В StorySplat 2.5 добавлены тени от солнца, прожекторов и точечных источников; солнце можно анимировать. Погода включает до 4 слоёв облаков с движущимися тенями, дождь, снег, туман и ветер. Воду можно добавить в лужу, пруд, озеро или море.
Редактор позволяет искать и удалять парящие точки, выделять сплаты кистью, лассо или объёмом, клонировать и обрезать их, разделять объекты. AI-агент летает по сцене и создаёт туры, хотспоты, подсветку и звук. Анимация и VR вышли из беты; туры рендерятся в MP4 до 4K, в том числе в 360, с форматами кадра 16:9, 9:16 и 1:1.
Есть плагины для WordPress, Webflow и LichtFeld. Более 100 инструментов редактора доступны браузерным агентам через WebMCP. Также добавлены регионы, каталог посетителей, наборы измерений, срез потолка, стерео 3D и запись визитов. Начать можно бесплатно; кредиты стоят по центу — 1000 за $10.
Опубликован код Gaussian Light Transport: глобальное освещение в нём представлено смесью 13-мерных гауссиан. В AReA добавили поддержку Ideogram 4; прежде инструмент работал только с FLUX.1-Krea-dev.
Форк запускает UniForge3D на RTX 3070 Ti с 8 ГБ VRAM и 64 ГБ оперативной памяти без conda и nvcc. Вместо сборки CuMesh, FlexGEMM, o_voxel, nvdiffrast и flash-attn используются готовые wheel-пакеты для cp311 win_amd64. Поэтапная загрузка весов снизила пик памяти денойзера с 12 до 6,3 ГБ, а время до первого шага — со 102 до 21 секунды. Конвертация в fp16 сократила размер на диске с 41 до 19 ГБ; результат проверили тензор за тензором, он совпал бит в бит.
Добавлены скачивание с докачкой по частям и веб-интерфейс: можно загрузить 2–4 фото, просмотреть и скачать GLB в браузере. На выходе — prediction.glb с запечёнными PBR-текстурами и отдельные basecolor.png и metallic_roughness.png разрешением 2048. Один кейс занимает около 240 секунд. 16 ГБ оперативной памяти не хватит даже с флагом low-ram: пик при загрузке одной группы составляет 23 ГБ.
FastVideo открыла веса и код обучения FastH3 OmniRef. В одном запросе модель принимает промпт, до 9 изображений, 3 видеоклипов и голос; для обращения к референсам служат теги <Picture 1>, <Video 1> и <Audio 1>. Видео и синхронный звук генерируются за 8 проходов вместо 50 у базовой MiniMax-H3. Заявленное снижение задержки — в 5,6–11,9 раза.
Модель поддерживается в ComfyUI через нативный node MiniMax H3 Reference to Video. Доступны форматы BF16 и INT8 ConvRot; для запуска указаны 8 шагов, guidance 1.0, video shift 12.0 и audio shift 3.0. У ComfyUI, UniServe и FastVideo свои форматы checkpoint и рантаймы.
FLUX 3 Max — ускоренная версия FLUX 3 Video для генерации видео из текста, изображения и ключевых кадров через API fal. Ускорение достигается дообучением с reinforcement learning, оптимизацией инференса и переработкой серверного движка. По заявлению разработчиков, дообучение улучшило движение, детализацию и следование промпту. Модель создаёт ролики до 20 секунд в 720p с апскейлом до 1080p и генерирует звук.
10-секундный ролик генерируется за 10,95 секунды против 126,44 секунды у оригинала — в 11,5 раза быстрее. Заявлено также преимущество в скорости над Seedance 2.5 в 22 раза при том же Elo. Цена — $0,0425 за секунду видео в 720p; до 7 ноября действует скидка 75%.
Manga2Animate разбивает страницы манги на панели, распознаёт реплики в порядке чтения и последовательно создаёт сценарий, раскадровку и видео. На каждом этапе агент-создатель готовит результат, а ревьюер сверяет его с исходными панелями. Для каждого из 2 кругов правок создаётся по 3 варианта сценария и раскадровки; лучшие клипы отбираются и склеиваются в ролик. В кейсах используется по 6 панелей.
