Mirage, создатели Captions, выпустили Tesseract — локальный 3D-движок для ИИ-агентов. Он собирает ролики через GPU path tracing, а не видеогенерацию. Сцену можно править точечно: двигать камеру, менять теплоту света и переставлять объекты без перегенерации всего ролика и риска исказить лица.
Агент ведёт в формате .tsrct таймлайн, слои, геометрию, материалы, траектории камер и звук. Есть CLI tsrct и навыки tesseract-3d, tesseract-motion и tesseract-video, импорт моделей glTF и Blender, физичные PBR-материалы, свет и кейфреймы. Для быстрой проверки предусмотрен мгновенный растеризатор, для ручной доводки — экспорт в Premiere Pro и After Effects.
Tesseract ставится одной командой, работает в Claude Code, Cursor, ChatGPT и Codex на Windows, macOS и Linux.
VINO возвращается к объемным трансформерам вместо популярных 2D-подходов к обучению 3D-представлений. Цели строятся из чистых глобальных ракурсов, а не искаженных локальных видов; голова-предсказатель отделена от модели-студента, поэтому цели надежнее и не подстраиваются под него.
ReLift от Техниона и NVIDIA исправляет готовые 3D-траектории, а не ошибки трекера и глубины по отдельности. Метод берет плотный 2D-трекер и модель геометрии видео, поднимает каждый пиксель по лучу камеры на предсказанную глубину, затем достраивает траектории небольшим трансформером.
Один checkpoint работает со всеми комбинациями трекеров и моделей геометрии. В комплект входят Depth Anything 3, VGGT-Omega, четырехмерный RC4, AllTracker и CoWTracker. На выходе — координаты каждой точки на всю длину ролика, маска наблюдений и камеры. Нужна CUDA-видеокарта с 24 ГБ VRAM, для CoWTracker — с 48 ГБ.
TRELLIS Studio combines local 3D asset creation tools in one interface. It generates textured models from images or imports existing models, with collections, generation profiles, and version history for organizing assets.
Users can add rigs, inspect skeletons, and attach animations from a library of 83 humanoid motions. It also creates LODs, prepares models for 3D printing, and exports for Blender, GLB, Unity, or Unreal.
A REST API and an MCP server support workflow automation. The original code is MIT licensed.
LTX-Video от Lightricks — латентная диффузионная модель на трансформере, которую одновременно обучают генерации видео по тексту и изображению. По данным авторов, на Nvidia H100 она создаёт 5 секунд видео в 768×512 при 24 кадрах/с за 2 секунды и превосходит модели того же размера по качеству. Код и веса открыты.
VAE и денойзер спроектированы совместно. Сжатие 1:192 — один токен на блок 32×32×8 пикселей — позволяет трансформеру видеть сцену целиком во времени и пространстве и сохранять согласованность кадров. Декодер VAE восстанавливает потерянные детали и выполняет последний шаг шумоподавления в пикселях, без отдельного апскейлера.
pi-H3 — вариант MiniMax H3 от Ханшэна Чена из Стэнфорда, созданный во время стажировки в Luma AI. Генерация занимает 2 или 4 шага. Пятисекундный ролик в 768p со стереозвуком готов за 3,8 секунды, десятисекундный — за 9,2 секунды. По заявленным результатам, модель быстрее Sol-H3 в 2,4–2,7 раза на двух шагах и в 1,2–1,4 раза на четырех.
Внутри — pi-Flow v2 с прямыми траекториями и DWD (Decoding Without a Decoder): на последнем шаге денойзер сразу выдает пиксели, минуя VAE-декодер. На четырех шагах заявлено качество выше других ускоренных H3: более живое движение, резкие кадры, бас и разборчивая речь. DWD на H3 пока экспериментален: из-за сильного сжатия модели ресурсов на полную оптимизацию не хватило.
Демо доступно на Hugging Face, для ComfyUI есть расширение ComfyUI-piFlow. Открытые веса и код обучения и инференса обещаны в LakonLab после демонстрационного периода, в двадцатых числах ноября.
H3 Director Studio V2 uses a segment-based pipeline to control video transitions, audio continuity, and upscaling. Users can review BASE generations, retain selected results, and run Latent 3D Upscale, or use a direct BASE + Upscale mode for uninterrupted processing.
A chain workflow provides automatic continuity across clips, with an active clip selector and a separation between manual clip edits and automated rendering. The public workflow includes documentation, an installation guide, and a dependency list, plus optional Spectrum acceleration for non-Turbo generations.
