PiD (Latent Decoding Pixel Diffusion)

Диффузионный декодер плаг энд плей от Nvidia

Заменяет VAE/RAE‑декодеры в моделях генерации изображений.

• декодирует латентные представления в пиксели высокого разрешения за один проход
• убирает артефакты VAE (муар, размытость)
• повышает детализацию изображений

работает с существующими моделями без переобучения, лицензия Apache 2.0

Прикручено к MAI и Z-IMAGE

github.com/nv-tlabs/PiD

huggingface.co/nvidia/PiD

#t2i #zimage #optimization

Microsoft Lens

Microsoft таки выпустил Lens - генератор картинок разрешением 1440*1440 пикселей на 3.8B параметров и его же 4-шаговую турбо версию

https://huggingface.co/microsoft/Lens
https://huggingface.co/microsoft/Lens-Turbo
https://huggingface.co/microsoft/Lens-Base

https://huggingface.co/spaces/multimodalart/lens

#t2i

DAR (Diffusion‑Adaptive Routing) от Alibaba

Замена residual connections в диффузных трансформерах

• адаптивное объединение слоёв и шагов шумоподавления (зависит от шага времени)
• сохраняет высокочастотные детали при дистилляции для больших text‑to‑image‑моделей
• обучение быстрее на ранних этапах в 2 раза (в связке с REPA)

Кажется есть только препринт

huggingface.co/papers/2605.20708

#research

ИИ выиграл литературную премию? Почти

Рассказ «Змей в роще» Джамира Назира победил в региональном этапе Commonwealth Short Story Prize (Карибский регион), но тут же попал под подозрение: читатели и эксперты увидели в тексте «почерк» ИИ.

Что насторожило:
* шаблонные конструкции («не X, не Y, а Z»);
* навязчивое повторение слов вроде «гудеть»;
* перечисления строго по три элемента;
* гладкая, но пустая проза.

Детектор Pangram назвал текст «на 100 % сгенерированным ИИ», хотя другие сервисы дали противоречивые результаты. Автор всё отрицает — говорит, что просто пользовался голосовым вводом из‑за проблем со здоровьем.

Организаторы пока не исключают работу из конкурса: они отбирают тексты по принципу доверия

#news

MIGA

Метод генерации бесконечных видео без обучения модели

• генерация тысяч кадров
• #sota по временной согласованности
• двухэтапный механизм выравнивания

#longvideo

В Штатах придумали термин для тех, кто слишком критично относится к AI и большим технологиям, — «анти‑тех экстремисты». Федеральные агентства всерьёз рассылают отчёты о такой «угрозе».

Что попадает под подозрение:
• участие в митингах против AI
• фото дата‑центров (даже просто снимки на память)
• мемы про ChatGPT и другие шутки про нейросети. Выходит, и я подтаодозрением

Один лайк — и в досье появляется пометка «потенциальный луддит» (привет рабочим XIX века, ломавшим станки!).

Звучит как сатира, но опирается на реальные тренды:
- размывание границ понятия «экстремизм»;
- расширение систем наблюдения;
- рост давления на несогласных.

Критика технологий всё чаще воспринимается не как право на мнение, а как опасность

#news

X‑Voice

Говорилка на базе F5‑TTS с кросс‑язычным клонированием голоса.

• клонирует голос по короткому аудио‑примеру
• переносит голос на другой язык (cross‑lingual)
• работает без транскрипта референс‑аудио

Ключевые метрики/детали:
• 30 языков
• 0,4 B параметров
• обучена на 420 k часов речи
• использует IPA для унификации произношения
• код — MIT, модели — CC‑BY‑NC (некоммерческое использование)

github.com/sunnyxrxrx/X-Voice

Спасибо @m_franz

#TTS #voicecloning

LocateAnything

3B vision‑language модель от NVIDIA Research для поиска объектов, текста и элементов интерфейса на изображениях по текстовому запросу.

• находит объекты, текст и элементы интерфейса на картинке
• локализует области через Parallel Box Decoding
• выдаёт координаты рамки целиком (не собирает токен за токеном)


• 3 B параметров
• прирост скорости до 2,5×
• обучена на 12 млн изображений
• 138 млн запросов и 785 млн bounding boxes
• лицензия — некоммерческая (для исследований и разработки)

huggingface.co/nvidia/LocateAnything-3B

Спасибо @Endorpheen

#detection vlm

Opus 4.8

Обновлённая модель Claude от Anthropic с улучшенными рассуждениями и работой с инструментами.

• точнее рассуждает
• эффективнее работает с инструментами (tool calling)
• в 4 раза реже пропускает баги в коде без комментариев
• запускает сотни параллельных субагентов в одной сессии (Dynamic Workflows в Claude Code)
• обрабатывает миграции на сотни тысяч строк кода
• даёт выбор глубины размышлений (Effort Control на claude.ai)
• работает в Fast mode — в 3 раза дешевле

Ключевые метрики/детали:
• 84 % на Online‑Mind2Web (лучшая browser‑agent модель)
• рекорд на Legal Agent Benchmark
• обходит GPT‑5.5 на Super‑Agent
• стоимость: 5 / 25 за 1 M токенов (input/output)

Бонус: способ потестить опус 4.8 бесплатно

#assistant #api

Bodycount Detector

В полку полезных и точных сервисов прибыло

Инструмент от Ditto анализирует лицо пользователя и оценивает его «body count» (количество половых партнёров). Сервис работает локально на устройстве

Как работает

Bodycount Detector использует технологию компьютерного зрения для анализа лица. В течение пяти секунд система:
* определяет 478 точек на лице;
* фиксирует 52 микровыражения;
* оценивает «body count», используя медианы опросов Pew и CDC NSFG с учётом возраста и данных лицевого анализа. 

Мне выделили всего 3 партнёра. Зато и выгляжу всего на 33.

#tools

Не верьте тиктокерам что якобы в японском Синкансене абсолютно отсутствует тряска так что и вода не колышется если поставить на полочку. Все прекрасно колышется. Трясет не меньше чем в Сапсане. Но виды тут прекрасные

#оффтоп