AI digest

Nov 16–18, 2026

Generative AI news from AI Open-Source News, Нейронавт · a new digest every 3 days
51 items from 68 posts · AI Open-Source News 33 · Нейронавт 35

3D и видео

Изображения

Персонажи и миры

Обучение и оптимизация

Голос и агенты

Языковые модели

3D & splats2

Posewright: browser-based 3D posing tool for AI image generation

Posewright lets users pose 3D figures for img2img generation and export OpenPose, depth maps, normals, and figure masks. It includes body and pose presets, FK and IK posing, mirroring, joint limits, custom export sizes from 512 to 1024×1536, and ZIP export of all assets.

The code is available under GPL-3.0, with a guide covering ComfyUI setup.

Tripo character workflow: 10 steps from a 3D model to an animatable character

This 10-step workflow builds on an earlier 2D-to-3D process, using Tripo for mesh generation before body inspection, rigging and animation-control setup. It also covers automating facial expressions with 2D layers and iterative refinement to maintain character-animation quality.

Video generation4

MiniMax H3: новые workflow для изображений, монтажа и ускорения видео

Для MiniMax H3 Image появились замена официальной Image Conditioning node с улучшенной проработкой текстур и деталей, workflow против grunge- и grid-артефактов VAE и примеры JSON-промптов. В разборе перевода концептов в реалистичные изображения автор рекомендует 30–50 Мп и сравнивает модель с Nano Banana Flash. Другая связка сначала расширяет запрос через Gemma 4 31B с температурой 2.0, максимальными рассуждениями и top p 0.95, затем передаёт текст в H3 без изменений. Автор отмечает улучшение реализма и следования запросу; Gemma он запускал через Google AI Studio, а H3 — через облачного агента MiniMax с 3.1 Flash. В демо pi-H3 на Hugging Face пока стоят нефинальные веса: по наблюдению автора канала, видео готовится за несколько секунд, доступ есть и на бесплатном аккаунте — он проверил две генерации. Улучшенные веса ожидаются до 22 ноября; ComfyUI-piFlow содержит nodes для AsymFlow и pi-Flow.

Для монтажа вышел мастер-класс с V2V Temporal Window & Spatial Tiles, inpainting, кадрированием, латентным апскейлом, двухстадийной и пакетной обработкой и Ripple Edit. Отдельный workflow объединяет аудионоды LTX с визуальным latent H3 для улучшения lip-sync. H3MD заменяет до 5 персонажей в танцевальном видео через ключевые кадры Qwen Image 2.1 Edit, сохраняет исходный звук и уточняет небольшие лица на общих планах. Head-Crop + InSwapper v2.x — четырёхстадийный пайплайн замены актёров и лиц, включая профиль 90° и наклоны головы; Audio Retake позволяет переозвучить выделенный участок, отметить рот, сравнить и экспортировать результат. Есть Codex .MD skill для переноса танца, релайт световой сферой, LoRA Земли с орбиты с настройкой под Марс или другую планету и Weather System с туманом, дождём, ливнем, снегом и метелью; снег оседает на объектах.

SyncTile использует латентный апскейл H3 и смешивание тайлов: заявлены 1080p, 2K и 4K примерно за 4,5 минуты для 5-секундного ролика на RTX 4090, node SyncTileRefine и SyncTile Studio для сцен из JSON. DenoMix с LoRA из весов Pika генерирует 15 секунд в 1080p на 16 ГБ VRAM: черновик 544p за 6 шагов, апскейл 2× по X/Y-тайлам и финальный проход в 1 шаг без рефайнера; нужны свежие Deno nodes. Автор оптимизации для Turing заявляет, что H3 Turbo на 2080 Ti через NVLink обгоняет одну 3090: приведены 212 против 168 секунд с 8-шаговой Turbo LoRA; bf16-attention на 3090 даёт 130 секунд, но хуже следует промпту. Spectrum v0.2.30 адаптирован к свежему ComfyUI Portable и ускоряет генерацию на 15–18 шагах. Латентный апскейлер LBH-123-AI обновили 5 дней назад; это 2D-, а не 3D-conv-версия. LoRA H3 Image работают с single-frame-инструментом Fizgig. FastDerope исправляет смазывание при быстрых движениях: Motion Gate измеряет оптический поток, спокойные сцены пропускаются; есть 3 workflow, включая аниме-режим на 2 секунды, нужны MAINodes.