Для видео задействованы MiniMax-H3, Index-AniSora, Seedance 2.0 и Wan 2.7; раскадровку создают через Gemini или локально на FLUX.2-dev. Агенты работают через Vertex AI либо обычный API-ключ. Раскадровки попарно сравнивают по 13 критериям, часть из которых требует строгого соответствия. В пользовательском исследовании участвовали 37 человек; код и данные оценки опубликованы.
MiniMax H3 workflows cover two-pass video creation with latent upscaling, character and body swaps, and background replacement. One video builder uses GPT for lyrics and scene planning and supports MCP/API project management. A character-swap tutorial describes replacing a character while maintaining the original motion, scene, and sound.
The background-replacement workflow includes a Windows installation script, SyncTile, Media IO and Latent Upscaler custom nodes, and a Background Replace v3 LoRA. Separate resources show body and background swaps without a LoRA, low-resolution video upscaling with a Turbo LoRA, and a Singularity V2 dual-sampling workflow.
A custom character LoRA workflow describes training at rank 16, EMA 0.98 and 40 epochs, with notes on lighting and reference materials.
VideoMaMa++ от KAIST, представленная на NeurIPS 2026, уточняет грубую маску до альфа-мата, включая волосы и тонкие края. Предыдущая версия обрабатывала только 6–24 кадра за раз: на стыках фрагментов могли скакать края и прозрачность.
В новой модели RGB и маска идут отдельными потоками токенов, которые связывает полное пространственно-временное внимание. Две обучаемые метки на кадр отвечают за сохранение готового мата и уточнение грубой маски. Скользящее окно передаёт результат следующему фрагменту, а глобальный якорь сдерживает накопление ошибок — без дообучения на длинных роликах. Заявлен лучший результат по всем метрикам на трёх бенчмарках.
В LTX Desktop 1.3.0 обновили главную страницу и боковую панель, добавили быстрый поиск и чат-ассистента. Он ставит генерации в очередь и работает через Gemini API или локальную Qwen. Доступны Text-to-Video, Image-to-Video и Audio-to-Video, Retake для перегенерации части клипа, Extend для добавления кадров до и после него, а также IC-LoRA-эффекты Ingredients, Day to Night, Deblur и симуляция воды.
Задачи в очереди можно переставлять и отменять, а управлять приложением — с телефона по локальной сети. Генерации и ассеты сохраняются после перезапуска. Появились быстрые разрешения для превью, дополнительные варианты длительности, частоты кадров и пропорций, ручное и автоматическое усиление промпта и настройка seed. Для NVIDIA требуется от 24 ГБ VRAM; есть сборки для Apple Silicon, Windows и Linux, а также исправления установки и работы с памятью.
CorridorKey 2.0 от Corridor Crew создаёт альфа-мат и чистый передний план для каждого кадра, в том числе без хромакея. Можно работать без подсказки, указать объект на первом кадре или подать видео с подсказками для всех кадров. В первом режиме модель сама выбирает объект; с подсказкой на первом кадре контроля больше, но на длинных и загруженных сценах маска может сместиться. Подсказка на всё видео переносит в результат и свои ошибки.
Инструмент сохраняет исходное разрешение, убирает цветной ореол с настройкой силы и экспортирует видео либо HDR-последовательности OpenEXR в scene-linear. Окна Ханна помогают убрать мерцание краёв маски. В основе — C-RADIOv4, MoGe-2 и RVM. Заявлена более точная обработка окклюзий, волос, шерсти, полупрозрачных объектов, расфокуса и размытия.
Для запуска нужна RTX 30-й серии или новее: 4 ГБ VRAM для 1440p/2K и 6 ГБ для 4K. Веса занимают около 5 ГБ; приложение работает на Windows и Linux. Есть плагины для DaVinci, Nuke, After Effects, Premiere Pro и Blender на Windows и Mac (бета), поддержка Linux для плагинов запланирована. Версия платная, коммерческое использование разрешено.
