SeMo3D объединяет создание 3D-объектов, локальное редактирование и достройку. При правке меняется только выделенная область: остальная геометрия не пересчитывается и сохраняется по построению. Модель одновременно принимает изображение, текст и облако точек; может служить инструментом агента с правками словами и выводом в GLB или PLY.
Парные данные для правок и достройки не нужны: при обучении обычный 3D-ассет случайно делят на изменяемую область и контекст. Изменение размера области позволяет одной процедурой покрыть и локальную правку, и полную генерацию. По заявлению авторов, SeMo3D обходит прежние методы во всех задачах на трех бенчмарках. Код и веса пока ожидаются.
Tripo Agentic Canvas — рабочее пространство в Tripo Studio, где агент планирует 3D-продакшен от идеи до экспорта и связывает шаги в граф. Есть создание персонажа с автоматическим риггом скелета под UE и отдельный workflow для 3D-печати с проверкой геометрии и исправлением сетки, без ретопологии.
Собранные цепочки можно сохранять как шаблоны и применять к новым проектам и сериям ассетов.
Google обновила Gemini Omni 1.2 Flash: цена снизилась на 30%, а длительность ролика можно задавать от 3 до 15 секунд с шагом в секунду. Генерация в 720p стоит 7 центов за секунду — чуть больше доллара за 15 секунд. Основная работа идет с дешевым черновиком в 360p или 720p, затем доступен финальный апскейл до 1080p и 4K. Правки можно вносить диалогом, не перегенерируя весь клип.
Модель принимает референсы в виде изображений, видео до трех секунд и аудио. Сохраняет лица, одежду, упаковку и цвета бренда при смене ракурсов. Улучшены синхронизация губ, диалоги нескольких персонажей и плавность камеры.
Gemini Omni 1.2 Flash доступна в Gemini API и AI Studio, работает в Flow и Google Vids.
Vimoo 1.0 поддерживает text-to-video и image-to-video, включая дистиллированные версии. В облегченной линейке Vimoo 1.0-Lite одна модель примерно на 9,5 млрд параметров решает обе задачи; доступны веса для ComfyUI и дистиллированный LoRA-адаптер под Apache 2.0. Основные модели содержат около 11,7 млрд параметров и используют общие энкодеры и VAE.
Текстовый энкодер построен на Qwen2.5-VL, отдельный энкодер глифов отвечает за текст в кадре, надписи и упаковку, а для изображений используется SigLIP. Для ComfyUI нужны версия 0.34 или новее и PyTorch 2.9 под CUDA 13; сборка рассчитана на NVIDIA и по умолчанию использует обычное внимание без дополнительных пакетов.
Есть workflow и шаблоны в ComfyUI-Vimoo, примеры для Diffusers, отдельная сборка под Apple Silicon и API. По опыту автора, инвайт на официальном сайте приходит на почту сразу и действует 3 дня.
This ComfyUI workflow uses RefMods with MiniMax H3 to create reusable character and voice references for consistent video generation, with support for a 6 GB VRAM setup. A full video walkthrough covers the setup using ComfyUI-MiniMaxH3Mod, ComfyUI-PlagueKind-Nodes, and ComfyUI-KJNodes.
TurboH3 FL2VA is an open-source model intended to improve diffusion processes, available on Hugging Face for experimentation and use in AI projects. Performance comparisons are pending.
Fuobe is an open-source creative studio under the MIT License that brings multiple creative tasks into one platform, including image generation with Ideogram 4 and video generation with H3. Development incorporates user feedback and suggestions.
The author offers a workaround for LTX 2.5 template issues by using the older LTX 2.3 workflow configuration with LTX 2.5. They identify issues with the gemma4-12b-with-proj-ltx-2.5 text encoder and suggest alternative setups for better performance.
ComfyUI VFX Suite processes footage entirely offline, automatically extracting masks, depth, pose, and camera tracks. It supports 3D scene blocking and keyframe design with FLUX.3 Klein, with customizable workflows and API integration for chaining processes into a single pipeline.
A built-in AI Director accepts plain-language instructions to guide and execute workflows. The suite supports compositing, relighting, refinement, and export to Nuke, and is optimized for local GPUs with up to 24 GB VRAM.
Reshoot 4D строит 4D-захват ролика с человеком и показывает тот же момент с новой траектории камеры. Захват включает движение человека в 3D, окружающий фон, положение и движение исходной камеры. В ComfyUI доступны быстрый режим превью и полный 4D-сплат, редактор камеры в node, ключи в любой точке таймлайна, импорт и экспорт камеры в fbx, abc и usd. Результат хорошо держится в пределах 30–40 градусов от исходного ракурса.