PixVid — метод перевода латентной видеомодели в пиксельное пространство

PixVid от Roblox Research сохраняет трансформер латентной видеомодели, но заменяет VAE сверточной головой, которая рендерит кадры прямо в пиксели. Вместо скорости модель предсказывает чистый кадр; увеличенный шум критичен для качества. После дообучения Wan2.1-14B за 20 тысяч итераций метод достигает качества исходной модели.

Разрешение вдвое выше при том же числе токенов: один токен покрывает 32 × 32 пикселя вместо 16 × 16. Управление покадровое: каждое нажатие кнопки отражается уже на следующем кадре. Для сравнения, латентная модель обрабатывает команды блоками по 4 кадра, что дает задержку до 133 мс при 30 fps.

PixVid также лучше соблюдает условие по глубине при быстром движении и точнее управляет камерой. Код и веса пока не опубликованы.

FastFrames — авторегрессионные видеомодели Apple с интерактивной задержкой

Apple выпустила FastFrames-S на 1.3B параметров и более тяжёлую FastFrames-L. Обе генерируют видео в 480p за два шага диффузии. Генерация идёт кадр за кадром с полным KV-кэшем, поэтому время на кадр почти постоянно и не растёт с длиной видео. На одной видеокарте FastFrames-S создаёт кадр 480p за 35.4 мс.

FastFrames-L дистиллирована из Wan2.1-14B. Также опубликована оптимизированная LingBot 1.3B: она в 16 раз быстрее официальной версии и позволяет управлять камерой на лету. Параметры генерации — 832 × 480, 81 кадр при 16 fps.

Wan2.1 in ComfyUI: native and Kijai wrapper workflow guide

This guide covers two Wan2.1 workflow sets for ComfyUI: a native set for text-to-video and image-to-video, with custom nodes for frame interpolation and quality, and an advanced set using the Kijai wrapper. The advanced set adds video-to-video, longer context, and speed optimizations through Sage attention and Teacache.

Nodes are color-coded: red for model loading, yellow for input settings, blue for holding settings, and green for saving outputs. The guide also includes installation notes for Sage attention, Teacache, and Triton.

Video editing & VFX2

CorridorKey 2.0 for Nuke — бесплатная нода для кеинга

CorridorKey 2.0 работает внутри Nuke: после подключения исходника и нажатия Run результат кеинга возвращается в ноду. Для стабильности весь диапазон кадров обрабатывается вместе. Нода не привязана к ACES: исходник переводится в представление, на котором обучали модель, а результат — обратно в рабочее цветовое пространство. Для направляющей маски, указывающей, что оставить, достаточно грубого roto.

Без повторного прогона можно переключаться между premult, straight, маской и плейтом с новой альфой. Clip black/white и despill корректируют маску на лету. После обработки нода создает Read + Switch в графе.

Требуются NVIDIA RTX 30-й серии или новее с минимум 4 ГБ VRAM, Nuke 17.1 и Windows либо Linux. На RTX 5070 Ti обработка занимает около 2 секунд на кадр 2K плюс время загрузки модели.

DiffHDR — конвертер видео из SDR в HDR на базе Wan 2.1 VACE

DiffHDR, конвертер видео из SDR в HDR на базе Wan 2.1 VACE, переехал на новые адреса. Доступны репозиторий проекта, веса на Hugging Face и интеграция с ComfyUI.

Images5

MOSS-Image: управление камерой, композицией и персонажами в ComfyUI

MOSS-Image достигла 6 млн загрузок на Hugging Face. Подтверждена отдельная аниме-модель, анонсирована модель редактирования; в планах — альфа-канал и референсы нескольких персонажей. Для ComfyUI появился T2I-workflow со смешиванием моделей, настройкой текстур, вариантами ускорения и шаблоном промпта. BSAI-MOSS-ComfyUI добавляет nodes, в том числе для DMD-ускорения, а MOSS-Image-Base-INT8-FP16-Turing — оптимизацию запуска на GPU Turing.