H3-FaceRefine-Plus is an open source node that significantly improves detail on small and medium faces in video, building on Carasibana's Facerefine node. It includes API and ComfyUI workflows, test comparisons, and documentation for usage and reproducing results.
Британский стартап PXLD представил DAWN — базовую модель пространственной гармонизации. По заявлению компании, она вставляет снятого актёра в любое видео, 360-панораму или 3D-сцену с динамическим релайтом, не меняя исходник. Субпиксельный маттинг сохраняет волосы в движении и полупрозрачные края без ореолов, а лицо, мимика и актёрская игра остаются без деформаций и нейросетевых морфингов.
Релайт рассчитывает физику света и тени под новую сцену без текстовых промптов и ручного ротоскопинга. Поддерживаются исходники от телефона до IMAX и сырых футажей, без ограничения по длине дубля. PXLD противопоставляет этот подход диффузионным видеомоделям, которые перерисовывают весь кадр и портят лицо от кадра к кадру: DAWN изолирует персонажа и меняет только освещение и окружение.
Модель проприетарная и предназначена для кино. Доступ пока закрыт, открыта запись в лист ожидания.
MiniMax открыла H3 Image на Hailuo AI и выпустила веса с нативной поддержкой ComfyUI 0.45 / 0.45.0. Один checkpoint поддерживает text-to-image и редактирование: до 16 референсов с обозначениями <Picture 1>, <Picture 2>, форматы от 21:9 до 9:16, экспорт в 1K, 2K и 4K, включая 4096×4096 и 6272×2688. Для платформы заявлено окно до 32 000 символов, для ComfyUI — до 4096 токенов. CFG-distilled модель работает за 6 шагов при guidance 1 без negative prompt, с тем же Qwen3-VL, что и видеомодель H3. INT8-веса занимают 20 ГБ, энкодер — 7 ГБ, VAE — 1 ГБ; доступны также pruned-, BF16- и NVFP4-варианты. В примере для обложек использованы minimax_h3_image_pruned_bf16, qwen3vl_32b_minimax_h3_bf16 и minimax_h3_image_vae_fp16, разрешение 4160×4000 — около 16,6 МП, Euler / Simple, 6 шагов, CFG 1 и ConditioningZeroOut.
MiniMax-H3-Image-PE разворачивает промпт в JSON с подписью и соотношением сторон, ограниченный схемой. Основа — Qwen3.8-27B с 27 млрд параметров; FP4 требует около 19 ГБ VRAM. Редактирование по референсам еще разрабатывают, пока для него дали один промпт. Есть отдельный skill для написания промптов. LoRA pDMD сокращает генерацию с 6 до 2 шагов: доступны файл на 40 ГБ с влитой LoRA, отдельная LoRA на 2 ГБ, пресеты, workflow и демо. Нативное разрешение — 16 МП; предусмотрены черновик в половину размера, апскейл и второй проход. Сообщество предложило workflow с Pose Studio для переноса поз, сборку листов персонажей, включая машины и четвероногих, и оптимизацию редактирования с сокращением времени на 40% на конкретном оборудовании при сохранении выхода в 16 МП. Fizgig 9.6 добавил обучение LoRA, LoKR и masked training с несколькими референсами, бесплатный адаптер против искажений, восстановление после нехватки VRAM, обработку неудачных запусков в очереди и стабильный PyTorch от AMD для ROCm. В v9.7.0 появились Automagic v4, оценка сходства через AdaFace ViT вместо ArcFace и персональный график сходства; автор рекомендует пресет H3-Image Standard на 0,25 МП.
Ostris связал потерю деталей с унаследованным от видеомодели VAE: пространственное сжатие — 32 раза, вдвое сильнее, чем у Flux. По его оценке, рост разрешения усиливает артефакты, а 16 МП не превосходят по четкости 2–4 МП у MOSS с VAE Flux; он уже дообучает декодер. Участники Reddit советуют VAE от Pruna, SA SOLVER / SGM UNIFORM и уменьшение результата с 16 МП; автор канала считает 16 МП маркетинговой цифрой, а не приростом качества. Другие эксперименты сравнивают 61 и 100 МП и показывают снижение артефактов с референсами; переключение режима через image tokens пока обсуждают как гипотезу. Также появились загрузчик видео-LoRA без аудиослоев и без изменения исходного файла, апскейл видео через RelayVSR и H3, автоматизация 60-секундного ролика на RTX 3050 с Python, постоянными референсами персонажей и шестисекционными промптами. Отдельный H3 Singularity V2 рассчитан на GPU с 6 ГБ VRAM: text-to-video, image-to-video с аудио, MultiRef + Audio2Video с lip sync, ref-to-video, апскейл с 720p до 4K и интерполяция с 24 до 48 fps; используются сборки pruned INT8, W4A8 и GGUF.