Финальный ролик получает 24–60 кадров в секунду через RIFE, моушенблюр, апскейл до 4K и исходный звук. Настройки объектива применяются после рендера, поэтому изменение фокуса занимает минуты и не требует повторного запуска всего пайплайна.
Viggle Remake на базе MiniMax H3 позволяет заменить человека или одежду, добавить и убрать предметы, изменить погоду, свет, стиль или всю сцену, сохранив исходные движение, камеру и звук. Инструмент рассчитан на целые фильмы, а не только короткие клипы; самый длинный опубликованный прогон — двухминутный ролик.
MCP-сервер позволяет поручать монтаж агенту обычной фразой, например «переодень группу в политиков». Агент сам разбивает видео на окна, рисует ключевые кадры, пишет промпты, рендерит, проверяет результат и склеивает видео. Есть приложение для автоматического редактирования, ноды и workflow для ComfyUI, а также пример проекта для воспроизведения.
LoRA и сэмплер из репозитория весят 5,5 ГБ. Доступны файлы int8 и GGUF для работы в том числе на картах с 12 ГБ VRAM, а также облегчённые LoRA рангов 128 и 64 почти без потери качества. Модель сложнее предшественника: ей нужны хорошо составленный промпт и от одного до четырёх нарисованных опорных кадров.
VidDub перерисовывает губы под новую речь, сохраняя исходные лицо, позу, фон и одежду. При обучении на замененной речи восстановление рта специально отключают: модель учится синхронизации и сохранению остального кадра, не запоминая исходную связь рта со звуком. Затем большого учителя сжимают в студента за два шага, чтобы вернуть резкость.
Модель обрабатывает фрагменты до минуты и рассматривает окно из 81 кадра целиком, а не покадрово. Скорость — около 11 кадров в секунду на одной H200. По синхронизации на HDTF VidDub обходит Wav2Lip, Diff2Lip и LatentSync; на собственном бенчмарке VidDub-Bench у модели тоже лучший результат.
TaoMate-FVSR восстанавливает детали лица и согласует артикуляцию с речью, сохраняя сцену. Модель возвращает в фокус мелкие лица, снятые издалека, и дорисовывает кожу, зубы и губы по референсу внешности. Обработанное лицо вставляется обратно в кадр: тело и фон не апскейлятся.
На вход нужны исходное видео, референс внешности и целевой звук. Можно сохранить исходную дорожку или заменить её: во втором случае губы перерисовываются под новый голос. Структура кадра сохраняется, поэтому поза и ракурс не меняются. Внешность и движение разделены, чтобы модель не переносила историю кадров; восстановление работает одинаково с исходным и заменённым звуком.
The Minimax H3 node supports high-resolution video-to-video workflows on Nvidia RTX TI hardware with 12GB VRAM, splitting video into spatial tiles and temporal windows for better animation transfer. It includes documentation and can also be used for second-stage upscaling to enhance video quality.
This character-swap workflow uses MiniMax H3's first-and-last-frame mode (FL2VA) in ComfyUI, with ChatGPT identifying suitable scenes for alteration. H3's audio guide keeps the original episode audio in sync with the generated content.
Prompts combine concise character descriptions with choreography directions from Claude. The workflow uses minimal post-processing and a clip-quality rating system, with most clips receiving high ratings.
LoopStudio is a local web app for creating seamless looping GIFs with MiniMax H3 in ComfyUI. It uses the ComfyUI MiniMax H3 Loop nodes, with a demo video showing the workflow.
X2 Detail VAE получил версию int8_ConvRot: рендер быстрее, но качество чуть ниже bf16. VAE декодирует тот же H3-латент в вдвое большее число пикселей, не требуя от модели дополнительной генерации; Detailed-режим — отдельный эксперимент. LoRA LineartAnime раскрашивает лайнарт через H3 и DiffSynth-Studio, а General Motion Continuity Repair V2 чинит сломанные кадры действия. H3 Recast за один проход заменяет до трёх человек в клипе, сохраняя движение, сцену и звук.
Среди workflow: H3UpperOutpaint расширяет видео вверх под мобильные экраны с текстом или UI над роликом; MotionBridge переводит движение из видео в 3D-файл SOMA-77 с последующей чисткой и ретаргетом на любой гуманоидный риг. Stage превращает движение кинематографических камер вокруг 3D-манекена в гайд-видео и текстовый промпт для H3. Komikku делает из видео базовый комикс-лист с правками через node-интерфейс. Picky генерирует десять дублей для выбора лучшего и требует карту с 24 ГБ VRAM. Transparent Video генерирует видео с альфа-каналом для After Effects за один проход в одной node, без двухпроходной схемы.
