1 — делает ответы грубыми и агрессивными. Поправка применяется к down_proj при каждом запросе; её величина рассчитывается как доза × median(‖resid‖ на выходе слоя L, токены 1:) / ‖W_down[:, n]‖.
Автор также приводит настройки для сарказма (+L15N3920), подхалимства (−L12N2920 или −L16N8168), соболезнований в ответ на хорошие новости (+L10N6295) и спокойного дружелюбного тона (L11N6261 на +0,4 и L17N7870 на −0,4).
Youtu-Parsing-Omni — модель Tencent на 5B параметров, которая преобразует документы, изображения, графики, чертежи, аудио и видео в структурированный JSON. Для документов она выдаёт текст, формулы, таблицы, координаты блоков и порядок чтения; для графиков и блок-схем — Markdown и Mermaid. Также разбирает геометрию чертежей, речь с таймкодами и спикерами, звуковые события, действия в видео и движение камеры.
У модели один энкодер для всех модальностей и единая схема вывода. Заявлены 96,96 на OmniDocBench — первое место — и 75,08 на OmniParsingBench — лучший результат среди открытых моделей после Gemini-3-Pro. Есть плагин для vLLM.
Авторы исследуют, как модели, обученные на разных данных, приходят к сходным представлениям об устройстве мира. По их объяснению, обучение на двух взглядах на одну сцену помогает модели усвоить расположение объектов и связи между ними; у LLM, обучаемых на фрагментах текста, такая связь проявляется лишь при больших размерах модели и объёмах данных.
Авторы делают вывод о важности качества данных: по их утверждению, небольшая модель на хороших данных может обойти гораздо более крупную на плохих. Они также показывают, что после выравнивания пространств представлений два отдельных энкодера могут подписывать фотографии без обучения на парах «фото — подпись». В демо можно загрузить своё фото или видео и получить подпись.
qwenGPU добавляет перед 24 исходными слоями Qwen3.5-2B ещё 45 трансформерных слоёв с виртуальным SIMT-GPU. Модель пошагово исполняет скомпилированный в NVIDIA PTX CUDA-код, выводя этапы вычисления токенами. Регистрами и глобальной памятью служат состояния слоёв Gated DeltaNet; при обычной генерации текста дополнительные слои отключаются. По утверждению авторов, распределение текстовых токенов меняется минимально.
У виртуального GPU 4 SIMT-ядра, по 15 регистров на ядро, четырёхстадийный конвейер и 126 ячеек глобальной памяти. Поддерживаются арифметика, циклы, ветвления, atomicAdd, __syncthreads() и обмен данными между потоками. В режиме normal Qwen записывает выражение, а хост запускает готовые CUDA-ядра; в advanced модель пишет CUDA-код сама. За работой планировщика, регистров и памяти можно следить в терминальном TUI.
Авторы заявляют 100% точность вычислений в bf16 на тестовых бенчмарках. Запуск ядра занимает от десятков до нескольких сотен выходных токенов; на Apple Silicon через MPS в bf16 скорость составляет около 10–15 токенов в секунду. Advanced-режим на модели 2B пока ошибается в сложных матричных задачах, поэтому разработчики рекомендуют normal для гарантированного результата. Автор обзора называет проект пока ресурсоёмким калькулятором.
Windows-GPU-UNLOCK describes a method for unlocking GeForce FP16/BF16 tensor throughput on Windows, including an RTX 3090 guide. It includes steps to suspend BitLocker for booting and matrix-multiplication benchmarks after the unlock.
AMD Token Factory даёт бесплатный доступ к моделям на серверах AMD через API, совместимый с OpenAI и Anthropic. Среди доступных моделей — DeepSeek-V4-Flash с контекстом до миллиона токенов и Qwen3.8-Flash. Ключ выдаётся в консоли после входа; дневной лимит обновляется каждые сутки. Сервис можно подключить к Claude Code или использовать без собственной видеокарты.
A roundup of 28 open-source AI models and tools released in October 2026 spans LLMs, image, video, audio and multimodal applications. Examples include Ornith-1.5-122B, Raon-1-mini-preview, the Hearim Gateway decision-routing tool and a DeepSeek-v4.1-Flash GGUF for Apple Silicon.
NextWishlist tracks game performance and wishlists against comparable games in a niche, then offers tailored advice. Its creator also analyzed AI disclosure across genres at Next Fest.
Poehali.dev предлагает описать идею по-русски, чтобы ИИ собрал сайт или веб-приложение: дизайн, логику, базу данных и SEO. Правки можно запрашивать в чате. Сервис рекламируют как доступный без VPN и разработчика; для бесплатной пробы указан промокод NAUT.
Автор рекомендует канал Никиты Рвачева, который работает с ИИ в лаборатории компании из Fortune 100, пишет код и собирает агентов. В канале он разбирает релизы с цифрами и ценами, показывает вайбкодинг задач сложнее скрипта и обсуждает, как новые инструменты меняют работу.