Для MOSS-Image-SFT вышли Control LoRA для OpenPose/DWPose, Depth, Canny, Lineart, Normal, Scribble и Segmentation/Color-map, с готовыми workflow на TextEncode MOSS Edit. Среди моделей и стилей — fine-tune Juggernaut MOSS v1 в INT8 размером 5,4 ГБ, Natural Hands с триггером h4nds, Lip Biting v2 с lipb1te, пластилиновый стиль «Трупа невесты», PixelArt 16×16 со скриптом, Pen Sketch под чёрную шариковую ручку, NeoObscura для сюрреалистичных постеров, Mineral Ink с фактурной чернильной печатью и Risograph. Amateur Slider при силе 1.5 придаёт людям и уродливым фэнтези-фигурам любительский вид и огрубляет кожу; файл лежит в Optional files. Cinema Wide Lens добавляет широкие ночные сцены, леттербокс-полосы и синие блики, Midnight Oil — глубокие ночные сцены в стиле классической масляной живописи. Есть и Anime-to-Real для реалистичной перерисовки аниме.
GrabTag разбирает иллюстрацию на части, автоматически ставит теги и создаёт region-ID карту цветов и layout JSON; для ComfyUI есть рекомендации, но пока нет workflow. Layout Cookbook содержит 12 макетов в виде готового JSON, Character Sheet Designer — конструктор листов персонажей с workflow. Скрипт для Poser выдаёт depth-map и colour-map одной кнопкой для Color-Depth Control MOSS и рендерит сцену в реальном времени. ComfyUI-Alt-Prompt чередует промпты: [pear:apple:0.5] задаёт грушу на первой половине шагов и яблоко на второй. Также доступны workflow с настройками фокусного расстояния, фокуса и экспозиции, стартовые шаблоны и видео о правке неверных слов на постерах.
HexAnima 1.3.0 запускает MOSS-Image 5B целиком на NPU телефонов со Snapdragon 8 Gen 1/8+: около 30 секунд на 512×768, собственная LoRA, без облака и рекламы. Поддерживается только T2I, текст в изображении получается пиксельным; загрузка занимает около 14 ГБ. Отдельно доступен четырёхшаговый порт MOSS-Image SFT для AMD Ryzen AI NPU на XDNA 2. Обновление ComfyUI Portable повышает скорость и эффективность LLM-workflow на разных платформах.
A diffusion workflow uses the checkpoint `diffusion_models/turbo.safetensors`, the custom trigger word `Purpl3A3th3r`, and a list of LoRAs with individual strength settings. It exposes width, height, steps, cfg, sampler name, and scheduler for customization.
The author describes a Fable 5.2 workflow for converting sprites to skeletons, reporting improved results. It uses Opus/Sonnet for image and video generation and incorporates Spine for armor and weapon customization, with a supporting GitHub repository available.
Annie's Tractor creates animations from video content and includes a setup guide for a first project in HOLD_MY_HAND.md. The repository offers two branches, main and freelease, for different usage needs.
PAN 2 от MBZUAI — модель мира на 29 млрд параметров, которая симулирует изменения в ответ на действия и выдает видео до 20 секунд в 720p при 24 кадрах в секунду. Поддерживает text-to-video и image-to-video. Веса и код обучения открыты под Apache 2.0, есть интеграция с Diffusers и поддержка FastVideo.
Языковая модель составляет плотный сценарий состояния мира, а не просто переписывает промпт. События и действия привязаны ко времени; камера вложена в событие, но отделена от действия. По словам автора, при обучении он проверял это на 20-секундных роликах с десятком и более движений камеры и получал неплохой результат. Диффузионный backbone на 29B дополняет недостающие детали и рендерит видео через VAE от Wan.
Ограничения: примерно в двух из трех длинных планов хотя бы один шаг не выполняется, а внешний вид меняется между клипами.
EvoWorld продолжает моделировать мир, когда камера отворачивается: помнит, что уехало, упало или сломалось вне кадра. VLM поддерживает состояние сцены и просчитывает последствия событий, а визуальный рендерер показывает правдоподобную реакцию.