Есть workflow для автоматического turnaround персонажа из одного фото и single-frame edit для смены позы в разрешении 2 Мп+ без триггера. OpenPose-референсы работают с H3 Edit для смены позы при правильном промпте; промптингу H3 также посвящён 35-минутный разбор. Continuity Studio добавляет ноды для непрерывности H3. SPEED стал прямой заменой KSampler для изображений, редактирования и видео без переобучения: ранний шумный этап диффузии идёт в низком разрешении. Проверен на H3, MOSS и Krea 2, также работает с FIBO 2 и Flux 3.
AuroraIMG2-100M is an open-source model with significantly improved performance over its preview version and GenEval 2 scores competitive with SDXL. Released under Apache 2.0, it includes training and architecture explanations in its model card and a diffusers-compatible quick-start guide.
OpenAI представила Images 2.6: скорость генерации выросла вдвое, появились GIF-анимации и референсы. GIF собирается из спрайт-листа с последовательными кадрами, которые стыкуются в петлю. Референсы сохраняют внешность персонажа, товара и детали бренда между правками. Область изменения можно указать разметкой изображения прямо в промпте; результат — экспортировать в SVG для сайта, приложения и печати.
Параметр сложности позволяет выбрать низкий уровень для быстрых правок или высокий для сцен с множеством элементов. В API доступны две модели: Flare для скорости — до шести секунд на картинку — и Sunburst для качества и согласованности. Flare лучше сохраняет вёрстку постеров и продуктовой съёмки. Images 2.6 доступна во всех тарифах ChatGPT, в Codex и через API.
ChatRL Labs выпустила Qwen-Image-2.1 Uncensored Omni без цензурных фильтров. Автор называет его самым сильным на сегодня checkpoint на базе Qwen-Image-2.1, но отмечает плохие результаты на изображениях общей тематики и ожидает прироста качества в NSFW.
LoRA с rank 128 обучена примерно на 1 млн изображений и влита в базовый трансформер с силой 1.0. Одни веса поддерживают генерацию по тексту и редактирование по описанию; упор сделан на позы и сложные композиции. Доступны девять форматов: BF16, Q8_0, Q6_K, Q5_K_M, Q4_K_M, Q4_0, FP8, INT8 ConvRot и NVFP4.
Idol Turbo доступна на Hugging Face и работает за 5 шагов вместо 50 у базовой Idol. По наблюдениям автора, картинка местами мягче, на 4 шагах цвета уходят в теплоту, а насыщенные объекты иногда бледнеют; базовую Idol он по-прежнему считает эталоном качества, но для черновиков и быстрых прогонов отмечает большую разницу в скорости.
Krea2-Turbo-Distill-3step-LoRA — третий адаптер линейки, между 4- и 2-шаговым, с большей детализацией, чем у обоих. Это обычный LoRA rank 64 для стандартного Euler с поддержкой diffusers, ComfyUI и MLX. Он также добавляет детали на Krea 2 Raw с CFG 3.5, но этот режим не поддерживается; проект ещё в работе. Обновлённый RawSnap имитирует смартфонную фотографию с живой текстурой кожи, вспышкой, зерном и неровной композицией. Wall Street Journal Style даёт соответствующий стиль иллюстраций, а PoseControl LoRA — контроль позы.
Для ComfyUI доступны генератор промптов на текстовом энкодере и связка Krea2 Turbo + Z-Image Turbo против пластиковой кожи. Workflow от @stefanfalkok объединяет t2i, инпейнт и редактирование с пятью референсами, апскейлом, ADetailer и SeedVR2. Отдельный Krea 2 Identity Edit предназначен для редактирования идентичности и включает LoRA для этой задачи.
Официальный плагин Krea для After Effects создаёт моушн-дизайн по изображениям и промпту, кадрирует видео под нужный формат и сортирует слои в композиции. Агента также можно попросить послойно воссоздать референс в проекте и добавить анимацию на секвенцию.
BluePixel построен на FLUX.2-klein-9B с агентной обвязкой и редактирует изображения по инструкции в нативном 4K на входе и выходе, без каскадного апскейла. Агент разбивает запрос на операции, подключает инструменты и конкретизирует расплывчатые просьбы, в том числе с помощью фактов из сети. Каждый вариант проверяет собственная модель оценки; при необходимости агент повторяет попытку в пределах лимита. Среди узких навыков — изменение причёсок, выражений лица, поз и эффектов.
После дистилляции модель работает за 4 шага вместо 50. Оценка сохранности нетронутых областей — 9,06, выше только у GPT Image 2. В ImgEdit-Bench BluePixel занимает первое место в категориях Hybrid и Action и делит первое место в Add.
This MiniMax H3 workflow combines identity-aware inpainting, upscaling to 4K and prompting techniques to edit images while preserving character identity. Examples include image edits, object removal using Flux and a character turnaround.
