LEGO-Anything

Фреймворк из AWS: превращает одно фото в редактируемую 3D-сцену. Кодинг-агент пишет и исполняет код Blender, смотрит рендеры и правит программу, пока не соберёт сцену.

• Из одной картинки собирает редактируемую 3D-сцену
• Результат — не картинка и не фикс-модель, а явная сцена-программа
• Сцену можно смотреть, править и опрашивать
• Агент итеративно пишет Blender-код, проверяет рендеры и пересматривает

Состав
• LEGO-Bench — бенчмарк
• LEGO-Plugin — интеграция
• LEGO-World — сборка миров

Код ждем

#imageto3d #image2scene

MAX

Decision 2.0

Семейство открытых decision-моделей от vLLM Semantic Router. Не генерируют текст, а отвечают на вопросы с вариантами ответа, да/нет или по шкале — сразу вероятностью для каждого варианта, одним проходом.

• Ответ на вопросы выбора, да/нет и по шкале за один проход
• Вероятность для каждого варианта вместо генерации текста
• Вход — текст или JSON
• Режим роутинга запросов: какой команде отдать тикет, есть ли чек, насколько срочно

• 6 размеров: от 0.6B до 27B (Vega-27B, Lux-9B, Nox-4B, Sol-2B, Eos-0.8B, Kai-0.6B)
• Контекст 32,768 токенов
• Медиана 71.4 мс на вопрос на одной GPU

Vega-27B — лучший в семействе, топ-скоор JevArena для своего размера (74.0)

github.com/vllm-project/semantic-router

Спасибо @m_franz

#decision #rlcd

MAX

Pi 1.0

обвязка агента, которую можно сделать своей

Минимализм и полная гибкость: берут только то, что доказало себя, фичи-однодневки отметают. Сотни тысяч пользователей в неделю, MIT.

Что нового в 1.0
• Codemode — нативная поддержка #MCP и не-текстовых моделей (Jev, картинки)
• Расширения для виртуальных моделей
• Отложенная загрузка инструментов
• Нагрев кэша для моделей Anthropic
• Системный промпт, меняемый по ходу диалога
• Новый TUI-тема и full-screen по умолчанию

Отдельно — Pi Durable
Экспериментальная платформа для долгоживущих агентских приложений: длинные задачи и диалоги вне терминала. Делит принципы Pi — минимализм и гибкость — но тянет их дальше.

pi.dev
github.com/earendil-works/pi

#harness #agent

MAX

Решающие модели (System 1) #decision #rlcd

huggingface.co/orcarouter/OrcaSAQ-2-27B - OrcaSAQ2 27B: высокоточный reasoning в файле 12.3GB

huggingface.co/orcarouter/OrcaSAQ-2-Cyber-27B-Uncensored-GGUF - OrcaSAQ2 Cyber: без цензуры, 15.7GB

huggingface.co/akhilaaa3/Jev-Omni - Jev-Omni: решения по тексту, картинкам, аудио и видео разом

huggingface.co/fastino/GLiNER2.5-Decide - GLiNER2.5-Decide: оценка любого набора меток за один проход, без генерации токенов

huggingface.co/SupersonicLabs/Julia-1 - Julia 1: 144M параметров, контекст → чёткие решения

huggingface.co/Contrastive-LM/CLM-v0.1-8B - CLM-v0.1-8B: вместо медленных верификаторов — эмбеддинги состояний и действий

Скорость и кванты #optimization #gguf #dflash

huggingface.co/harshatheg/Qwen-2.5-1B-RLCD - RLCD: извлекает структурированные данные в 7 раз быстрее на Apple Silicon

huggingface.co/z-lab/Qwen3.8-27B-DFlash2 - Qwen3.8-27B DFlash2: ускоренная генерация (drafter-модель)

huggingface.co/sirus/Qwen3.8-27B-heretic-ara-MXFP6-MXFP8-DFlash2-GGUF - новый формат кванта MXFP6/MXFP8 + DFlash2: быстрее инференс

huggingface.co/Edge0/Edge0-35B-A3B-preview - Edge0-35B-A3B: модель «телефонного» класса, работает в 3 GiB памяти