Модель построена на LTX-2.5 с 22B параметров: в составе трансформер, кодировщик Gemma 4 на 12B, видео- и аудио-VAE. EvoWorld понимает и звук. LoRA-адаптер обучен с дистилляцией; в репозитории доступны данные и отдельный бенчмарк.
This custom ComfyUI node supports multi-pass rendering of videos up to several minutes long by dividing them into overlapping frame segments, overcoming the usual frame-limit constraints. It includes visual inspection guidelines for continuity between passes, with default settings optimized for 24 fps output.
H3 Editor is an open-source ComfyUI node pack for timeline-based video editing, letting users define shots through simple text fields rather than node graphs. Each shot includes corresponding sound, and users can generate draft clips before rendering final versions.
The editor supports HTTP calls for agent integration and includes an agent skill in its repository. A related open-source project, Motion Graphics, is also available.
Geiru Window Director and Geiru Hybrid Windows provide a workflow for creating seamless long-form H3 videos in ComfyUI using overlapping windows. Users can approve, re-roll, rewind and blend individual windows, with each window saved to disk for later access and modification.
The tools build on MiniMax H3 and integrate with ComfyUI and ComfyUI-KJNodes. The Geiru Context Suite includes step-by-step workflow guidance and example workflows.
An anime video workflow uses ComfyUI with MiniMax H3 for generation, incorporating BlockSparseAttention and Sigma shift settings. Real-ESRGAN handles upscaling.
The Unplatform AI Provider Node lets users save ComfyUI workflows, add them to a model list and run generation through the Unplatform AI App. The workflow includes 19 models, including MiniMax H3 and Qwen 2.1, with guidance on VRAM requirements for different GPUs.
CreatorOS Studio is an open-source, local AI studio using open weights for photo and video editing, character swapping, and auto-edited reels. It supports creating photos, videos with sound, and music, and is compatible with 8 GB of VRAM.
Энтузиаст akakaiy выпустил русскую LoRA для MOSS-Audio-8B-Thinking, сделанную для своего ассистента: ему нужно понимать голосовые, звонки и музыку, а не только получать транскрипт. Доступны сама LoRA, GGUF Q6 с потреблением 7,7 ГБ VRAM для CrispASR и патч к нему. По заявлению автора канала, на шумной живой русской речи модель обходит Whisper large-v3 и все предыдущие версии Whisper, а музыку, фоновые звуки и интонацию понимает примерно на уровне базовой модели.
На чистой начитанной речи GigaAM и Whisper остаются в 2–3 раза точнее, на песнях впереди GigaAM, а эмоции распознаются чуть хуже базовой модели. Иногда модель приглаживает живую речь, убирая «ну» и «э», и записывает латинские бренды кириллицей. Автор канала советует GigaAM, если нужны только слова, эту модель — если нужен весь звук, либо обе сразу.
Open-H3-Regenerate-2K-IC — вторая версия открытой замены закрытому API H3-Regenerate-2K от NVIDIA Labs. Она повышает разрешение черновиков MiniMax H3 с 768P до 1080P, 2K или 4K, сохраняя лица, липсинк, надписи и композицию.
Вместо FL2VA из первой версии черновик подаётся в трансформер Ref2VA как референсное видео. LoRA работает в его контексте, поэтому лица и текст точнее соответствуют исходнику. Быстрый VAE-декодер второй версии убирает сетчатые артефакты, которые возникали у первой в ComfyUI.
LoRA turbo, regenerate и LMS теперь доступны отдельно, а не слиты в одну. Добавлена HyperFlow на 8 шагов; шлифовка занимает 3 или 4 шага вместо полного прохода на 8.
ReCaVSR — открытый апскейлер на базе Wan 2.2 TI2V-5B: увеличивает видео в 2 или 4 раза за один шаг диффузии на блок из 8 кадров. FlashDecoder декодирует блоки на лету, а потоковая обработка входных и выходных кадров позволяет увеличивать длительность без роста потребления RAM и VRAM. Мелкие детали модель дорисовывает, а не восстанавливает.
В ComfyUI лишние веса подгружаются по ходу работы: выход 1440×1440 помещается в 8 ГБ VRAM. Приведены примеры обработки 149 кадров с выходом до 3840×1920 на мощных GPU, также заявлена поддержка разрешений примерно до 5,5K. Версия int8 в 1,8 раза быстрее bf16 и экономит 4 ГБ VRAM; близость результата к bf16 оценивается в 47–48 дБ. Веса bf16 предлагаются как вариант с большей детализацией.