OpenMOSS выпустила MOSS-Image в версиях Base и SFT под Apache 2.0. Модель размером 5B рисует читаемый английский и китайский текст; размещением объектов и надписей можно управлять через JSON с bounding boxes. Для запуска на картах с 8 ГБ памяти доступны квантования INT8 и INT4. Вокруг модели появились 3-, 4- и 8-шаговые ускоряющие LoRA.
Для ComfyUI вышли визуальные BBox-редакторы, управление весом фраз в промпте, инструменты для img2img, раскрашивания лайнарта и редактирования. Есть edit LoRA для Base и SFT, контроль цвета и глубины, инструменты для манги и сторибордов, а также workflow для inpainting. Сообщество выпустило LoRA для освещения, возраста, фотореализма и разных художественных стилей. Офлайн-каталог на 2 ГБ содержит 33 937 персонажей и 221 стиль.
Kromoss — fine-tune Base на 1024 px с 8-шаговой LoRA; его авторы заявляют, что он убирает мыльность. Автор подборки сообщает о результате с ComfyUI-Spectrum-MOSS за ~30 секунд на RTX 3060 с 12 ГБ: от 12 шагов при 1,3 Мп (1168 px), без ускоряющей LoRA. Для обучения LoRA опубликованы инструменты Fizgig и AcademiaSD LoRAlab Trainer Studio, в том числе материалы о запуске с 8 ГБ VRAM.
Fibo 2.0 Dev объединяет генерацию по тексту, редактирование по инструкции, маске и до 4 референсам. Режим Inspire создаёт новый кадр по тексту с опорой на референс, не копируя исходное изображение. Модель содержит 8B параметров, использует flow-matching в латентном пространстве FLUX.2 VAE и Qwen3-VL-4B-Instruct для текста. Для базовой версии указаны 50 шагов и guidance 5.0; размеры кратны 16, типичное разрешение — около 1 Мп.
Опубликованы веса Dev и Edit Turbo, workflow для ComfyUI и код обучения LoRA. Один из авторов сообщества сделал custom node для работы с разрешением до 2 Мп вместо 1 Мп.
The guide provides 19 free workflows for generating, editing, and combining images with FLUX 3 Klein, including background edits and combining character images. It requires ComfyUI 0.41 or newer and Pixaroma 1.4.223 or newer.
Kokon 0.10 adds Prompt+, which turns user ideas into detailed image prompts, and support for loading and managing custom LoRAs. The image-generation app is free, open source, AGPL-licensed, and available for Windows, macOS, and Linux. A 0.10.1 release is also available.
Sortypix sorts large image folders and supports RAW and JPEG pairs. It works offline without an account or telemetry, is free and MIT-licensed, and runs on Windows and Linux.
OmniPoser достраивает недостающие суставы по данным сенсоров или уже извлечённым ключевым точкам. Одна архитектура принимает разные комбинации входных данных: верх тела, пять точек VR или только голову. На выходе — SMPL с позой, формой, контактом стоп с полом и глобальной траекторией без дрейфа. Генерация занимает один шаг, без перебора вариантов.
Скорость превышает 700 кадров в секунду; модель работает в реальном времени на одной видеокарте. Ошибка на AMASS — 32,1 мм против 34,8 мм у RoHM, на Nymeria — 21,1 мм против 59,3 мм. Среди применений — VR, аватары, робототехника и анимация.
A custom skit uses character sheets made with Illustrious and the default Ref2Vid workflow to create video. It incorporates sound files from Warped Kart Racers for voice effects and techniques to improve frame transitions.
prompt2rig uses FLUX 3 Max on fal to generate character animation, then tracks body and finger motion with GVHMR and WiLoR. Its browser interface retargets animation to Mixamo rigs and exports .glb files for Blender or Unity. A MediaPipe preview is available while the higher-quality animation is processed.