Агенты и инструменты #agent #toolcalling

huggingface.co/XingChen-AGI/Xing4.0-29B-A4B - Xing4.0-29B-A4B: агентные задачи на Ascend NPU, контекст 256K

huggingface.co/TokenRhythm/NeoHorse-1-4B - NeoHorse-1-4B: роутинг-обвязка, прокачивает Qwen3.5-4B

huggingface.co/apodex/Apodex-1.1-mini-GGUF - Apodex-1.1-mini: агентные задачи по файлам и данным

huggingface.co/nex-agi/Nex-N2.5-Pro - Nex-N2.5-Pro: агент для кодинга и работы с компьютером

huggingface.co/nex-agi/Nex-N2.5-mini - Nex-N2.5-mini: длинные агентские задачи с vision-обратной связью

github.com/ortegaalfredo/ngram-knowledge-injector - инжектор фактов в память Qwen3.8 через n-gram

huggingface.co/TheOneWhoWill/Coding-Monkey-Gemma-GGUF - Coding-Monkey: локальная модель с сильными тул-коллами

huggingface.co/pipecat-ai/phonellm-alpha-1 - phonellm: держит телефонных агентов в рамках диалога

Мультимодальность и контекст #multimodal

huggingface.co/deepseek-ai/DeepSeek-V4-Flash-Vision-Exp - DeepSeek-V4-Flash Vision Exp: экспериментальный мультимодальный вариант

huggingface.co/Agnes-AI/Agnes-2.5-Pro-Alpha - Agnes-2.5-Pro: рассуждения на миллион токенов

github.com/QLNI/SHADOW-250M-Instruct - SHADOW-250M: архив 100M токенов ужат до 60MB файла

Код и всякое #coding

huggingface.co/ornith-ai/Ornith-1.5-9B - Ornith-1.5-9B: #reasoning и кодинг на одной GPU

huggingface.co/ornith-ai/Ornith-1.5-35B-A3B-GGUF - Ornith-1.5-35B-A3B: GGUF под локальных кодинг-агентов

huggingface.co/openbmb/MiniCPM5-2B - MiniCPM5-2B: карманная модель, кодит и рассуждает

huggingface.co/IFM/K2-Horizon-MoVA-36B-A4B - K2-Horizon-MoVA: 36B всего, активно 4B

huggingface.co/XHToken/Spark-X2.5-4B - Spark-X2.5-4B: компактная универсальная 4B (гибридное внимание, 1M контекст) #compact

huggingface.co/thesysdev/OUI-1 - OUI-1: диффузионная генерация UI-экранов за ~секунду #gui

huggingface.co/LessThanThreeAI/Qwen3.8-27B-Humanlike-Chat-GGUF - Humanlike-Chat: живой, реалистичный ролеплей

huggingface.co/TheDrummer/Artemis-31B-v1.1 - Artemis-31B: креативное мышление поверх Gemma 4 Chat

huggingface.co/OBLITERATUS/Qwen3.8-27B-OBLITERATED - Qwen3.8 27B полностью без цензуры #uncensored

huggingface.co/superwhisper/s1-mini - S1-mini: превращает неразборчивую речь в текст #ASR

Tavus Griffin

Первый «Human Interaction Model» (#HIM) от Tavus — модель для живых видеозвонков, которая понимает и воспроизводит реальное face-to-face общение. Слушает, пока говорит, следит за мимикой и паузами, а не только словами.