moss-camera-settings имитирует камеру: пользователь выбирает объект в фокусе, а рамка показывает охват объектива. Связка DepthAnything v2, BiRefNet Lite и depth_lens_fx управляет фокусным расстоянием, боке, экспозицией и виньеткой на постобработке. RS-CAMERA-CONTROL-MOSS предлагает 42 ракурса для SFT через RS MultiCharacter Sampler. Для разметки композиции есть бесплатный веб-редактор Layout Studio с масштабируемым холстом, карточками объектов, референсным фоном, палитрами и экспортом JSON или текста. BBox Studio v1.3 — отдельный десктопный редактор bbox-промптов на чистом Python без зависимостей, с новым интерфейсом, счётчиком боксов и переключением стрелками. MultiID привязывает каждую character LoRA к своей зоне экрана без слипания лиц; Element TileEdit добавляет изогнутые фокус-зоны, а не только прямоугольники.

Tile Control сохраняет композицию и контуры, пересоздавая текстуры и детали. Concept Sliders объединяет слайдеры, NAG и вызов стилей из JSON короткими кодами по аналогии с --sref в Midjourney; отдельно доступны PAG nodes. Среди новых моделей и LoRA — charref-v2 для аниме-персонажей, diffu-moss-above для страниц старинных книг, cursed-vhs-liminalcore для VHS-стилизации и Moss Pop 1987 для костюмов и причёсок 1980-х. Есть Film Noir, Layered Papercut с триггером ral-pliq и полуреалистичная живопись для SFT без триггера, с промптом «traditional oil painting, semi-realism». Для бумажного стиля автор советует добавить слайдер упрощения и «backlit diorama».

Kling Image 4.0 — генератор изображений с нативным 8K

Kling AI выпустила Kling Image 4.0 — модель изображений на авторегрессионной архитектуре Native Unified Understanding and Generation, которая объединяет распознавание и генерацию в одном фреймворке. Модель поддерживает фотореализм с нативным 8K и генерирует текст длиной до 2000 символов почти дословно, без искажений.

Из одного промпта можно получить серию до 10 согласованных изображений и использовать до 10 референсов. Доступны три режима: text-to-image, image-to-image и длинные изображения. Главный акцент — сохранение персонажей и стиля между картинками серии. Модель претендует на место среди ведущих мировых генераторов по реализму и работе с текстом.

Запуск приурочен к 17–18 ноября 2026 года. Модель уже доступна через API у провайдеров.

Decoding Without a Decoder: direct pixel prediction for latent diffusion

Decoding Without a Decoder (DWD) removes the need for a complex decoder in latent diffusion models through direct pixel prediction, reducing inference costs for image and video generation while preserving or improving pixel quality. The method fine-tunes only the last few transformer blocks to improve pixel quality.

BRIA RMBG-3.0 — удаление фона на базе Fibo 2.0

BRIA AI обновила модель удаления фона RMBG-3.0: теперь она основана на Fibo 2.0 и дистиллирована до четырёх шагов без CFG. Модель работает напрямую, без классической маски. Она понимает семантику сцены: сохраняет всех людей на групповых фото, размытые конечности, мелкие логотипы и этикетки, очищает просветы в сетках и между велосипедными спицами, убирает падающие тени.

Инференс в полном разрешении занимает около 6 секунд на одной NVIDIA L40S. В слепом тесте на 234 сложных фотографиях модель заняла первое место со средним рангом 1,51, обойдя Photoroom и remove.bg.

sprite32: open-weight text-to-sprite model with transparent output

sprite32 generates 32×32 sprites with transparent backgrounds directly in pixel space, without a VAE. Trained from scratch on a large dataset, it has full and fast versions for different hardware capabilities, with open weights and code available.

Characters, avatars & lipsync2

LongCat-Video-Avatar 1.6: генерация длинных видео с человеком по аудио

Обновление открытого LongCat-Video-Avatar улучшает естественность речи, синхронизацию губ с аудио и согласованность движений лица и тела. Заявлены более спокойная артикуляция без преувеличенных движений и перенасыщенного красного рта, а также генерация дольше 10 минут без накопления ошибок при автопродолжении — с сохранением идентичности и связности кадров.

Ускорен весь конвейер. Для стабильности ранних шагов смешиваются две LoRA — DMD и OPSD; доступны опциональная INT8-версия основы, FP8 и FA3. В арене человеческих предпочтений модель уступила только OmniHuman-2.0, обойдя LongCat-Video-Avatar 1.5, HeyGen и Kling Avatar 2.0.