NitroFusion2 генерирует изображения за 1–2 шага на базе Z-Image-Turbo. Состязательную функцию потерь перенесли с пикселей или латента на текстовый поток MMDiT: давление через текстовые токены помогает лучше сохранять типографику. За 1 шаг модель выдает резкий текст и мелкие детали, 2 шага дают более высокое качество.
Доступны LoRA, которая возвращает модель к базовой Z-Image-Turbo и убирает артефакты, готовые workflow для ComfyUI на один и два шага, а также веса в GGUF размером от 2 до 7,2 ГБ.
TailSteer борется с накоплением ошибок при последовательных правках изображения, когда фон, свет и детали постепенно уходят от оригинала. Метод сохраняет раннюю часть траектории генерации с выученными моделью приорами и меняет только её хвост, где финализируются мелкие детали. Точку начала управления можно настроить, оставив для переделки лишь последние несколько процентов шагов.
В переходной зоне смешиваются скорости базовой модели и модели сохранения. Градиенты считаются только по предсказанию модели, без вмешательства в развёртку траектории.
Метод подключён к FLUX.1 Kontext dev, FLUX.2 [klein] Base 9B, Qwen-Image-2.1 и SenseNova-U1.5-8B-MoT. Открыты код и модель; попробовать многошаговое редактирование можно в приложении Endless Edit with TailSteer.
Booru Prompt Gallery is a free, open-source tool that converts image tags from six booru sites into structured prompts for AI image generators, with character search and redundant-tag merging. It supports plain tags and natural language descriptions, random background and outfit options, and batch prompt generation for LoRA testing; no account is required.
This MiniMax H3 workflow isolates a character’s clothes for outfit swaps by making the subject invisible and leaving floating clothing. The author recommends additional passes to enhance textures on realistic images.
ExMR восстанавливает движение по одному видео, уделяя отдельное внимание ошибкам пальцев и ориентации стоп. Сначала базовая модель оценивает движение всего тела, затем два модуля уточняют остаточные повороты: для кистей — локти, запястья и пальцы, для стоп — колени и голеностоп. Кисти уточняются по изображению, а не по ненадежным точкам пальцев.
Результат экспортируется в BVH и FBX для Unity и Unreal, открывается в Blender. Есть ретаргетинг на человекоподобных роботов.
BELLINI ANIMATION FARM is an open-source tool in development for directing character animations in natural language. Personality descriptions shape posture, walking style, gestures and body language, with animation suggestions based on personality and game dialogue files.
Visual controls allow manual adjustments to poses, movement, timing and body language. It supports seated characters talking and interacting with furniture, and automatically renders 8-direction sprite atlases for Godot. Rendering a 96-frame walking animation takes approximately 14 seconds on standard hardware.
RGB MoCap — приложение для Windows, которое создает редактируемую анимацию человека по видео. На выбор доступны три движка: ExMR, FlowHMR и GVHMR. Контакты стоп и ладоней можно править вручную по кадрам, меняя их тайминги, чтобы убрать скольжение по полу и зависание стоп.
Есть ретаргет на Mixamo FBX, VRM и PMX, экспорт в FBX и BVH с вариантами для Blender и 3ds Max Biped, а также экспорт движения PMX в VMD для MMD. Можно сохранить готовый проект Blender с анимацией, видео и камерами.
Поддерживается многокамерный захват; живой предпросмотр с вебкамеры через PEAR пока экспериментальный. Для работы нужны Blender и FFmpeg. Приложением можно пользоваться обычным способом или через Codex с помощью встроенного агента.
P-H3-Image — дистиллированная версия MiniMax H3 с текстовым энкодером на 4B. Pruna AI переработала энкодер, расписание и декодер, сохранив качество при меньшем весе. Модель генерирует изображения и редактирует их по одному или сразу восьми входным изображениям, где остальные служат референсами. Встроенное усиление промпта разворачивает одну строку в подробный запрос. Среди сильных сторон — фотореализм, редакционная и документальная съёмка, кинокадры и графика с коротким текстом.
Модель работает за 8 шагов без негативного промпта. Разрешение — до 8 MP при генерации, 4 или 8 MP при правках. В bf16 требуется около 100 ГБ памяти и H200 или B200; для локальной работы в ComfyUI доступны int8 и 4-битные файлы, которые помещаются в 21 ГБ.
Поддержка P-H3-Image вошла в ComfyUI v0.44.0. В обновлении также появились nodes для редактирования видео с MiniMax H3 Max, Pruna P-Video Upscale, Topaz Wonder 4 и других моделей MiniMax, сохранение видео в ProRes и Text Generate V2 для генерации текста.
CreatorOS Studio turns local ComfyUI into a creator studio with open weights and tools for photo restoration, character creation, and video. It restores and upscales old footage to 1080p using SeedVR2 7B and integrates FLUX 3 Klein as its photo engine.