Вместо FlashDecoder можно использовать штатный VAE Wan 2.2: результат резче, но обработка в 25–40 раз медленнее. Ядра совпадают с эталонной реализацией бит в бит. Интеграция проверена на Linux с RTX 3090 и 4090 в ComfyUI 0.44.
В ComfyUI 0.45 переписали критический участок генерации Qwen3.x: те же checkpoint на той же видеокарте выдают до двух раз больше токенов при прежнем качестве. На RTX 5090 скорость Qwen3.5 9B выросла со 106 до 219 токенов в секунду, а 27B при описании изображения — с 55 до 122. Оптимизации рассчитаны и на потребительские карты, включая RTX 3060.
Для генерации каждого токена оптимизировали GEMV-ядро: веса и шкалы разместили в порядке чтения, нормировку встроили в активацию. Механизм attention переработали под короткие запросы. INT8-кэш позволяет помещать в память длинные контексты, которые раньше не влезали. MTP теперь хранит запасные варианты деревом, а не одной цепочкой, и подстраивает его форму под текст: код выигрывает от глубины, творческое письмо — от ширины.
Для включения достаточно обновиться до 0.45 и поставить auto в mtp. Поддерживаются NVIDIA и AMD, Windows и Linux.
ComfyUI Quant Bench compares five storage formats—fp8 cast, fp8 scaled, int8 ConvRot, w4a8, and nvfp4—against bf16 across ten GPUs, including the RTX PRO 6000 and RTX 3090. The report covers quality differences by GPU generation and recommendations for turbo LoRAs on quantized models, with a GitHub test kit for further testing and contributions.
Tree-Ising решает задачу исправления весов напрямую в BF16 через дискретную оптимизацию. В работе MIT эту задачу для Qwen3.5-0.8B решала GPT-6 Astra: 158 ходов, 89.7 млн токенов и 50 прогонов. Здесь цель строится по статистике прямых проходов: ослабить направление, вызывающее зацикливание, усилить направление, ведущее к ответу, и не менять вывод на полезных токенах. Задача точно раскладывается на независимые задачи Ising — по одной на строку выхода.
На MATH-500 результат составляет 54.6% против 51.7% у агента и 7.9% у базовой модели. Битовых флипов в 2.2 раза меньше, затронутых весов — на 13–17% меньше. Требуются 4 прогона вместо 50, ноль токенов LLM и около $0.90 затрат на GPU. На Qwen3.5-2B результат GSM8K вырос с 21.6% до 69.4%.
Метод исправляет те же два слоя, которые выбрал агент. Слои и объем изменений подобраны по базовой модели.
HARP от МФТИ заменяет фиксированное случайное преобразование Адамара в методах квантования на обучаемый ортогональный процессор. Он учится на калибровочных данных и подстраивается под статистику каждого слоя. Это требует разовых затрат на калибровку, но повышает точность при том же уровне сжатия, без переобучения полной модели.
При двухбитном квантовании Llama 2 на 7B параметров перплексия составляет 9.51 против 10.86 у базового QuIP#. Обратное преобразование и эффективность сохранены, а накладные расходы на хранение процессора ничтожны.
Интеграция в существующие пайплайны требует минимальных правок. Доступны две интеграции — QuIP# и QTIP, каждая запускается из своей папки.
Skywork AI представила Matrix-Game 4.0 — полностью играбельный гибрид игрового движка и модели мира, работающий в реальном времени. Движок на C++20 отвечает за физику, геометрию, коллизии и ввод игрока. Диффузионный трансформер превращает лёгкий low-poly поток в фотореализм, в пресете realtime — за один шаг. Перед генерацией поток сжимает видеокодек TAEHV. Интерфейс и звук вынесены за нейросеть и накладываются поверх покадровыми слоями, чтобы цифры и прицел не галлюцинировали.
Заявлена скорость до 67 FPS на RTX 5080 и 58 FPS на RTX 5070 Ti при разрешении 864 × 480. Есть профили для RTX 5090 и серверных A100. Для правки механик движок можно запустить локально без видеокарты на 48+ FPS; также доступны офлайн-рендер геймплея в 1080p и стриминг в браузер по WebRTC.
Patch’s Open-Source Toolbox offers 50,000 game-ready assets, including 3D models, textures, 2D assets, sounds, and music, alongside open-source systems such as procedural dungeons and physics engines. The library is searchable through a CLI and MCP.
Browsing requires no sign-in, while downloads require sign-in to protect against bot attacks. More assets and systems are planned.