Viggle in ComfyUI: automated character motion transfer with 6GB VRAM

This fully automated character motion-transfer workflow runs with 6GB of VRAM and supports standard and LoRA versions. It integrates a Qwen VL prompt system for video analysis and RelayVSR for upscaled outputs, with workflow documentation, an article and a video tutorial available.

World models1

LynnReal-Hand — видеомодель мира с управлением движениями рук

LynnReal-Hand на базе MiniMax H3 генерирует видео взаимодействий от первого лица по начальному кадру, текстовому промпту, движению кисти и позам камеры. Модель воспроизводит точные и двуручные захваты в разных сценах: рука тянется к объектам, хватает и отпускает их. Для обучения IPT использовали 100 тысяч клипов с приоритетом небольших областей кистей и контакта.

Версия Base генерирует полную последовательность, а Fast — поток по 17 кадров за чанк с фиксированным первым кадром в роли якоря. Компактный Ultra-Fast-VAE сохраняет интерфейс H3. На H200 версия Fast выдаёт 18 кадров в секунду в 540p при задержке 741 мс на чанк.

ComfyUI & workflows4

Geiru Keystone Attention and Hybrid Windows: video-chain nodes for ComfyUI

Geiru Keystone Attention significantly reduces brightness drop in long video chains and includes built-in protection settings. Updated Geiru Hybrid Windows halves VRAM usage while maintaining output quality and speed, with adjustable degradation settings.

Both are available in Geiru Context Suite, alongside the “Easily Distracted Clown” example workflow. Test results are available in NerdNotes, with ComfyUI-MMH3Tools and ComfyUI-HybridWindows offered as additional tools.

Diffuser Hub — облачные GPU с предустановленным ComfyUI

Diffuser Hub запускает ComfyUI в браузере на облачной GPU. При выборе шаблона сервис сам подбирает совместимый GPU, модели и checkpoint; можно использовать и свой workflow. После выбора шаблона или конфигурации пользователь получает готовую виртуальную машину без установки драйверов и настройки окружения.

Тарификация посекундная, минимальная оплата — одна минута работы сервера. Результаты и пользовательские файлы хранятся в облаке, скачать их можно через браузер. Библиотека моделей и workflow общая для нескольких серверов; 50 ГБ в S3 предоставляются бесплатно.

Retrolab: real-time film emulation for ComfyUI

Retrolab is an open-source ComfyUI plugin that adds film effects and textures to AI-generated images, with real-time processing and a live preview at 512px. It includes adjustable bloom, halation, and film grain, supports English, Chinese, Japanese, and other languages, and is released under Apache License 2.0.

ComfyUI and CUDA backends: open-source AI optimization work

Open-source AI contributions include ComfyUI nodes using SageAttention, Flash-Attention variants, bitsandbytes support for model optimization, and ports of CUDA backends to AMD ROCm to improve AI performance. The work also includes 3D and video nodes containing .cu files.

LoRA & fine-tuning3

PixlStash 2.0: менеджер изображений и моделей с обучением LoRA

PixlStash 2.0 — открытое приложение, которое объединяет базу изображений, управление моделями и итеративную доводку LoRA. База рассчитывает сходство лиц для кластеризации по личностям; модели можно хранить, скачивать и отслеживать на нескольких дисках. Приложение связывается с ComfyUI и AI toolkit, обменивается токенами, следит за результатами и автоматически подхватывает обученные LoRA в workflow.

Есть готовые схемы создания арт-листов для Krea 2, MOSS-Image, Flux.2 Klein 9B и Qwen Image Edit 2.1; автор рекомендует Qwen Image Edit 2.1. PixlStash работает на Windows, macOS и Linux как десктопное приложение или сервер с веб-интерфейсом, но готовая сборка для macOS выйдет позже.

ReDiverse — восстановление разнообразия в малошаговых генераторах

ReDiverse решает проблему потери разнообразия при малошаговой дистилляции, когда разные сиды дают похожие изображения. По выводам авторов, модель-ученик сохраняет общий уровень дисперсии активаций учителя, но сжимает ее в гораздо меньшее число направлений. Эффект локализован в одном блоке на первом шаге: причина не в утрате способности, а в неправильном распределении дисперсии.