The UI supports character creation with face generation and voice integration, plus one-click reels with synchronized voice-overs. It also includes 36 one-click styles and tools such as Expand and Depth Map.
ComfyUI-Agent interacts with the ComfyUI canvas to build and edit workflows through natural language, run and debug generations, validate workflows, fix issues, and inspect previous generations. It supports local LLMs through Ollama and LM Studio, as well as multiple API providers.
Features include Plan Mode, Fast Mode, transactional edits with Undo, Markdown tables, attachments, references, and Skills.
ComfyUI ND UI Builder turns complex workflows into control panels with user-defined node tags, live previews during sampling, and UI components including tabs, spoilers, groups, and themes. Its interface supports English, Russian, and Chinese, and step-by-step tutorials are available.
A color-preservation workflow combines Imagineer’s LoRA with custom post-CLIP adjustments. It includes suggested settings for different use cases and draws on AI Toolkit’s Minimax H3 antiburn extension and Geiru Context Suite.
ComfyUI-Anagrama создает изображения, которые меняют сюжет при повороте или отражении. На каждом шаге модель делает два предсказания — по исходному и преобразованному латенту, затем отменяет преобразование и смешивает результаты. Поддерживаются отражения по вертикали и горизонтали, повороты на 180 и 90 градусов; для 90 градусов нужен квадратный кадр.
Вторая нода позволяет задать вес второго вида и усилить его влияние на ранних шагах с последующим затуханием, если один сюжет перетягивает изображение на себя. Автор использует Krea2 Turbo или Raw с turbo-LoRA: 1024×1024, 8 шагов, CFG 1, Euler. По его наблюдениям, выравнивание дисперсии ничего не меняет, кросс-негативы требуют настоящего CFG и бесполезны на turbo, а усреднение двух декодов размывает картинку.
Автор советует сочетать похожие по форме объекты: дым и волосы, деревья и бороду. Жесткую форму лица — ставить в пару с более свободным сюжетом, например пейзажем, и сохранять единый стиль.
This tutorial covers empty latent images, image size settings, aspect ratios and batch sizes, including why larger images are not always better and how aspect ratio and batch size affect generation. It includes practice workflows and a completed workflow showing all tasks and answers.
H3 ActionGraft v1 combines elements of Singularity v2 and Motion Repair V2 to improve action in Singularity v1.3 without additional training, increasing action speed while maintaining visual fidelity. The release includes creation scripts, recreation and usage instructions, and a video comparison with Singularity v1.3.
Fizgig 9.0.4 adds Fibo 2.0 support for LoRAs, edit LoRAs, sliders and full fine-tunes on a 12 GB card. Z-Image Base trains as its own model with previews on Turbo, while SAM 3.1 creates masks from named objects.
Other additions include detail crops that train style LoRA images at their crop scale, transparent PNG training for Qwen Image 2.1, and Prodigy, Muon and Automagic v4 optimizers. Captioning now covers styles, objects and concepts beyond people.
RelayVSR — открытая модель апскейла видео, в которой тяжелая сеть создает опорные латенты только для редких ключевых кадров, а легкая обрабатывает остальные. Ключевые кадры задают детали, промежуточные используют их вместе с недавним контекстом. Ошибка в общем опорном кадре распространяется на весь ролик, поэтому авторы добавили обучение с подкреплением с двумя наградами: за итоговое видео после легкой сети и за качество самих опорных кадров.
Модель обрабатывает длинные ролики потоком, без разбивки на куски, и работает как с реальным, так и со сгенерированным видео. Есть режим с опорой на первый кадр и режим с опорой на оба конца с ограниченным заглядыванием вперед.
По приведенным замерам, на одной A100 при 1080p RelayVSR выдает около 29 кадров в секунду, занимает 13,8 ГБ памяти и показывает первый кадр с задержкой 0,33 секунды. Для сравнения, FlashVSR-Tiny на том же оборудовании дает 7,8 кадра в секунду при 24,4 ГБ памяти и задержке 2,8 секунды.
A latent upscaling workflow uses the linearquadratic scheduler and the Linear Quadratic Advanced node from res4lyf to reduce noise while preserving detail. It achieves significant detail preservation at a low denoise setting of 0.2 in the Krea 2 Turbo renderer.
Flow-WLS research compares multistep samplers for INT8 and flow-based image generation, showing that sampler choice significantly affects image quality. It introduces flow_ab2, flow_ab3 and flow_ab4, with custom node installation instructions.
The comparisons cover Euler, DPM++ 2M, AB-2, AB-3 and WLS-8, including LPIPS metrics at 8, 12 and 16 steps. Code, visual comparison grids and results across different models are available.