В Matrix-Game 4.0 движок хранит правила и состояние игры, а видеомодель дорисовывает кадры. Пространственная память использует позу камеры и опорные кадры, чтобы сохранять вид сцены при поворотах. Кодинг-агент превращает запрос игрока в новые правила и промпты.
Заявлены отклик 112 мс и 480p при 60 FPS на 5090. Чанк из 4 кадров сжимается до 1–2 шагов; в скользящем окне KV-кэша старые чанки удаляются. Сессии идут без перезапуска, длительность записей — 54–99 секунд.
N8Vision сделан для работы с коллекцией из 50 тысяч сгенерированных изображений. В ленте превью видны метаданные; изображения можно выбирать, переносить и удалять. Карточки сохраняют отметки о переносе и удалении до обновления вида, а ограниченные окна просмотра помогают работать с большим архивом.
Есть парный мобильный интерфейс к библиотеке на ПК, поиск похожих изображений по эмбеддингам, проверка качества, SAM-маски и связь с ComfyUI. Для вырезания объектов используется BiRefNet; слипшиеся фигуры можно разделять ручными подсказками.
Расширение собирает открытые workflow в цветные группы вкладок, в том числе вложенные. Группы можно переставлять, сворачивать, а workflow — перетаскивать между ними. Расположение сохраняется после закрытия и повторного открытия; сами файлы workflow не меняются. Переименование, дублирование, сохранение, экспорт и закрытие вкладки средней кнопкой продолжают работать.
Расширение выводит в настройки параметры встроенного sa_solver: силу шума, зафиксированную в ComfyUI на 1.0, и окно его действия, ограниченное 20–80% шагов. Автор также добавил детерминированный вариант метода и диагностику по шагам. Используются PyTorch, NumPy и SafeTensors.
По наблюдениям автора подборки, увеличение силы шума примерно до 1.7 на 8–14 шагах даёт более живую текстуру и сохраняет общую геометрию. При дальнейшем увеличении начинают меняться мелкие детали и композиция. Перераспределение шагов уступило стандартному планировщику, а расширение окна шума ухудшило результат.
DeepSeek открыла код DeepInfer — движка, на котором запускает DeepSeek-V4.1-Flash. В нём есть ускоренный декодинг через DSpark, параллельная обработка attention и MoE, асинхронный планировщик батчей и структурированный вывод по regex, JSON-схеме или грамматике. Код вырос из vLLM и выпущен под Apache 2.0.
Пока из коробки поддерживается только DeepSeek-V4.1-Flash: Linux, Python 3.12, NVIDIA SM100 с CUDA 13 либо Huawei Ascend 950 с CANN 9.2. Доступен офлайн-инференс со сборкой из исходников. В релиз не вошли система KV-кэша, разделение prefill и decode и балансировка между репликами.
SonicBoom запускает модели локально на потребительских видеокартах. Он загружает GGUF, генерирует на CPU или GPU и предоставляет локальный сервер с OpenAI-совместимым API. Python не нужен ни для сборки, ни для работы; pip, пакеты wheel и загрузка компонентов во время выполнения тоже не требуются.
Планировщик переписывает граф модели и укладывает шаг генерации в один CUDA Graph, а компилятор на MLIR создаёт часть ядер и подбирает их под видеокарту. При повторном использовании префикса пересчитывается только новая часть, при этом результат совпадает с полным пересчётом до токена.
На RTX 3050 Gemma 4 E4B выдала 53,6 токена/с против 44,8 у llama.cpp, Qwen2.5-0.5B — 345,9 против 306,9. На глубине 512 токенов преимущество почти исчезает. Сторонний замер на RTX 4060 Ti показал 73,6 против 78 токенов/с; сборка не была рассчитана на эту карту.
A Godot FPS project uses Opus 5.5 and Fable for coding and complex problems, Nano Banana 2.1 and Meshy to take graphics from concept to 3D, and MOSS-SoundEffect and Suno for sound effects and music drafts. Its developer also uses Opus 5.5 with Puppeteer/ffmpeg to make cutscenes and trailers, and AI to proofread writing.