ReDiverse-FT возвращает направления с помощью легкой LoRA, а ReDiverse-TF работает без обучения. Метод поддерживает SDXL, SD3, Wan 2.1, MiniMax H3 и Pika H3 Flex. Авторы заявляют восстановление разнообразия без потери качества и без увеличения числа шагов: по DINO-метрике результат близок к полношаговому учителю. На примерах вместо повторения одного ракурса и фона ReDiverse варьирует сюжет, стиль и камеру.

Адаптеры для Pika H3 Flex и H3 выпущены только для исследований из-за условий лицензии MiniMax.

OmniLoRA: a universal LoRA training node pack for ComfyUI

OmniLoRA is presented as a ComfyUI node pack for training any model, covering dataset preparation, training, and monitoring. It offers plug-and-play installation with no extra dependencies, support for various GPUs, efficient CPU streaming, GGUF compatibility, and a modular design for custom workflows.

Upscale & restoration2

Veyra-NRVideo — улучшение видео на GPU в реальном времени

Veyra-NRVideo выполняет суперразрешение, шумоподавление, HDR-обработку и генерацию кадров в реальном времени на GPU. Работает с локальными файлами, потоками PS5, Xbox и PC, картами захвата и захватом экрана. Есть отдельные пакеты для NVIDIA и AMD; требуются Windows 11 и DirectX 12.

В программе есть node-редактор, многослойное шумоподавление с настройкой каждого слоя, режим воспроизведения картинки поверх видео и экспорт с очередью и обрезкой. Обработанное изображение можно захватывать и записывать со звуком.

RelayVSR: 4× video upscaling workflow

A RelayVSR 4× video upscaling workflow uses relayvsr_x4_int8_convrot.safetensors together with relayvsr_flash_vae_x4_fp32.safetensors.

Running locally7

MACaQ — квантователь Huawei CSL для текстовых и мультимодальных нейросетей

MACaQ от Huawei CSL сжимает нейросети для текста, изображений, видео, речи и 3D. Поддерживает 4-битные веса и активации на бэкендах llama.cpp, vLLM, Diffusers и PyTorch. Модель на 122 млрд параметров квантуется за 64 минуты с использованием 32,5 ГБ VRAM. На Llama-3-8B перплексия ниже, чем у MR-GPTQ и DuQuant++, а времени требуется в 11 раз меньше.

Режим MACaQ-R дорабатывает готовый GGUF и адаптирует его под пользовательские данные, сохраняя совместимость со стандартным llama.cpp. В vLLM скорость декодирования 4-битной модели растет в 2,58 раза при почти неизменной перплексии.

eDMD: дистилляция диффузионных моделей в четыре шага

Westlake AGI Lab представила eDMD — открытый метод дистилляции, который исправляет ошибку подходов типа DMD. В прежних методах вспомогательную «фейк-модель» обучали на промежуточных предсказаниях ученика: корректирующий сигнал зависел от внутренней траектории и не исчезал даже при совпадении итоговых распределений ученика и учителя. eDMD обучает её только на финальных выходах ученика, поэтому поправка обнуляется в точности при совпадении распределений.

Калиброванная плотность запросов выбирает уровни шума, на которых учитель предсказывает стабильнее; в финальном интервале вместо одного предсказания используется короткая траектория учителя. Метод проверили на SD3-Medium, Klein и Qwen Image 2.1: во всех случаях — четыре шага без реальных изображений для обучения. Веса доступны по запросу на Hugging Face.

FrankenMoE-CUDA — рантайм для больших MoE на одной потребительской видеокарте

FrankenMoE-CUDA от Endorpheen запускает MoE-модели, которые целиком не помещаются в VRAM: подгружает экспертов прямо с NVMe и держит ограниченный кэш в видеопамяти. Рантайм основан на llama.cpp, но его модули постепенно переписывают с C++ на собственный язык Goose.

С кэшем экспертов на GPU скорость декодирования на 40.7% выше, чем у контрольной реализации на C++. Вместе с рантаймом опубликован собственный квант Maxwell-V1-Flash Q4_0 размером 21.4 ГБ, который здесь разгоняется сильнее Apex.

Для измерений используют только эталонный профиль, сверяют ответы по хэшу и документируют каждую цифру с манифестом; различия ниже 2% не засчитывают. Пока поддерживается Linux x86_64. На Maxwell проверен контекст до 4096 токенов; у Apex полный контекст — 262144 токена.