На hiimhal доступны инструменты для локального запуска нейросетей на AMD без NVIDIA и подбор железа, в том числе рабочий порт YuE2, протестированный на мини-ПК Strix Halo. В разработке — однокликовые установщики Wan22 для видео из текста, LatentSync для синхронизации губ со звуком, TRELLIS.2, InfiniteTalk и FlashVSR для апскейла видео.
HexAnima is an Android app that generates anime images entirely offline on specific Snapdragon phones after initial model downloads from Hugging Face. Available models include MiaoMiao 3D Harem, MiaoMiao RealSkin (2B), MiaoMiao Harem, and MiaoMiao RealSkin (2.9B).
The app offers image-size presets and custom sizes, history management with favourites, trash and multi-select, Danbooru tag suggestions, and multilingual support. An APK is available for installation.
PLaMo 3 Translate 0.8B от Preferred Networks — модель машинного перевода примерно на 900 млн параметров, доступная в GGUF для llama.cpp. Поддерживает 53 языка, включая русский, учитывает окружающий контекст и глоссарий терминов; для японского можно выбрать простой или вежливый стиль.
Длинные тексты переводит за один проход: общий лимит входа и выхода — 32 тысячи токенов. Есть также версии на 2, 8 и 31 млрд параметров, форматы FP8, 4-битные варианты и MLX для Apple.
Maneki is an open-source AI agent designed to create playable games in under two hours, handle complex coding tasks that general coding agents struggle with, and avoid refusals related to referencing existing games. A playable demo is available on itch.io, with closed beta participation offered through Maneki Engine.
VibeGame собирает играбельные 2D-игры по текстовому описанию и дорабатывает их по замечаниям. На готовом проекте можно менять сеттинг, жанр и правила. Система использует собственную игровую среду, где весь проект представлен структурированным текстом.
Команда агентов с оркестратором разделяет создание, статические проверки и проверки запуском. Агенты сами запускают игру и играют в своём темпе: код, ассеты, анимации и конфиги должны совпадать, а проверить их согласованность можно только в игре, где события занимают миллисекунды, пока модель думает секундами. Удачные каркасы проектов и модули сохраняются как заготовки — опыт накапливается без обучения.
An open-source prototype in development uses a custom Unity pipeline to quickly generate hundreds of square kilometers of realistic island terrain and procedurally place trees and plants from a variety of species. It includes improved terrain detailing for edge cases such as waterline transitions, real-time visual debugging tools, and a custom small-scale video editor for automated clip finalization.
A newly trained open-source model targets style-consistent pixel art for potential use in games. Its creator plans further palette-control improvements and iterative development based on community feedback.
This workflow combines a complex UV system built around an ubermesh with a diffusion model to generate customizable armor sets. A color-coded key specifies equipment pieces and materials and guides the armor’s style and appearance, with potential applications in creating unique MMO experiences.
A two-agent game-development setup uses a RAG library of game-development resources to improve agent performance. The library stores 512-token chunks with 128-token overlap in SQLite and supports exact cosine search, with options for full-text search; the RAG-equipped agent cites game-development books in its design documentation.
Mega Super Racer is a 90s-inspired, 32-kart racing game with a custom engine built in Rust. Its developer used open-source resources and tools including Claude Opus and SuperCollider for AI-assisted art and music production; a free browser demo is available on Itch.io.
MetricTrail восстанавливает движение камеры и глубину в метрах для каждого кадра длинной RGB-последовательности — для визуальной одометрии и реконструкции сцен. Внутренние параметры камеры можно задать вручную или оценить по изображению; есть поддержка стереопар и коррекция накопленной ошибки при замыкании маршрута.
В основе — DPVO для сопоставления патчей, DINOv3 для признаков и MoGe-2 для глубины. Основная модель заморожена, обучаются только небольшие адаптеры — всего 3,5 миллиона параметров. Обучение заняло около 7 часов на 16 A100. Модель начинает с предсказаний обычного DPVO и уточняет их; глубина от отдельной модели служит подсказкой, но геометрия нескольких ракурсов может ее переопределить.
CLI экспортирует позы камеры и кэш глубины, но не плотные облака точек и меши. Весов в репозитории пока нет, checkpoint обещают отдельно. Лицензия разрешает только некоммерческие исследования.
Автор канала представил @aimsky_bot: бот объединяет создание песен, изображений, текстов и мемов; для песни на заказ заявлено время 10 минут. Есть бесплатная проба и подарки за вход.
Speech & voice4
Apriel Voice 27B Preview — модель для понимания речи и вызова инструментов
ServiceNow представила Apriel Voice 27B Preview на базе Gemma 4 26B-A4B и Whisper large-v3-turbo с двухэтапным обучением. Модель понимает речь, рассуждает, выдаёт текст и вызовы инструментов. Она поддерживает транскрибацию, перевод, ответы на вопросы по аудио, выполнение инструкций и многошаговых задач, а также function calling прямо из аудио.