Claude-pxl uses LLMs, including Opus 5.5, Argon, Astra, and Sol 6.1, to generate and edit pixel art without diffusion or pixel-space models. It supports multi-layer parallax, vanishing points and perspective, and can edit existing assets with tools similar to Aseprite, Pixelorama and Smack Studio.
An open-source tool under development generates 3D meshes with adjustable textures and in-game music with customizable melodies. It is designed to run offline.
A free, open-source MCP server lets Claude draw and animate pixel art frame by frame in Aseprite and revise it in response to requests. It produces .aseprite files with layers and animation tags. The related aseprite-live tool shows live drawing in a browser.
Embark добавляет в The Finals динамические комментарии. Комментаторы Джун и Скотти, чьи AI-голоса используются в игре с запуска в 2023 году, смогут называть игрока по имени после серии убийств, уничтожения чужой команды, выхода на первое место в одиночном режиме и некоторых других событий. Пока список таких событий ограничен. Embark также улучшила разрушаемость на картах.
LILIE учит пространство признаков, в котором расстояние между изображениями ближе к их смысловому различию: пиксельная ошибка, напротив, одинаково наказывает за шум на небе и за размытый самолёт. Обратимый энкодер разбирает изображение на признаки и собирает обратно без потерь. При обучении языковая модель восстанавливает подпись по зашумлённым признакам.
LILIE можно использовать как функцию потерь для генерации изображений по тексту вместе с обычной пиксельной ошибкой. Доступны кодировщики и генеративные модели.
Ming-3.0-audio работает с аудио напрямую и отвечает текстом или голосом. Версия flash содержит 126 млрд параметров, из них 6,5 млрд активных; tiny — 9,3 млрд и 2,7 млрд соответственно. Модели распознают речь в шуме, с диалектами, акцентами и несколькими говорящими, отвечают на вопросы по аудио и работают с длинными записями речи, шумов, музыки и окружающей обстановки. Голосовой ответ поддерживает клонирование по референсу.
Основные языки — китайский и английский. Tiny запускается на одной видеокарте; у flash контекст 128 тысяч токенов, для запуска нужны восемь H800. Код доступен по лицензии MIT, запуск — через vLLM-Omni и SGLang с OpenAI-совместимыми эндпоинтами.
Voxtral 3 объединяет распознавание речи, обработку запроса и голосовой ответ в одном потоке. Стек поддерживает транскрипцию с разделением говорящих и подсказками по терминам, определяет конец реплики и синтезирует речь с подходящими контексту эмоцией, темпом и акцентом. Голос можно клонировать по 30 минутам записи; готовые голоса доступны на 18 языках.
Распознавание работает с 50+ языками, синтез — с 35+ языками и 50+ диалектами. Заявлены задержка в реальном времени меньше 500 мс и ход диалога меньше секунды. Поддерживаются звонки через SIP, браузерное подключение по WebRTC, вызов функций и доступ к своим системам. API доступен в ЕС; возможно и развёртывание у себя.
Транскрипция стоит от $0,0035 за минуту, синтез — $13 за миллион знаков, работа агента — от $0,04 за минуту.
Jockey отвечает на вопросы по библиотеке видео и фото, находит нужные моменты с таймкодами и ссылками на клипы, связывает сцены из разных роликов, сравнивает их и делает сводки. Также агент собирает первый черновик монтажа из подходящих кадров. В основе — модели TwelveLabs: Marengo кодирует людей, объекты, звук и текст в кадре, а Pegasus работает с событиями и контекстом.
Jockey можно подключить как MCP-коннектор к Claude и ChatGPT. Видео добавляется файлом или по ссылке, в том числе напрямую с YouTube. Сервис рассчитан на креаторов, маркетинговые команды, спортивные и робототехнические проекты; есть бесплатный тариф.
Sage-A1.5 — агентная MoE-модель на 35 млрд параметров, созданная на базе Qwen3.6-35B-A3B и Agents-A1. Она распределяет подзадачи между параллельными субагентами с изолированным контекстом: они могут оспаривать допущения друг друга. Модель проверяет собственный ход рассуждений без внешнего критика и меняет план с учётом удачных и неудачных шагов.