The workflow uses Jev to score art assets against multiple criteria and Claude agents to generate Blender scripts for different iterations, incorporating player feedback into the improvement loop. It also includes weekly research into new techniques and models, plus graphs tracking art scores over time.
Tougelike was successfully ported from PC to Nintendo 3DS with AI tools, using the devkitPro SDK and Azahar for custom C++ tooling. The game files are available to download, and the port supports cross-platform savegame compatibility.
This workflow designs 2D game characters with an image model using a reference character's style, then animates multiple characters together in a single green-screen video frame. A Python/ffmpeg script automates cropping, green keying, and asset preparation for Godot; the workflow also includes a per-clip animation cost breakdown.
Regolith is an open source planet engine for Godot developed with AI-assisted coding. It features patched-conic orbits, rendering based on Mars elevation data, and physically based skies; its development approach emphasizes responsible AI use with developer oversight.
Iris-Z от Speridian Labs использует одни веса на базе Flux 2 для четырех задач: текст в изображение, текст в изображение с глубиной, фото в глубину и карта глубины в изображение. Есть две версии: Iris-Z-big на 32,2 млрд параметров и Iris-Z-small на 9,1 млрд. Обе работают с разрешениями 512 и 1024.
По заявленным результатам, Iris-Z превосходит специализированные модели глубины, включая MoGe-3, на стандартных бенчмарках и сохраняет качество генерации исходного Flux. Преобразование фото в глубину занимает четыре шага и не требует текстового энкодера. Модель также выводит маску неба и относительную глубину с цветовой визуализацией.
Big требует около 112 ГБ памяти, small помещается в 33 ГБ; заявлена работа на RTX 5090 или A100. Веса опубликованы на Hugging Face, SDK — на GitHub.
Map2SLAM строит карту местности и определяет положение камеры в реальном времени по видеопотоку. В основе метода — потоковое предсказание карт моделью LingBot-Map. Заявлен SOTA по точности на трех наборах: KITTI, VBR и Oxford Spires.
Ошибка траектории более чем на 40% ниже, чем у лучших существующих подходов без калибровки камеры. На RTX 5090D метод работает быстрее реального времени — свыше 28 кадров в секунду.
Chimera строит звук через физическую симуляцию горла, рта и носа: у модели головы можно двигать язык, губы и челюсть. Синтезатор читает текст, поет, битбоксит и подражает животным; браузерное демо работает без установки.
Piropipo is an open-source Rust CLI that lets AI agents compose 8-bit music, converting plain text into NES-style WAV files and verifying that the music stays within the chip's limits. It also outputs note-level JSON and piano-roll PNG visualizations, and can produce game sound effects.
Confucius4-R2T2 от NetEase Youdao — потоковая модель распознавания речи на базе Qwen3-ASR-1.7B. Уже выданный текст не меняется: промежуточные догадки остаются внутри модели. Размер чанков от 80 мс до 2 с и бюджет догадочных токенов позволяют настраивать баланс точности и задержки без переобучения.
Модель сохраняет контекст и словарные подсказки, поддерживает темы. Один checkpoint работает и с потоком, и с файлами; доступны бэкенды vLLM, transformers и опционально llama.cpp, а также готовый WebSocket-сервер для множества клиентов.
Обучение прошло на 1500 часах китайской и английской речи. Макроусреднённая ошибка на десяти языках и 18 наборах составила 8,40%. По оценке автора, русский модель знает слабо.
VoxMel напрямую строит мел-спектрограмму через точно обратимое двухосевое вейвлет-преобразование Хаара. Языковой бэкбон с головой flow-matching авторегрессивно генерирует грубую мел-карту, а два неавторегрессивных уровня добавляют детали по времени и частоте, не засоряя историю генерации. Раздельный расчет структуры и деталей позволяет длинной генерации не накапливать ошибки.
Модель поддерживает английский и китайский, клонирует голос по короткой записи и ее транскрипту. Русского нет. Есть версии на 0.3B и 0.6B параметров. Постобучение с GRPO улучшило все четыре метрики Seed-TTS.
Отдельный вокодер Vocos превращает восстановленную спектрограмму в речь. Математически точная инверсия преобразования сама по себе не гарантирует безошибочную работу декодера или безошибочный звук.
SoulScript Engine is an open-source framework for AI-driven NPCs with persistent identities, long-term memory, consistent personalities, relationship tracking and continuity across sessions. Its continuous loop-style architecture updates character state over time, enabling interactions based on historical context for RPGs, immersive sims and social simulations.