Звук, текст, картинки и результаты инструментов помещаются в общий контекст; на вход можно подать запись длиной до примерно 30 минут. Синтез речи и управление очередностью реплик остаются на стороне приложения: сама модель возвращает только текст и вызовы инструментов.
Заявлено первое место среди открытых двух- и трёхэтапных систем на EVA-A, EVA-X и τ-Voice: модель обходит Parakeet+Gemma и связки на Flux. Закрытые GPT Realtime 2.1 и Gemini 3 Live остаются впереди.
MOSS-Live от MOSI Intelligence слушает и говорит одновременно — в той же нише, что Gemini Live и GPT Realtime. Система отличает «угу» от перебивания, ждёт, пока собеседник подберёт слово, игнорирует чужие разговоры и после перебивания продолжает с того же места. Поддерживает видеозвонки, показ экрана, восприятие окружающих звуков и синхронный перевод. Задачи могут выполняться в фоне, пока разговор продолжается, а результат озвучивается в подходящий момент.
Внутри две модели с общей памятью: фронтальная слушает, смотрит и говорит, фоновая рассуждает и вызывает инструменты. Заявлено первое место по шести полнодуплексным метрикам.
Весов нет: доступ только через API по WebSocket. Бета бесплатна, затем оплата будет зависеть от времени соединения. В демо показаны английский и китайский языки.
Hume Audio Decisions отвечает на вопросы о записи голоса в четырех форматах: да или нет, выбор из вариантов, шкала и временной отрезок. Вопросы могут касаться языка и речи, числа и смены говорящих, эмоций, акустики, неречевых событий, динамики разговора, намерений и исхода, социальных сигналов. Модель также находит конкретные моменты — например, усмешку или вздох.
Набор вопросов можно менять без разметки и дообучения, а порог уверенности — привязать к правилам заказчика. По замерам авторов, модель опережает Gemini 3.8 Flash, Qwen и gpt-audio. Открыт лист ожидания.
SuperClonica использует неизменённую модель Supertonic 3 в ONNX — около 99 млн параметров — с теми же голосами и сидами. Движок работает в 1,6–1,7 раза быстрее на CPU и GPU, а первый звук выдаёт через 0,08 секунды вместо 0,5 секунды. Оригинальный репозиторий Supertonic заархивировали в сентябре, SuperClonica продолжает развиваться.
В паузах нет фонового шума, окончания обрезаются реже. Числа читаются словами на 27 языках из 31. Поддерживаются любые файлы голосового стиля Supertonic, включая родные M1–M5 и F1–F10. Выходной формат — моно WAV, 44,1 кГц.
Движок ставится пакетом для CPU или CUDA; есть Docker-образ с HTTP-сервером. Модель размером 400 МБ скачивается при первом запуске, затем всё работает офлайн на Windows, macOS и Linux. Доступны онлайн-демо и набор бесплатных голосов на GitHub.
Hy4 понимает изображения и управляет компьютером через терминал, графические интерфейсы, мышь и окна, в том числе работает в Blender и CAD. В модели улучшены программирование, выполнение длинных задач и следование инструкциям.
По собственным замерам Tencent, Hy4 набирает 70 баллов в E-Bench 2.0 против 65,3 у GPT-6.1 Sol, а в Terminal Bench 4.0 — 44,4 против 55,5 у Sol. Предыдущая preview-версия имела 770B параметров, из них 49B активных, и контекст 1M.
Модель уже доступна через API, включая OpenRouter. Веса обещают выпустить позже; также готовится облегчённая Hy4 Flash.
Route Anything подбирает модель под конкретный запрос: поддерживает языковые модели, генераторы изображений, видео и речи, кодинг-агентов и политики роботов. Маршрутизатор собран на 374 тысячах размеченных прогонов и охватывает 25 наборов задач.
Простые задачи он отправляет дешевым моделям, сложные — более сильным, почти без потери качества. Заявленная средняя эффективность — в 8,82 раза выше, чем у опорной модели. Можно запросить тестовый доступ.
agent-desktop позволяет ИИ-агентам управлять приложениями без скриншотов: вместо мегабайтов пикселей агент получает десятки строк дерева доступности с подписанными элементами. Дерево передаётся в JSON, каждому элементу присвоен ref. Агент кликает и вводит текст по ref, затем заново читает интерфейс и проверяет результат. Если интерфейс изменился, действие возвращает ошибку устаревшей ссылки и агент получает новый снимок дерева. Сам цикл работает в вашем агенте — встроенной модели нет.