Llama-3.2-1B-Qwen3.8-27B-Draft — драфт-модель NVIDIA для ускорения Qwen3.8

NVIDIA выпустила драфт-модель для ускорения Qwen3.8-27B через спекулятивное декодирование. Маленькая Llama-3.2-1B предлагает сразу несколько токенов, а большая модель проверяет их и принимает подходящие: за один её шаг можно получить несколько токенов.

Это полноценная маленькая модель, а не отдельная головка внутри большой. Её таблица эмбеддингов перестроена под словарь Qwen3.8, поэтому она использует ту же терминологию, что и целевая модель.

По замерам NVIDIA, число принимаемых токенов за шаг — 3.42, ниже, чем у встроенного механизма Qwen3.8. Решение работает, но уступает ему в скорости. Модель поддерживается в vLLM и рассчитана на чипы NVIDIA Groq 3.

Nightmare Mobile: offline AI image and video generation on Android

Nightmare Mobile is a free, open-source Android app for offline image and video generation using the device’s Snapdragon NPU, without servers or user accounts. It has a ComfyUI-like node graph interface and supports inpainting, outpainting, and video clips with speech and sound.

The app integrates with Civitai and Hugging Face for model and LoRA downloads, supports multiple model formats without conversion for specific architectures, and provides a local API for use with other applications.

HexAnima fork: offline AI image generation for Snapdragon 8 Gen 2

This HexAnima fork is optimized for Snapdragon 8 Gen 2 devices, with fully offline image generation using native Snapdragon NPU acceleration. It supports Anima-based models, custom checkpoints, and LoRA with adjustable weights, alongside Civitai integration for model downloads.

Generation tools include Img2Img, inpainting, HiRes Fix, and ADetailer. The fork also adds automatic cooling mode and performance management.

IDM — код ускорителя для генерации за 1–2 шага

Опубликован код ускорителя IDM для генерации за 1 или 2 шага. Весов пока нет.

Game dev5

My Magic Asset Workshop: offline animated game asset generator

My Magic Asset Workshop generates thousands of animated game assets without AI or an internet connection, including soldiers, animals, and environmental objects. It supports voxel, chibi, and pixel art styles, with customizable colors, equipment, and cultural styles, plus seasonal variations for flora and terrain.

Animations cover units, objects, weather, and combat actions, with custom animations definable through a JSON file. The tool exports PNG, BMP, TGA, and animated GIF, works with engines including Godot and Unity, and is available in 28 languages.

AutoSprite: 8-direction isometric spritesheets from a character image

AutoSprite creates 8-direction isometric spritesheets from a single character image for games such as farming and life sims, with improved character consistency across animations and directions. It supports custom animations including idle, walking, running, farming, and dancing, alongside character customization workflows, a playable browser preview, and MCP integration with Claude Code and Codex.

Nightshoal: an AI-assisted workflow for a fishing exploration game

Nightshoal’s development workflow uses Opus 5.5 and Fable 5.2 for game building and task management. It also combines TripoAI for character creation, Mixamo for animation, OpenAI’s image API for mockups, and ElevenLabs for ambient sounds.

MifBridge and MifBlender: open-source game-development plugins

MifBridge is an editor plugin that connects Unreal Engine with custom scripts, while MifBlender is a free, open-source Blender plugin. A game-development devlog documents the workflow’s agent stages and tool calls, including errors and fixes.

Magemind: typed-spell recognition without an LLM

Magemind uses an open-source spell-input system combining a keyword grimoire, handwritten multilingual parsing rules and a fastText-style classifier, without requiring an LLM. The classifier was trained on 240k synthetic sentences to recognize commands, including typos and slang; an optional local LLM mode and a free game demo are also available.

Computer vision2

DeepBA — реконструкция 3D-сцен с помощью небольшой графовой сети

DeepBA восстанавливает положение камер и геометрию сцены по фотографиям. Вместо классической оптимизации SfM, которой нужна хорошая начальная оценка, метод использует небольшую обучаемую графовую сеть и сходится даже с нуля. На вход нужны только соответствия точек между кадрами — без самих изображений и оценок глубины.

Состояние включает позу камеры, фокусное расстояние и карту глубины для каждого кадра. В сети 2 млн параметров против 1.2 млрд у VGGT. Метод работает с любым количеством видов и любым матчером; тот же механизм привязывает новое изображение к готовой карте без отдельных вычислений.