The developer uses Claude to model different player types with distinct goals, with each agent completing an evaluation sheet after playing to flag bugs and gameplay issues. Repeated playtests and adjustments use this feedback to refine game mechanics and player experience before release.
Elephant-Goldfish Model — открытый плагин Google, который разделяет работу кодирующих агентов на две роли. «Слон» хранит контекст проекта и пишет спецификацию, а «золотая рыбка» проверяет черновик без памяти о предыдущем разговоре, чтобы находить невысказанные допущения. Проверка проходит в пять стадий со свежими субагентами, а не с тем агентом, который писал черновик.
Плагин включает навыки разбора идеи, подготовки черновика, проверки, разбора замечаний и поиска расхождений документации с кодом. Устанавливается в Antigravity, Claude Code, Codex CLI, ChatGPT и Copilot. Архитектурные компромиссы выбирает человек; он же утверждает спецификацию до реализации.
Если свежие контексты недоступны, агент останавливает проверку, а не имитирует ее. Код опубликован под Apache 2.0, но плагин не считается официальным продуктом Google.
Anthropic представила Claude Fable 5.2 и Mythos 5.2 на одной базовой модели. Fable доступна всем со строгими ограничениями по кибербезопасности и биологии, Mythos — только проверенным организациям. По заявлению компании, 1000 агентов за 30 часов формализовали доказательство Великой теоремы Ферма; Opus 5.5 по той же схеме выполнила лишь 26% работы. Также заявлены решение двух открытых задач физики чёрных дыр, предсказание структуры капсидов аденоассоциированных вирусов и проектирование трёх работающих электронных устройств с платами и корпусами.
Генерация до 30% быстрее версий 5.1, а быстрый режим ускоряет вывод в 2,5 раза. Цена — $8 за миллион входных токенов и $40 за миллион выходных; в быстром режиме вдвое дороже.
Самой сильной моделью на каждый день Anthropic по-прежнему считает Opus 5.5 и советует переходить на Fable только для крупных задач. По данным компании, Mythos находит на 10,2% больше уязвимостей, чем Opus 5.5, и лучше калибрует их оценки.
Google открыла доступ к Gemini 4 Carbon — своей самой сильной модели для кибербезопасности, длинных агентных задач, кода и научного рассуждения. Она занимает первое место в CursorBench 4.0, WANDR и AutomationBench при вдвое меньшей цене за задачу, лучше Argon ищет и исправляет уязвимости и в тестах блокирует почти все атаки. Цены за миллион токенов начинаются с 2 и 10 долларов, затем — 4 и 20 долларов. В приложении Gemini и поиске Carbon доступна только подписчикам AI Ultra за 250 долларов. В Antigravity режим /swarm превращает запрос в команду агентов.
Gemini 4 Hydrogen предназначена для повседневных агентных задач и доступна в Search и приложении Gemini в том числе бесплатно. Контекст — 1 млн токенов на вход и до 1 млн на выход, есть четыре уровня рассуждений. Hydrogen обходит Argon при высоком уровне рассуждений и даже с настройками по умолчанию, дольше работает над задачами и выдумывает в разы реже предшественника. Для разработки предусмотрены ревью кода без лишних правок и пакетное чтение файлов.
В режиме Orchestrator в Antigravity модель сама переключается между Hydrogen и Carbon внутри одной сессии. Результат получается почти на уровне Carbon, с экономией 24% квоты и времени.
Baidu выпустила первую дообученную версию ERNIE 5.5 Flash Base на архитектуре MoE: 280 млрд параметров, из них активны 14 млрд. Контекст — до 1 млн токенов. В 37 из 43 слоёв KV-кеш сжимается до одной записи на 128 токенов.
Заявленная скорость на Baidu Qianfan — больше 200 токенов в секунду на пользователя. Модель работает с документами и кодом, а через внешние инструменты генерирует игры, 3D и видео.
Открыт предварительный доступ к Qwen4-Max-Preview — первой модели семейства Qwen 4, рассчитанной на сложный кодинг, автономных агентов, вёрстку интерфейсов и глубокую аналитику. Контекст — до 1 млн токенов, лимит вывода — до 393 тыс. токенов, которые динамически делятся между рассуждениями и ответом. Текст, код, схемы, графика и видео обрабатываются в одной изначально мультимодальной архитектуре.
В Agent Mode модель сама разбивает задачу на подзадачи, вызывает инструменты и API, исполняет код в изоляции, исправляет синтаксис и собирает интерактивные страницы. Её обучали на инженерных сценариях: рефакторинге больших кодовых баз, поиске уязвимостей и автоматизации офисных процессов.