Инструмент поддерживает macOS, Windows и Linux. По умолчанию действия не двигают курсор и не перехватывают фокус, позволяя работать параллельно; для физического ввода есть флаг headed. Также доступны скриншоты, буфер обмена, трейсы и оверлей с курсором.
agent-desktop поставляется как CLI и библиотека на C. Установка — через npm или Homebrew, в комплекте есть нативные бинарники для x64 и ARM64.
FlashRSI улучшает готового агента, не меняя веса модели: запускает тесты, разбирает ошибки, правит промпты, инструкции, навыки и конфигурацию, затем повторяет тесты и выбирает лучший вариант. Каждый кандидат проходит тот же набор задач, что и базовая версия.
Фреймворк хранит историю конфигураций, траектории, метрики, артефакты и происхождение версий — можно проследить, какая правка дала прирост. Готовы интеграции с Claude Code, Mini-Agent и Codex; поддержка Pi, Hermes и OpenCode пока в работе.
Искра — ИИ-агент на моделях семейства Qwen, сейчас в частности Qwen 3.8 Flash. В рекламном тесте автор использовал Telegram-бота для подготовки постов: агент открывал ссылки и оформлял материал по правилам канала. Автор обнаружил две проблемы: парсер теряет форматирование и пустые строки между абзацами, а встроенные в текст Telegram-ссылки бот не видит — URL приходится отправлять отдельно. Markdown частично сохраняет оформление. Команда обещала разобраться.
Кроме бота есть веб-версия, клиент для Windows и приложения для iOS и Android, рабочее пространство с проектами, скиллами и памятью. Поддерживаются планировщик задач, интеграции с 1С, Битрикс24, почтой, диском, CRM и заказные интеграции для компаний. В бытовом тесте агент по голосовому запросу собрал из разных источников детские сеансы в трёх ближайших кинотеатрах и сравнил время и стоимость билетов.
Есть бесплатный тариф и реферальная программа. Платные тарифы начинаются от 690 рублей в месяц; по промокоду автора NEURONAUT30 доступны 30 дней тарифа «Про» бесплатно, предложение действует до 4 декабря. Реклама: ООО «Искра», ИНН 1685025044, erid: 2VtzqvBfpWA.
Исследователи MIT CSAIL показали, как GPT-6 Astra читает веса нейросети в виде чисел, определяет, чему она обучена, и правит веса без обучения и градиентов. Модель также может писать новые веса с нуля. Отличие подхода — обычная языковая модель работает с весами через текст.
В главном эксперименте небольшая математическая модель зацикливалась, не доходя до ответа. Astra нашла в весах направление, связанное с зацикливанием, и вычла соответствующую компоненту из 131 тысячи весов из 800 миллионов. Точность выросла с 7,9% до 48,1%. Авторы подчёркивают: это устранение поломки, а не добавление нового умения. На модели без зацикливания правка ничего не дала; потребовалось 50 пробных прогонов, при меньшем числе эффекта не было. Ухудшение других способностей не проверяли.
Юрген Шмидхубер возразил, что подобные идеи разрабатывались ещё в 90-х. Участник чата @Endorpheen также показал успешные эксперименты с «быстрой правкой весов».
Baidu открыла ERNIE 5.5 Flash Base — checkpoint сразу после предобучения, без посттренировки и навязанного instruct-tuning. Разреженная MoE содержит 280 млрд параметров, из которых 14 млрд активны на токен. Модель обучена с нуля на 33,5 трлн токенов: контекст при обучении — 128 тысяч, при дообучении и инференсе — до миллиона.
В гибридном внимании один слой из семи работает с полным контекстом, остальные сжимают историю в 128 раз. В слоях полного контекста дополнительно используется разреженное внимание по top-k, чтобы стоимость не росла с длиной. В дорогих слоях головы внимания узкие, в дешевых — широкие.
MoE использует несколько роутеров и 512 экспертов: на токен выбираются десять экспертов плюс один общий. Ошибка отдельного роутера больше не определяет выбор, что делает маршрутизацию устойчивее к шуму.
Три десятка языковых моделей сравнили с людьми в задачах на комбинаторное творчество: неожиданные ассоциации, аналогии и объединение двух понятий в новое. Модели чаще выдавали валидные, применимые связи: людям реже удавалось довести идею до рабочего варианта.
При этом каждое пятое придуманное моделью понятие совпадало по свойствам с ответом другой модели. Модели одного разработчика сходились чаще, чем модели разных компаний. Исследователи назвали это изобретательской однородностью.
Модели чаще выбирали людей и места, связывая их через авторство и преобразование. Люди — предметы, состояния и чувства, связанные движением и простым бытием. Исследователи предполагают, что совместная работа человека и ИИ могла бы расширить разнообразие идей благодаря этим различиям.