• Полный дуплекс: слышит и реагирует одновременно
• Говорит «мм-хм» пока ты ещё говоришь
• Перебивает, кивает, реагирует на то, что видит
• Сам решает по под-секундам: говорить, реагировать или ждать
• Отвечает без пауз-тишины, останавливается, если ты вклинился

• 48% собеседников приняли за живого человека за минутный звонок
• #1 в независимом тесте NVIDIA среди face-to-face AI
• +37% к следующей лучшей модели по мгновенной реакции

Eже доступен части тестеров, мощная версия — следом

#dialog #avatar

MAX

Giro

Экспериментальный пайплайн: одна картинка на входе, готовый VR-сплат на выходе. Фото превращается в орбитальное видео, потом в обрезанный сплат, по которому можно ходить в VR.

• Орбита вокруг объекта через MiniMax H3, фото как первый и последний кадр
• Свой гейт проверки: минимум 330° облета, ровное движение, замкнутый цикл
• Плохой сид перебрасывается автоматически, пропущенная дуга до-генерируется
• Маскирование объекта через SAM 3.1 до COLMAP
• Опциональная правка фона через Qwen-Image-Edit
• Обучение с прозрачным фоном, обрезка по visual hull
• Экспорт SPZ, SOG, PLY под VR, кнопка View in VR
• Веб-UI с живым прогрессом и причинами каждого решения

• Нужны две видеокарты по 24 ГБ, Linux
• Экспорт ориентирован на бюджет Quest

#image2gaussian #vr #gaussian

MAX

#TTS #ASR

huggingface.co/SpragAI/qwen3-tts-emotion-tags - TTS с эмоциями: теги передают чувства в произносимых строках

huggingface.co/oruk/orukeet - Orukeet: режет ошибки произношения слов в 25 языках спец-ядрами

github.com/Ampixa/sanoTTS - sanoTTS: крошечная говорилка, работает на чипе за три доллара

huggingface.co/moondream/parakeet-ultra - ASR от moondream

huggingface.co/coriollon/whisper-large-v3-turbo-russian - Whisper large v3 turbo, файнтюн под #russian

huggingface.co/coriollon/whisper-large-v3-turbo-russian-codeswitch - тот же файнтюн с поддержкой code-switching (смешение языков в речи)

qingyuliu0521.github.io/Cross-Lingual_F5-TTS_2_demo - F5-TTS 2: кросс-язычный синтез — голос на одном языке говорит на другом

MAX

#оффтоп

Я ж не показал вам как я ходил по Японским тротуарам-дорожкам

Вот, теперь показал

Куда ни пойдешь - даже под ноги приятно смотреть

DiarizationLM-Gemma-4-E4B

Модель пост-обработки диаризации говорящих от Google. Тонкий дотюн 4B Gemma, который исправляет метки спикеров и снижает ошибки диаризации.

Учит модель чинить короткие вставки (1-5 слов), сохраняя акустические якоря в длинных репликах. Статистически значимые улучшения WDER и cpWER на четырех бенчмарках.

• Исправляет метки говорящих в расшифровке
• Правит границы реплик и «backchannels» (короткие вставки)
• Держит личность спикера в длинных монологах без дрейфа
• Работает из коробки: подаёшь гипотезу с тегами, получаешь исправленную

• 4B параметров (против 8B у старшей версии), Gemma 4 E4B
• #GGUF Q4_K_M ~5.3 ГБ, статус — 2-4 битных квантизации
• #SOTA на Fisher, Callhome, ICSI, AMI (p<0.0001)

Гитхаб
HF
Демо

#diarization #asr

FlowHMR

Физически правдоподобный мокап из обычного видео. Из монокулярного ролика восстанавливает глобальное 3D-движение человека, которое физический контроллер реально может повторить в симуляции.

• 0.46B
• Глобальный 3D-motion из одиночного видео
• Движение физически корректно — симулируемый персонаж может его отследить
• Flow matching + physics-based GRPO
• Демо в 3D-вьювере прямо на сайте

Как применяют
• Робототехника: ретаргет на Unitree G1, трекинг в симуляции через SONIC
• Анимация: реконструкция сцены и ретаргет через GPT-6 Astra
• Text-to-motion: генерация видео через MiniMax H3, затем захват движения FlowHMR

Гитхаб
HF

#mocap #animation

MAX