Модель доступна в Alibaba Cloud Model Studio, Qoder и QwenWork. Бесплатно попробовать её можно в Qwen Chat.
Meta выпустила MetaEncoder v1 — мультимодальный энкодер на 28 млрд параметров. Он объединяет текст, изображение, до восьми кадров видео или их смесь в один вектор размерности 6656. Инструкция задает смысл эмбеддинга: одно и то же вложение кодируется по-разному для документа и запроса. Если кадров больше восьми, они равномерно прореживаются.
Работа строится на трех вызовах: кодирование содержимого в вектор, поиск по корпусу и ответы на вопросы о состоянии. Векторы можно кэшировать и многократно использовать для поиска в сжатом корпусе. Метод decide не генерирует ответ, а выбирает вариант ответа на закрытый вопрос о сцене по сходству — модель специально обучали этому, а не рассуждению.
Модель помещается в bf16 на одной видеокарте с 80 ГБ памяти. Требуется transformers новее 5.15; веса — из Muse Glimmer.
Гендиректор Weta FX Дэниел Си рассказал, как менялись требования студий к ИИ. Год назад юристы запрещали любое применение, к середине года разрешили его по согласованию, а к концу стали спрашивать о стратегии ради экономии. С третьего квартала этого года отсутствие такой стратегии уже может оставить подрядчика без работы. Weta FX работала над «Властелином колец» и «Аватаром».
Weta нашла партнера — тайваньскую Moonshine, которая не связана ограничениями клиентов. На Тайване развитие ИИ считают государственной задачей; партнерство также дает доступ к молодым специалистам и стажировкам в трех городах.
По словам главного технолога Кимболла Терстона, Weta разрабатывает собственные модели для изменения мира, а не чат-ботов. Kling и Seedance используют с разрешения клиента и с хостингом вне Китая. Заменять художников студия не собирается.
Deep-TEMPEST восстанавливает картинку с экрана по электромагнитному излучению HDMI-кабеля. Это атака по побочному каналу TEMPEST: она работает без взлома и паролей, даже когда компьютер отключён от интернета. Для перехвата нужны антенна, SDR-приёмник и усилитель.
В отличие от классических подходов, Deep-TEMPEST использует глубокое обучение: нейросеть заметно улучшает качество восстановленного изображения и позволяет разбирать текст на экране. Это исследовательская демонстрация уязвимости, а не готовый инструмент «прицелься и читай»: для реального перехвата нужны близкий физический доступ и оборудование стоимостью в сотни долларов.
В конкурсе Open Source Higgsfield главный приз получил ComfyUI Panorama Stickers — пакет для создания панорам. Самым инновационным признан Blocksfield: он превращает питч в играбельную three.js-игру по ссылке или Roblox-мир. Самым вирусным стал Imagination Studio — локальная киностудия с планированием фильма, Qwen-Image/FLUX3, видео MiniMax H3/FastH3 со звуком, голосами Fish Audio, музыкой и монтажом. В категории «только открытые веса» победил Paint a Plate: нарисованная правка позволяет стирать и добавлять объекты, менять освещение всего шота через ComfyUI.
Среди отмеченных проектов — H3 Motion с управлением движением объектов мышью и dual-clock-денойзингом; Reshoot 4D с захватом движения, виртуальной камерой и дорисовкой через LTX 2.3; OneShot MV для клипа с липсинком из песни и одной строки описания. Freefield объединяет 120 приложений на открытых весах, каждое — папка с workflow ComfyUI. SpEdE редактирует объекты в 3D Gaussian Splat с SAM 3.1, Qwen-Image и MoGe. Sonder App предлагает таймлайн для длинного видео. Почетные упоминания также получили Max Editor, Genobi, Henge и H3-AudioRetake-Studio.
В подборку экосистемы вошли ComfyArt — бесконечный холст tldraw с агентом через MCP и генерацией изображений, видео, 3D и аудио; Creativefield — студия с keyframes, заменой персонажей и фоторедактором FotoField; Genobi — голосовая студия со сценами World Builder, акустикой под размер комнаты, аудиореактивным видео LTX и камерой для FLUX/LTX/H3. Отдельная витрина собирает все 324 заявки со скриншотами, описаниями и фильтрами по функциям. Посетители могут распределять баллы между проектами; порядок показа меняется случайным образом при каждом посещении. Код и данные витрины открыты.