Среди задач — работа с кодом вплоть до патчей и тестов, поиск литературы, анализ данных и проверка доказательств. Поддерживаются инструменты, браузер, длительное планирование и следование инструкциям. Контекст составляет 262 тысячи токенов; запуск через SGLang или vLLM с OpenAI-совместимым API.
Claude Duet получает задачи в треде, похожем на чат, и выполняет их на облачном компьютере Anthropic — держать ноутбук включённым не нужно. Агент сам пишет, когда закончил работу или не может продолжить без решения пользователя. Утром присылает сводку, а затем обращается только по важным поводам.
Duet использует память, скиллы и приложения из аккаунта Claude и подключается к более чем 6000 сервисов, включая Gmail, Calendar, Slack, Stripe и HubSpot. Перед отправкой писем и платежами запрашивает разрешение. Research preview доступна по листу ожидания для подписчиков Pro и Max в США; есть приложения для iOS и Android и веб-версия.
FocusGUI помогает GUI-агенту удерживать внимание на информации, нужной для текущего шага. Адаптер использует семь каналов: текст с историей, экран, звук, видео, состояние взаимодействия, скрытые признаки и пространственные признаки экрана. Их веса пересчитываются на каждом шаге, а выбранная информация сжимается в латент из 64 чисел и добавляется к эмбеддингам декодера.
Базовая модель остаётся замороженной: обучается только адаптер. Обучение идёт по следующему действию, без разметки релевантности.
A Blender Python (bpy) script reduces a high-poly model from 1M to 50K vertices while preserving surface details. It automates baking of Diffuse, Roughness, and Normal maps. The example uses Codex-generated input and shows the output in Unity.
Mercury 3 предсказывает токены параллельными группами, а затем уточняет их. Inception заявляет скорость свыше 1000 токенов/с; на GPU NVIDIA компания получила 1068 токенов/с. Параметров в модели в 40 раз больше, чем в первой Mercury, при той же скорости. Контекст — 1 млн токенов против 260 тысяч у Mercury 2.5. Есть OpenAI-совместимый API.
На 50 реальных задачах Mind2Web агент выполнил половину — больше, чем GPT-6.1-Sol при том же расходе токенов. По собственным сравнениям Inception, модель в 4–8 раз быстрее GPT-6 Luna и Claude Haiku 5.5 при сопоставимом качестве. Среди сценариев компания называет браузерных и поисковых агентов, голосовую поддержку, репетиторство и разбор логов.
По стартовой скидке 50% цена составляет $0,10 за 1 млн входных токенов и $0,35 за 1 млн выходных; кеш дешевле ещё на 90%. Модель доступна через Inception API, OpenRouter, Baseten и Vercel. Новым ключам дают 100 млн токенов.
MemTensor выпустила семейство MemT-1.0: история диалога переходит во внутреннее состояние отдельного блока рядом с attention, а не остаётся текстом в контексте. Состояние меняется по ходу общения; сессию можно сохранить в файл и восстановить без текста переписки. Mixture-of-Storage позволяет увеличивать память без роста её стоимости, а опыт агента передаётся через память, не через строку в промпте.
Nano основана на Qwen3.6-35B-A3B и имеет 36B параметров, из них 3B активных. Flash основана на DeepSeek-V4-Flash: 288B параметров, 17B активных. На истории длиной 128K заявлено ускорение в 1,86 раза; состояние в 66 раз меньше KV-кеша.
По 11 бенчмаркам памяти Flash заняла первое место, Nano — второе среди методов с параметрической памятью. Системы с текстовой памятью в целом впереди, особенно в точном поиске деталей длинной истории.
ggml-org и Hugging Face выпустили Windows-версию Llama — порт приложения для macOS на базе llama.cpp. Чат ориентирован на Windows 11, но работает и на Windows 10. Он ищет модели на Hugging Face, поддерживает MCP, показывает статистику отдельных агентских сессий, живёт в трее и открывается поверх окон по Alt + Space. При двух мониторах окно появляется там, где находится курсор.