По точности реконструкции DeepBA обходит прежние обученные аналоги, а с ростом числа камер догоняет и перегоняет классический SfM по скорости. Код пока не опубликован.

ElasticDino — лёгкий адаптер DINO для детальных карт признаков

ElasticDino — небольшой адаптер для DINOv2 или DINOv3, который повышает разрешение карт признаков без раздувания сети: на выходе получается карта 256 × 256, выровненная по пикселям изображения и сохраняющая мелкие детали. Такие плотные признаки нужны для сегментации, поиска соответствий между кадрами и других задач с точной попиксельной привязкой.

Speech & voice3

Nuplex 1.0 — полнодуплексная аудиовизуальная модель с браузерным аватаром

Nuance Labs, стартап выходцев из Apple, выпустил Nuplex 1.0 и открыл в браузере аватара Emma без регистрации. Модель одновременно слушает и отвечает, непрерывно считывает тон, паузы и колебания голоса. Речь и мимика передаются синхронно: аватар кивает, улыбается и вставляет «угу» посреди реплики.

Вместо связки STT + LLM + TTS + анимация с задержкой 1,5–3 секунды Nuplex использует единую сквозную сеть. В слепом бенчмарке компании скорость реакции сравнялась с человеческой в 89% из 1785 вопросов.

Внешность Emma лицензирована у актрисы, потоки маркируются водяными знаками, клонирование чужих лиц и голосов заблокировано. Для разработчиков открыт предварительный доступ к Nuplex Live API.

SoulX-FlashHead and LFM3-Audio: a local real-time talking-avatar workflow

This local real-time talking-avatar workflow combines OWSM v4 for voice transcription, LFM3-Audio for conversational responses and speech synthesis, and SoulX-FlashHead to animate a portrait from the generated speech. The setup runs without Python and supports multiple audio model families in a single C++ runtime.

tiny-voca — браузерная модель синтеза английской речи на 4,5 млн параметров

tiny-voca — модель синтеза речи на 4,5 млн параметров, обученная с нуля на 17,6 часа синтетической речи. Она целиком работает в браузере, без отправки данных с устройства. Доступны два голоса на американском английском — женский F2 и мужской M2 — и регулировка скорости. Синтез речи и генерация звуковой волны объединены; на выходе — моно, 24 кГц.

Веса в ONNX занимают 21 МБ. При первой загрузке скачивается около 40 МБ: модель, словарь произношения и легкий рантайм фонематизации. Поддерживается только английский; редкие имена и необычные написания часто читаются неверно. Код и веса открыты под Apache 2.0.

Agents3

Flide — движок инференса для decision-моделей с разветвлением состояния

Flide отвечает на несколько вопросов об одном состоянии за один проход. Точное разветвление состояния заменяет отдельный запуск на каждый вопрос и сохраняет каждый ответ таким, каким модель выдала бы его при отдельном запуске.

На 10 тысячах писем с восемью вопросами к каждому заявлено ускорение до 9,5 раза относительно vLLM и SGLang. Движок поддерживает два десятка семейств моделей, включая Qwen3.5, Gemma 4, Perplexity decider и LiquidAI d1, а также текст, изображения, видео, кэш сессий и FP8 для накопительных моделей.

MIRIX-2.0 — мультиагентная память для LLM-ассистентов

MIRIX-2.0 сочетает фактологическую и процедурную память: личный ассистент запоминает работу пользователя за экраном через скриншоты и разговоры. За шесть компонентов памяти отвечают отдельные агенты: ядро, эпизодическую, семантическую, процедурную, ресурсную память и хранилище знаний. Процедурная память превращает ошибки инструментов, повторы и удачные действия в навыки.

Вся долгосрочная память хранится локально. Текстовый и векторный поиск работают на PostgreSQL; опционально можно подключить граф памяти в Neo4j с отслеживанием источников.

PyBot — чатбот на правилах, написанный роем из 1000 агентов

PyBot — эксперимент Hugging Face с классическим подходом ELIZA: рой из 1000 агентов написал чатбота на чистом Python, используя только if/else, регулярные выражения и таблицы правил. Весов и обучения нет, для офлайн-работы нужен лишь Python.

Бот отвечает на бытовые вопросы и поддерживает простой диалог на уровне SmolLM-360M, но не способен к рассуждениям и творчеству. В ходе работы агентов-кодеров вин-рейт на тесте вырос с 0 до 26%. Автор видит применение в офлайн-ассистентах для устройств без GPU и интернета, куда нельзя загрузить модель.

Language models3

GPT 6.2 Astra и Sol — новые модели OpenAI

OpenAI выпустила GPT 6.2 Astra и Sol после нескольких месяцев ожидания. По заявлениям компании, Astra превосходит все доступные модели, обошла Fable 5.2 и Opus 5.5 в Agents’ Last Exam и заняла первое место в рейтинге AA-3D. Также OpenAI заявляет, что Astra на 20% дешевле прежней GPT 6 Astra.

Для Astra миллион входных токенов стоит $8, кэшированных — $0,40, выходных — $40. Для Sol цены составляют $2, $0,10 и $10 за миллион токенов соответственно.

Qwen4-Max-Preview — мультимодальная модель Alibaba для кода и агентов

Alibaba представила первую модель поколения Qwen 4 для сложного кодинга, автономных агентов и работы с документами. Доступ к превью по подписке Token Plan — до 25 ноября. Контекст — до 1 млн токенов, вывод — до 393 тыс. токенов, разделяемых между рассуждениями и ответом.

Модель изначально мультимодальна: обрабатывает текст, код, схемы, графику и видео в одной архитектуре. В режиме агента сама разбивает задачу на подзадачи, вызывает инструменты и API, исполняет код в изоляции и собирает интерактивные страницы. Ее обучали на инженерных сценариях: рефакторинге больших кодовых баз, поиске уязвимостей и автоматизации офисных процессов.

Hy4 Flash: открытая MoE-модель Tencent для кода, офисных задач и агентов

Tencent выпустила Hy4 Flash и открыла веса Hy4 Flash, Flash-FP8 и Flash-Base. Это MoE-модель на 224B параметров с 12B активных и отдельными 64B под Engram — механизм памяти для частых шаблонов без повторных вычислений. Заявлены контекст до 1 млн токенов, обработка изображений и скорость выше 150 токенов в секунду.

По слепым тестам Tencent, в повседневных сценариях модель сопоставима с Claude Haiku 5.5. Компания заявляет стоимость решения задач в 18 раз ниже Haiku 5.5, а офисных задач — в 16 раз ниже флагманской Hy4. В сложном коде и длинных агентных сценариях Flash уступает старшей Hy4.

Цена за миллион токенов: $0,003 за кэшированный ввод, $0,07 за обычный ввод и $0,281 за вывод. Модель доступна через Tencent Cloud TokenHub; в opencode её предлагают бесплатно на две недели.

Vision-language & documents1

StepRefine — уточнение ответов мультимодальных диффузионных LLM

StepRefine использует корреляцию галлюцинаций со всплесками энтропии при денойзинге: обнаруживает эти всплески и переключается на уточнение латентных представлений по вероятностно-взвешенным эмбеддингам. Метод подключается без обучения, улучшает точность и работает с LLaDA-V, LLaDA-o, Dream-VL и LaViDa.

Hardware1

MANTIS от Leica Geosystems — захват 3D-данных во время киносъёмки

MANTIS крепится на кинокамеру и записывает геометрию сцены и движение кадра параллельно с основным видео. Аппаратная часть не зависит от объектива: данные выравниваются под конкретную оптику при постобработке в MANTIS Studio. Система сокращает путь к дип-композитингу и релайтингу по глубине.

В 2018 году похожую идею пыталась реализовать Lytro, но с захватом светового поля и огромным объёмом данных, которые хранились и обрабатывались только на серверах компании. MANTIS показали на Infinity Festival 12–15 ноября; отгрузки начнутся в первом квартале 2027 года.

Industry1

DeepSeek ограничил продолжение диалогов и объем ввода из-за нехватки мощностей

DeepSeek ввел ограничения в приложении и веб-версии: нельзя продолжить диалог, неактивный более 7 дней, разовый ввод сокращен до 40 тысяч символов. Также появилась дневная квота: при ее исчерпании сервис сообщает о лимите из-за нагрузки на сервер.

Официального анонса и сроков восстановления нет. По официальному статусу, с октября произошло 8 сбоев, затрагивавших в том числе API.