В версии v0.13 добавили speculative decoding, диплинки для вызова чата и запуска моделей, отправку изображений и текста на сервер llama и поиск локальных моделей в папках.
Автор проверил Qwen 3.8-27B на RTX 4090 с 128 ГБ RAM: первый запуск дал 20 токенов/с, второй — 40, последующие — 10–15. В первом ответе модель рассуждала, несмотря на отключённые рассуждения, во втором ответила кратко. При переключении на Gemma 3 и выгрузке Qwen из GPU Qwen вновь загружалась в VRAM и продолжала отвечать. Автор установил приложение с GitHub; в Microsoft Store оно ему не показывалось.
Авторы проверили 11 моделей на Mac с Apple M5: каждой дали одни и те же 20 простых заданий, включая «столица Франции», «2 + 2» и повторение кода ORANGE-42. Модели на 26–360 млн параметров выполнили от 3 до 14 заданий. Самая быстрая выдавала 581 токен в секунду и отвечала «2 + 3 = 5», а крупнейшая в этой группе отказалась отвечать на «2 + 2».
Qwen2.5 на 1,5 млрд параметров выполнила 19 из 20 заданий при скорости 44 токена в секунду. По оценке авторов, порог «здравого смысла» в этом тесте лежит между 360 млн и 1,5 млрд параметров. Модели запускались бесплатно, офлайн и без сервера — во вкладке браузера.
Vision-language & documents1
S-Agent 2.0 — инструменты измерения 3D-сцены для кодинг-агента
S-Agent 2.0 даёт обычному кодинг-агенту консольные команды для анализа изображений и видео. Он строит метрическую сцену с выравниванием по гравитации, превращает сегментированные маски в именованные 3D-объекты и сохраняет между вызовами их положение, размер, позу и имя. Внутри используются замороженные Depth Anything 3, p-mos, GeoCalib и SAM 3.
Агент может измерять расстояния, глубину и высоту, отслеживать движение камеры и объектов, получать компас и вид сверху. Пространственные отношения — «спереди», «слева», «ниже» — задаются с единицами измерения и системой отсчёта; перед ответом агент проверяет маски и карту и должен опираться на вычисленные значения. Ошибки реконструкции или неверное положение наблюдателя могут перейти в ответ.
Open-source tools aim to enable BF16 on RTX 3000-series GPUs by circumventing NVIDIA kernel restrictions. Repositories are available for Ubuntu and Windows, including a Windows fork for the RTX 3090.
По графику, на который ссылается автор, отставание открытых моделей от ведущих закрытых сокращалось: с 18 до 12, затем до 11 и 9 месяцев. Автор также пишет, что Qwen 3.8-27B с MTP, Dflash 2 и другими оптимизациями запускают на RTX 3090 со скоростью более 80 токенов в секунду. По его словам, власти США распорядились запретить DeepSeek в подведомственных организациях.
Егор Бугаенко предлагает пересмотреть принципы разработки, когда код пишут и проверяют ИИ-агенты. По его мнению, комментарии могут мешать агентам, а код лучше делать лаконичным. Старые проекты возрастом 10–12 лет он предлагает не переписывать с нуля, а «оживлять» с помощью ИИ: исправлять сотни багов и обновлять зависимости за считаные дни.
Бугаенко считает, что ручная проверка потока PR и баг-репортов замедляет работу и снижает качество. В его подходе агенты могут вливать по 40–50 PR в день, оставляя человеку сложные и радикальные изменения. Для PR он предлагает жёсткие автоматические фильтры — например, отклонять изменения объёмом более 200 строк вместо долгого обсуждения.
Вместо чтения каждого изменения человеку нужен краткий отчёт о его влиянии на производительность, качество и объём кода, а тесты должны быть наглядными — например, с YAML-фикстурами вместо громоздкого Java-кода.
